🔬 condensed matter

Direct inference of viscoelastic memory from chirp rheometry via physics-informed Gaussian processes

Este artigo introduz uma estrutura de processo gaussiano informado pela física que infere diretamente núcleos de memória viscoelástica a partir de dados brutos de reometria de chirp no domínio do tempo, contornando a redução tradicional no domínio da frequência para permitir a previsão rápida e sem necessidade de retreinamento das respostas de materiais a históricos de deformação não vistos e a resolução da evolução do material dentro de um único experimento.

Autores originais: Isaac Y. Miranda-Valdez, Juha Koivisto, Mikko J. Alava

Publicado 2026-08-18

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Isaac Y. Miranda-Valdez, Juha Koivisto, Mikko J. Alava

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Materiais moles, desde os géis em nossos alimentos até os tecidos em nossos corpos, possuem um tipo único de memória. Ao contrário de uma mola simples que retorna imediatamente ao ser liberada, essas substâncias lembram como foram deformadas no passado. O estresse que sentem em qualquer dado momento não é determinado apenas pela sua forma atual, mas por todo o histórico de como foram esticadas ou comprimidas anteriormente. Esse comportamento hereditário é a chave para prever como tais materiais se comportarão em condições do mundo real, contudo, medi-lo tem sido tradicionalmente um processo lento e tedioso. Cientistas geralmente probeiam esses materiais sacudindo-os em uma frequência específica, esperando o sinal estabilizar e, então, passando para a próxima frequência. Para mapear todo o comportamento de um material, esse processo pode levar horas, um intervalo de tempo que é frequentemente longo demais para materiais que estão mudando ou envelhecendo durante a medição. Além disso, a maneira padrão de analisar os dados envolve comprimir milhares de medições brutas em alguns números de resumo, um passo que inevitavelmente descarta uma vasta quantidade de informações e pode introduzir erros.

Uma equipe de pesquisadores da Universidade Aalto, na Finlândia, desenvolveu uma nova maneira de contornar essas limitações, permitindo-lhes ler a memória de um material diretamente de um único experimento rápido. Em vez de sacudir o material em uma frequência de cada vez, eles utilizam um sinal de "chirp", uma deformação que percorre continuamente uma ampla gama de frequências em apenas alguns segundos. Este método gera um fluxo denso de dados, capturando milhares de pares de tensão e deformação no tempo que antes era usado para reunir um punhado de pontos. Os pesquisadores aplicaram então uma estrutura estatística sofisticada, conhecida como processo gaussiano informado pela física, a esses dados brutos. Em vez de primeiro converter os dados em resumos de frequência, esta abordagem utiliza as leis fundamentais da física para interpretar o registro no domínio do tempo diretamente. Ela trata a memória do material como um conjunto de blocos de construção, testando diferentes formas matemáticas para ver qual delas melhor explica a tensão observada. Ao fazer isso, o método identifica as regras de memória específicas do material e quantifica a incertitude nessas regras sem nunca precisar descartar os dados brutos ou assumir um modelo específico previamente.

Os pesquisadores testaram essa abordagem em diversos materiais moles diferentes, cada um apresentando um desafio único. Em um experimento, eles analisaram uma solução de micelas de vida longa, um tipo de matéria mole que tipicamente se comporta como um fluido simples com um único tempo de relaxação. O método padrão exigiria um longo varrimento de frequência para confirmar isso, mas a nova estrutura analisou um chirp que durou apenas dois segundos. Os dados foram suficientes para localizar o tempo de relaxação único do material e confirmar que ele se comporta quase exatamente como um fluido clássico, com apenas um pequeno desvio mensurável que o método pôde detectar com alta precisão. Os pesquisadores também demonstraram que o modelo aprendido a partir desse curto surto de dados não estava apenas memorizando o sinal específico utilizado. Quando aplicaram o modelo treinado a um chirp completamente diferente, mais longo, com uma fase inicial e uma faixa de frequência distintas, ele previu com precisão a resposta do material, incluindo o comportamento em frequências que o experimento curto original sequer tocou. Isso provou que o sistema havia aprendido a verdadeira lei física que rege o material, e não apenas um padrão específico do sinal de teste.

O poder do método tornou-se ainda mais evidente ao lidar com materiais ruidosos ou complexos. Em um estudo de um hidrogel de nanofibras de celulose, os dados eram significativamente mais ruidosos do que no experimento de micelas, uma situação onde a análise tradicional frequentemente falha. A nova estrutura conseguiu extrair um padrão de memória livre de escala claro a partir do ruído, correspondendo aos resultados de uma medição convencional que levou sessenta vezes mais tempo. Em outro teste envolvendo uma resina fotopolimerizável, o material exibiu dois comportamentos distintos agindo simultaneamente: uma rede elástica permanente e uma fração dissipativa, de caráter fluido. O método foi capaz de separar essas duas contribuições dentro de um único traço temporal, quantificando quanto do estresse vinha de cada mecanismo e fornecendo uma imagem clara da estrutura interna do material. Finalmente, os pesquisadores usaram a técnica para observar um material mudar em tempo real. Ao analisar um acrilato de cura por UV, detectaram uma violação da invariância temporal do material, observando a viscosidade subir constantemente enquanto o material endurecia durante o único experimento de chirp. Isso permitiu rastrear o início da mutação química diretamente no domínio do tempo, sem a necessidade de um modelo predefinido de como o processo de cura deveria se comportar.

