A Multiscale Graph Generative Adversarial Network Method for Prediction of Autoclave Curing Temperature Field in CFRP component

Resumo Técnico: Um Método de Rede Adversária Generativa de Grafos Multiescala para a Predição do Campo de Temperatura de Cura de Componentes de CFRP em Autoclaves

Definição do Problema
A cura de componentes de Polímero Reforçado com Fibra de Carbono (CFRP) em autoclaves é um processo crítico onde a distribuição espaço-temporal da temperatura influencia diretamente a qualidade da conformação, a tensão residual e a precisão dimensional. À medida que o tamanho dos componentes aumenta, a não uniformidade espacial do fluxo e da transferência de calor torna-se mais pronunciada, necessitando de métodos de predição de alta precisão e alta eficiência.

Os autores identificam três limitações primárias na pesquisa de predição rápida existente:

1. Fidelidade Física Insuficiente dos Dados de Treinamento: A maioria dos modelos existentes baseia-se em amostras de treinamento derivadas de simulações numéricas com condições de contorno idealizadas, frequentemente negligenciando estruturas de dutos de entrada críticas (como dutos H-slot) e organizações locais de fluxo. Isso leva a vieses sistemáticos e redução da confiabilidade na engenharia.
2. Inadaptabilidade a Malhas Não Estruturadas: Os campos de temperatura de cura são definidos em malhas não estruturadas. Métos existentes frequentemente reamostram os dados em grades estruturadas (introduzindo erros de aproximação geométrica) ou lutam para equilibrar a difusão térmica global com detalhes de alto gradiente local em dados não estruturados de alta dimensão.
3. Suavização Excessiva (Over-smoothing) em Regiões Locais: Métodos de regressão puramente supervisionados ou de discriminação global frequentemente falham em preservar estruturas locais, levando à suavização excessiva em regiões de hotspots e zonas de transição de borda. Isso resulta em acúmulo de erro durante a predição autorregressiva de ciclo completo.

Metodologia
O artigo propõe um framework de Rede Adversária Generativa de Grafos Multiescala (MSCGAN) projetado especificamente para malhas não estruturadas. A metodologia consiste em três estágios integrados:

1. Geração de Dados de Alta Fidelidade:

   • Um modelo de acoplamento termoquímico do processo de autoclave é estabelecido, incorporando explicitamente uma estrutura de duto de ar H-slot realista para modelar com precisão a organização do fluxo de entrada.
   • Utilizando este modelo direto validado, 100 conjuntos de condições operacionais foram gerados através da amostragem de seis parâmetros de processo fundamentais (taxas de aquecimento, temperaturas de patamar e tempos para duas etapas).
   • Simulações transientes (passo de tempo de 10s, duração de 13.200s) produziram um conjunto de dados espaço-temporais de campos de temperatura e grau de cura, garantindo credibilidade física.

2. Construção de Grafos e Redução de Dimensionalidade Multiescala:

   • O campo de temperatura da malha não estruturada é convertido em dados estruturados em grafos ($G=(V, E)$) utilizando um algoritmo de K-Vizinhos Mais Próximos (KNN) ($k=4$) para definir as arestas, preservando a topologia de transferência de calor local sem erros de interpolação.
   • Os atributos dos nós incluem temperatura instantânea, grau de cura, taxa de aquecimento, temperatura de ajuste do processo e coordenadas espaciais.
   • Uma estratégia de coalescência de dois níveis CLJP (Coarsening, Labeling, Joining, and Prolongation) é empregada. Isso cria uma sequência de grafos hierárquicos, permitindo que o modelo capture padrões de difusão térmica global em escalas grosseiras (coarse) enquanto retém características de alto gradiente local em escalas finas.

3. Arquitetura MSCGAN:

   • Gerador: Utiliza uma estrutura de codificador-decodificador de grafos com Redes de Atenção de Grafos (GAT). As camadas GAT ponderam adaptativamente a informação de vizinhança para enfatizar nós relevantes para a predição. Conexões de salto (skip connections) fundem as características do codificador e do decodificador para recuperar detalhes de escala fina perdidos durante a coalescência.
   • Discriminador: Um discriminador de grafo local baseado em subgrafos induzidos por vizinhança k-hop. Diferente dos discriminadores globais, este componente amostra subgrafos locais ao redor de nós centrais para impor restrições de realismo especificamente em regiões de hotspots e zonas de transição de borda. Isso aborda o problema da suavização excessiva, garantando a autenticidade estrutural local.
   • Treinamento: O modelo é treinado usando uma combinação de perda supervisionada L1 (para precisão nodal) e perda adversária (para realismo estrutural local).

Principais Contribuições

1. Estratégia de Geração de Dados de Alta Fidelidade: A proposta de um método de geração de dados que integra representações realistas de contorno de entrada (dutos H-slot) no modelo de acoplamento termoquímico, fornecendo um conjunto de dados fisicamente confiável para treinamento.
2. Redução de Dimensionalidade Baseada em Grafos: Uma estratégia que combina a construção de grafos via KNN com a coalescência multiescala CLJP, o que reduz a complexidade computacional enquanto preserva a informação topológica geométrica e as características locais de condução de calor das malhas não estruturadas.
3. Framework MSCGAN: O desenvolvimento de um método de predição rápida que integra a geração de grafos multiescala com a discriminação de grafo local k-hop. Esta abordagem melhora a representação tanto de tendências globais quanto de detalhes locais, mitigando efetivamente a suavização excessiva em regiões de alto gradiente.

Resultados
O MSCGAN proposto foi avaliado contra o Graph U-Net, Graph U-Net-LSTM, Grid-GAN e GNNs convencionais, utilizando um conjunto de 105.600 amostras de treinamento e 26.400 amostras de validação.

• Precisão de Predição: O MSCGAN alcançou um Erro Médio Absoluto (MAE) de 1,28 °C, Erro Quadrático Médio (RMSE) de 1,76 °C, $R^2$ de 0,993 e um Erro Máximo de 3,58 °C. Estas métricas superaram todos os modelos comparativos, particularmente na redução do erro máximo (por exemplo, o Graph U-Net apresentou um erro máximo de 7,22 °C).
• Estabilidade Autorregressiva: Em predição autorregressiva de ciclo completo, o modelo manteve um Erro Percentual Médio Absoluto (MAPE) abaixo de 0,81% durante todo o ciclo de cura, demonstrando supressão eficaz do acúmulo de erro durante a inferência de rolagem de longo prazo.
• Eficiência Computacional: O modelo reduziu o tempo de computação em aproximadamente 99% em comparação com as simulações tradicionais de Dinâmica de Fluidos Computacional (CFD) (42 segundos vs. 7038 segundos por predição).
• Estudos de Ablação: Experimentos confirmaram que a remoção do mecanismo adversário, do módulo de coalescência CLJP ou das conexões de salto degradou significativamente o desempenho, sendo que a remoção das conexões de salto causou o aumento de erro mais severo (MAE subindo para 2,41 °C).

Significância
O artigo afirma que este método fornece um modelo substituto (surrogate model) eficiente e confiável para a avaliação rápida e controle inteligente de processos de cura em autoclaves de materiais compostos. Ao abordar os desafios específicos de malhas não estruturadas e preservação de gradientes locais, o framework MSCGAN preenche a lacuna entre a modelagem física de alta fidelidade e os requisitos de velocidade para a otimização de processos industriais. O estudo demonstra que integrar a fidelidade física na geração de dados com aprendizado de grafos multiescala e restrições adversárias locais é um caminho viável para a predição precisa e em tempo real de campos de temperatura para componentes compostos complexos.