Homotopy surrogate model assisted double-loop approach for efficient structural reliability-based design optimization

Engenheiros enfrentam há muito tempo um difícil equilíbrio ao projetar pontes, aeronaves e arranha-céus. Por um lado, eles devem garantir que essas estruturas sejam seguras o suficiente para resistir à natureza imprevisível do mundo real, onde os materiais variam ligeiramente, as cargas mudam inesperadamente e as dimensões nunca são perfeitamente exatas. Por outro lado, eles devem evitar que essas estruturas se tornem tão pesadas e caras que se tornem impraticáveis. A forma tradicional de projetar para a segurança frequentemente ignorava essas pequenas incertezas, levando a projetos que eram ou perigosamente frágeis ou desnecessariamente volumosos. Para resolver isso, surgiu um campo chamado otimização de projeto baseada em confiabilidade. Esta abordagem trata a incerteza não como um incômodo a ser ignorado, mas como um fator central a ser calculado, visando encontrar a estrutura mais leve possível que ainda tenha uma chance matematicamente comprovada de sobreviver aos seus piores cenários.

O desafio com este método é que calcular a segurança é incrivelmente caro em termos de tempo de computação. Para saber se um projeto é seguro, os engenheiros devem simular milhares de diferentes realidades possíveis, verificando como a estrutura se comporta sob cada combinação de pequenas variações. Fazer isso para cada ajuste de projeto durante o processo de otimização pode levar semanas ou até meses de poder computacional, tornando o método lento demais para projetos complexos do mundo real. Pesquisadores da Universidade de Tecnologia de Wuhan desenvolveram uma nova maneira de acelerar isso sem sacrificar a precisão. Eles criaram um método que atua como um atalho altamente qualificado, permitindo que os engenheiros prevejam como uma estrutura se comportará sob incerteza sem ter que executar as simulações completas e pesadas todas as vezes.

O cerne do novo método deles é uma ferramenta matemática chamada modelo substituto de homotopia estática. No passado, os engenheiros que tentavam acelerar esses cálculos dependiam de modelos baseados em dados, que são como tentar adivinhar o tempo olhando para algumas fotos do passado. Esses modelos precisam de uma quantidade massiva de dados de treinamento para aprender os padrões e, se os dados forem desorganizados ou incompletos, as previsões podem estar erradas. A nova ferramenta segue um caminho diferente. Em vez de aprender com exemplos, ela constrói um mapa direto e explícito entre as entradas incertas e a resposta estrutural usando uma expansão matemática específica. Isso significa que ela pode gerar previsões precisas quase instantaneamente assim que a configuração inicial é feita, sem precisar de uma grande biblioteca de dados passados para ensiná-la. É uma abordagem mais fundamental que entende a física do problema diretamente, em vez de apenas memorizar os resultados.

Para tornar essa ferramenta ainda mais eficiente, os pesquisadores adicionaram uma estratégia inteligente de reutilização. Imagine um engenheiro projetando uma nova ponte. À medida que o computador testa diferentes versões da ponte, ele frequentemente encontra projetos que são muito semelhantes aos que já foram analisados. Em vez de construir um novo modelo de previsão para cada novo projeto, o novo método verifica seu histórico. Se o novo projeto for próximo o suficiente de um anterior, o sistema simplesmente reutiliza o antigo modelo de previsão. Isso evita a necessidade de reconstruir o complexo mapa matemático do zero, economizando um tempo tremendo. Os pesquisadores estabeleceram uma regra estrita para quando essa reutilização é permitida, garantindo que o atalho só seja tomado quando os projetos forem semelhantes o suficiente para que o mapa antigo permaneça preciso.

A equipe testou essa abordagem em quatro problemas diferentes, variando de quebra-cabeças matemáticos simples a estruturas complexas do mundo real. Eles começaram com um problema altamente não linear, que é um tipo de equação difícil onde pequenas mudanças podem levar a resultados enormes e imprevisíveis. Eles também testaram em duas estruturas de treliça diferentes, uma com dez barras e outra com setenta e duas barras, que são estruturas comuns usadas em pontes e torres. Finalmente, aplicaram-no a um modelo detalhado de uma caixa de asa de um caça, uma estrutura composta por milhares de partes individuais. Em todos os casos, o novo método encontrou projetos que eram tão seguros e eficientes quanto aqueles encontrados pelos métodos mais lentos e antigos.

Os resultados mostraram uma redução dramática no tempo necessário para encontrar o melhor projeto. Para a treliça de dez barras, o novo método reduziu o número de simulações computacionais pesadas em mais de 99 por cento em comparação com algumas técnicas existentes. Para a treliça de setenta e duas barras, que envolvia vinte fatores incertos diferentes, a economia foi ainda mais pronunciada, cortando o trabalho computacional em quase 99 por cento. Mesmo para a complexa caixa de asa, que envolvia um número massivo de partes, o método conseguiu encontrar um projeto mais leve e seguro usando apenas uma fração minúscula do poder de computação normalmente requerido. Os pesquisadores descobriram que, ao reutilizar seus modelos de previsão, eles podiam pular a construção de novos modelos por centenas de iterações de projeto, efetivamente fazendo o trabalho de uma equipe muito maior em uma fração do tempo.

Este trabalho sugere que o gargalo do alto custo computacional no projeto crítico de segurança não é um problema insolúvel. Ao combinar uma ferramenta de previsão baseada na física com uma estratégia inteligente de reutilização do trabalho passado, os engenheiros podem agora explorar uma gama muito mais ampla de possibilidades de projeto. Isso significa que, no futuro, as estruturas poderão ser projetadas para serem mais leves, mais eficientes e mais seguras, sem o custo proibitivo de executar endless simulações computacionais. O método não substitui a necessidade de verificações de segurança rigorosas, mas remove a barreira que manteve essas técnicas avançadas fora de alcance para muitos desafios de engenharia complexos.