Ao tratar o registro bruto no domínio do tempo como a fonte primária da verdade, esta abordagem transforma a maneira como os cientistas compreendem a matéria mole. Ela substitui o processo lento e passo a passo de estimativa espectral e ajuste de modelo por um problema de inferência único e unificado. O resultado é um método que é mais rápido, mais robusto contra o ruído e capaz de revelar propriedades de materiais que anteriormente estavam ocultas ou exigiam medições proibitivamente longas para serem encontradas. Oferece uma maneira de ver a memória dos materiais moles com uma clareza que antes era inalcançável, transformando segundos de dados experimentais em um mapa detalhado de como um material lembra seu passado.

Resumo Técnico: Inferência Direta de Memória Viscoelástica via Reometria de Chirp através de Processos Gaussianos Informados pela Física

Definição do Problema
Materiais moles exibem comportamento viscoelástico onde a tensão é determinada por uma integral ponderada sobre todo o histórico de deformação, em vez da deformação instantânea. Identificar essa "memória" é crítico para prever o comportamento do material sob carregamento do mundo real. A abordagem reológica padrão, Cisalhamento Oscilatório de Pequena Amplitude (SAOS), é reprodutível, mas sofre de duas limitações práticas: (1) varreduras completas de frequência são demoradas (minutos a horas), tornando-as inadequadas para sistemas em evolução como géis ou materiais em envelhecimento; e (2) a inferência constitutiva ocorre apenas após a estimativa espectral (transformada de Fourier), o que significa que o ruído e os artefatos de janela finita introduzidos durante a redução de sinal propagam-se irreversivelmente para o modelo ajustado.

A reometria de chirp oferece uma solução ao comprimir horas de medição em segundos, gerando dados densos no domínio do tempo ( $10^3$ – $10^4$ pares tensão-deformação). No entanto, o pipeline de análise padrão para dados de chirp mimetiza o SAOS: a série temporal densa é janelada e transformada de Fourier para estimar os módulos de armazenamento ( $G'$ ) e perda ( $G''$ ) antes de ajustar um modelo constitutivo. Este processo descarta a maior parte da informação medida, criando um "gargalo inferencial" onde os vieses na estimativa espectral limitam a precisidade da lei constitutiva recuperada. Além disso, abordagens existentes de aprendizado de máquina na reologia frequentemente carecem de generalização; modelos treinados em formas de onda específicas frequentemente falham em prever respostas a diferentes protocolos de deformação porque aprendem mapeamentos específicos da forma de onda, em vez de propriedades intrínsecas do material.

Metodologia
Os autores propõem um framework de Processo Gaussiano (GP) informado pela física que realiza a inferência constitutiva probabilística direta no domínio do tempo, contornando a estimativa espectral intermediária.

Construção de Atributos Informados pela Física: O framework incorpora o princípio da superposição de Boltzmann diretamente no espaço de atributos do GP. Em vez de usar coordenadas temporais brutas, os atributos de entrada são construídos como convoluções causais do histórico de taxa de deformação ( $\dot{\gamma}$ ) medido com kernels de memória candidatos ( $\phi_i$ ).
$\sigma(t) = \sum_{i=1}^n c_i x_i(t; \kappa)$
onde $x_i(t) = \int_0^t \phi_i(t-t'; \kappa) \dot{\gamma}(t') dt'$ . Aqui, $\kappa$ representa parâmetros de forma (ex: tempos de relaxação, expoentes fracionários) e $c_i$ são prefatores escalares (ex: módulos, viscosidades).
Regressão de Processo Gaussiano: Um GP é atribuído sobre o mapa desses atributos de engenharia para a tensão medida.
- Kernel Linear: Para materiais no regime viscoelástico linear, um kernel linear é usado. Isso torna o GP equivalente à regressão linear bayesiana no espaço de atributos, onde as sensibilidades posteriores ( $\partial \bar{\sigma} / \partial x_i$ ) fornecem diretamente os prefatores constitutivos ( $c_i$ ).
- Kernel RBF: Para casos onde linearidade ou invariância de translação temporal não podem ser assumidas (ex: materiais em mutação), um kernel de Função de Base Radial (RBF) permite um mapeamento tensão-atributo não linear. A sensibilidade do tempo resolvido da previsão do GP em relação aos atributos serve como um diagnóstico para a evolução do material.
Seleção e Treinamento de Modelo: O framework treina conjuntamente em todos os parâmetros (parâmetros de forma $\kappa$ e hiperparâmetros do GP) maximizando o Limite Inferior de Evidência (ELBO). A seleção de modelo entre leis constitutivas candidatas (ex: Maxwell, Maxwell Fracionário, Scott Blair, Kelvin-Voigt Fracionário) é realizada usando os critérios de informação de Akaike (AIC) e Bayesiano (BIC), calculados diretamente dos dados brutos no domínio do tempo.

Principais Resultados
O framework foi validado através de cinco cenários experimentais distintos:

Memória Maxwelliana em Micelas em Vermelhão: Aplicado a um chirp de 2 segundos em uma solução de micelas em vermelhão, o método selecionou um modelo de Líquido de Maxwell Fracionário (FML) sobre o Maxwell clássico e outras variantes fracionárias. Recuperou um tempo de relaxação ( $\tau_c \approx 1,49$ s) e um expoente fracionário ( $\beta \approx 0,014$ ) que posiciona o material próximo ao seu limite de Maxwell. Crucialmente, o modelo inferiu uma frequência característica ( $\omega_c \approx 0,67$ rad/s) que estava fora da banda de frequência excitada do treinamento de chirp, demonstrando a capacidade de extrapolação além da janela de treinamento.
Independência de Protocolo: Um GP treinado em um chirp de 2 segundos foi testado contra um chirp independente de 14 segundos com largura de banda, duração e fase inicial diferentes. O GP treinado previu a resposta de tensão com alta precisão (RMSE comparável ao ajuste de treinamento) e resolveu corretamente a frequência de crossover terminal, confirmando que o método aprende uma lei constitutiva em vez de um mapeamento específico da forma de onda.
Memória de Escala Livre em Géis Críticos: Em um chirp ruidoso de 7 segundos de um hidrogel de nanofibras de celulose, o método recuperou um kernel de memória Scott Blair (gel crítico). Alcançou um coeficiente de determinação ( $R^2 = 0,863$ ) e identificou o expoente fracionário ( $\alpha \approx 0,063$ ) e a quase-propriedade ( $V$ ) consistentes com uma varredura de frequência discreta de 451 segundos, apesar de os dados de chirp serem dois ordens de magnitude mais curtos e significativamente mais ruidosos.
Particionamento de Tensão em Resinas Fotopolimerizáveis: Para uma resina fotopolimerizável modelada por um modelo de Kelvin-Voigt Fracionário (FKV), o framework conseguiu decompor a resposta de tensão em dois atributos de memória paralelos (uma rede quase elástica e um ramo dissipativo de lei de potência). Quantificou a incerteza nesta decomposição e resolveu uma relaxação fraca de lei de potência no ramo da rede que a análise de Fourier padrão falhou em capturar devido ao ruído.
Detecção de Mutação de Material: Aplicado a um sistema de acrilato de cura UV, o framework usou um kernel RBF para detectar violações de invariância de translação temporal. A sensibilidade do tempo resolvido da previsão do GP em relação ao atributo de memória (interpretado como viscosidade dinâmica) mostrou um aumento monotônico de +8,1% durante um único chirp, capturando diretamente o início da mutação do material (reticulação) sem um modelo cinético prescrito. Uma medição de controle no mesmo material em um estágio posterior de cura não mostrou tal deriva.

Significância e Alegações
O artigo afirma resolver as limitações da análise de chirp padrão ao substituir a sequência de estimativa espectral seguida de ajuste constitutivo por um problema único de inferência probabilística informada pela física, colocado diretamente nos dados brutos do domínio do tempo.

Inferência Direta: O método infere o kernel de memória (uma propriedade constitutiva) em vez da forma de onda específica, permitindo previsões em históricos de deformação não observados sem retreinamento.
Robustez ao Ruído e Curta Duração: Ao utilizar a densidade total dos dados resolvidos no tempo, o framework recupera parâmetros constitutivos de registros curtos ou ruidosos onde métodos convencionais baseados em Fourier falham ou produzem estimativas esparsas e cheias de artefatos.
Quantificação de Incerteza: A formulação probabilística fornece incerteza quantificada para todos os parâmetros inferidos (módulos, expoentes, tempos de relaxação) e permite a decomposição da variância entre atributos constitutivos e ruído de observação.
Diagnósticos Livres de Modelo: A sensibilidade resolvida no tempo serve como uma ferramenta de diagnóstico para detectar não-estacionaridade (evolução do material) e não-linearidades, oferecendo uma impressão digital independente de protocolo para mudanças estruturais.

Os autores concluem que esta abordagem estabelece a construção de atributos informados pela física como uma rota para o aprendizado de máquina generalizável em reologia, capaz de lidar com seleção de modelos, estimativa de parâmetros consciente da incerteza e testes de hipóteses baseados em evidências diretamente a partir do resultado de um único experimento curto.

Mais como este