Resumo Técnico: Dataset TimoDS

Declaração do Problema

O desenvolvimento de modelos substitutos (surrogate models) baseados em dados para a mecânica estrutural é atualmente dificultado pela escassez de dados de treinamento de alta qualidade e acessíveis ao público. Os conjuntos de dados experimentais existentes são frequentemente custosos, de escopo estreito e não conseguem cobrir todo o espaço de parâmetros necessário para a generalização. Além disso, muitos conjuntos de dados sintéticos existentes sofrem de diversas limitações: eles frequentemente focam em membros isolados com condições de contorno padrão (ex: apoios simples ou totalmente engastados) em vez do contínuo de restrições elásticas intermediárias encontradas em estruturas reais; são frequentemente gerados via procedimentos ad hoc carecendo de plena automação e reprodutibilidade; e tipicamente fornecem apenas saídas escalares, em vez de distribuições espaciais completas das respostas estruturais. Essas lacunas limitam a utilidade de conjuntos de dados para arquiteturas avançadas como Redes Neurais Informadas pela Física (PINNs) e Redes Neurais de Grafos (GNNs) que operam sobre campos espacialmente distribuídos.

Metodologia

O artigo apresenta o TimoDS, um conjunto de dados gerado sinteticamente que compreende 60.000 instâncias de vigas de aço de Timoshenko com suportes elásticos gerais. O processo de geração é um pipeline totalmente automatizado e reprodutível, executado dentro do ambiente de modelagem paramétrica Grasshopper utilizando o plug-in de elementos finitos Karamba3D.

Modelo Mecânico

O conjunto de dados baseia-se em um modelo de viga de Timoshenko estática linear de comprimento $L$ com uma seção transversal constante $\Sigma$. O modelo considera:

• Material: Aço isotrópico linear elástico ($E = 210$ GPa, $\nu = 0,33$).
• Seções transversais: Perfis de aço europeus das famílias IPE, HEA e HEB (66 seções distintas).
• Condições de Contorno: Suportes elásticos gerais em ambas as extremidades (A e B), definidos por 12 parâmetros de rigidez (3 translacionais $k$ e 3 rotacionais $c$ por extremidade). Esses parâmetros abrangem um contínuo do livre ao quase-engastado, amostrados em espaço logarítmico em relação à rigidez característica da viga.
• Casos de Carga: Seis casos de carga unitária elementar são considerados independentemente: três cargas pontuais unitárias ($\vec{F} = \vec{e}_x, \vec{e}_y, \vec{e}_z$) e três momentos pontuais unitários ($\vec{C} = \vec{e}_x, \vec{e}_y, \vec{e}_z$). Cada carga é aplicada em uma posição relativa $\alpha$ ao longo do eixo da viga.

Pipeline de Geração de Dados

1. Amostragem: A Amostragem por Hipercubo Latino (LHS) com uma semente fixa (2) é utilizada para garantir a cobertura uniforme do espaço de entrada de 15 dimensões (comprimento da viga, posição da carga, seleção da seção e 12 multiplicadores de rigidez adimensionales).
2. Simulação: Para cada uma das 60.000 instâncias, um grafo paramétrico em Grasshopper/Karamba3D monta a viga, aplica as condições de contorno e a carga unitária específicas e resolve o problema estático linear.
3. Recuperação de Saída: O pipeline recupera quantidades cinemáticas (deslocamentos e rotações) e forças internas (força axial, forças de cisalhamento, torção, momentos fletores) em 21 posições igualmente espaçadas ao longo do eixo da viga. Também calcula a energia de deformação elástica total.
4. Correção: Uma discrepância sistemática na saída de energia interna do Karamba3D (que negligencia a energia armazenada nas molas de suporte para suportes rígidos) é abordada. O conjunto de dados inclui um valor de energia de deformação corrigido ($\hat{U}_D$) recalculado via integração numérica dos campos de força interna para satisfazer o teorema do trabalho-energia.

Principais Contribuições

• Conjunto de Dados Abrangente: O TimoDS fornece 60.000 problemas de vigas totalmente definidos com suportes elásticos gerais, cobrindo uma ampla gama de parâmetros geométricos e de condição de contorno.
• Resolução Espacial: Ao contrário de muitos conjuntos de dados que fornecem saídas escalares, o TimoDS entrega distribuições espaciais completas de 12 quantidades físicas amostradas em 21 pontos, resultando em um vetor de saída de 253 quantidades por instância.
• Reprodutibilidade: Todo o conjunto de dados é gerado via um pipeline determinístico e autônomo com uma semente aleatória fixa, permitindo a regeneração exata. O código e os scripts estão disponíveis publicamente.
• Capacidade de Superposição: Ao fornecer respostas a casos de carga unitária elementar, o conjunto de dados funciona como uma biblioteca de funções de influência discretas. Devido à linearidade do modelo de Timoshenko, as respostas a distribuições de carga arbitrárias podem ser reconstruídas via superposição sem novas resoluções.
• Consistência Física: O conjunto de dados passa por validação rigorosa, confirmando resíduos de equilíbrio com precisão de máquina e verificando o balanço de energia através da métrica de energia de deformação corrigida.

Resultados e Validação

• Caracterização Estatística: O espaço de entrada mostra uma decorrelação eficaz entre parâmetros geométricos, de carga e de condição de contorno. O espaço de saída exibe comportamentos físicos esperados, como o domínio da flexão sobre a deformação axial e a influência das famílias de seções (IPE vs. HEA/HEB) na flexibilidade torsional e de flexão.
• Consistência Física: Verificações de equilíbrio confirmam que os resíduos de força e momento estão dentro da precisão de máquina ($\sim 10^{-16}$ a $10^{-15}$). A energia de deformação corrigida $\hat{U}_D$ satisfaz a equação de balanço de energia $2\hat{U}_D = W_{ext} - W_k$ em 22 ordens de magnitude.
• Experimento de Aprendizado de Máquina de Base: Uma rede neural feedforward foi treinada no Caso de Carga 2 (carga transversal unitária) para prever os campos de resposta.
  • O modelo alcançou altos scores de $R^2$ para forças internas ($V_y, M_z$) e rotação de flexão ($\theta_z$).
  • O deslocamento transversal ($u^G_y$) apresentou uma precisão relativa menor em regimes quase-engastados devido à ampla faixa dinâmica dos dados, embora o $R^2$ geral tenha permanecido alto (0,9945).
  • Crucialmente, o modelo treinado reconstruiu com sucesso as respostas para cenários de carga combinada (duas cargas pontuais simultâneas) via superposição, demonstrando que um modelo treinado em casos elementares pode generalizar para cargas complexas sem necessidade de retreinamento.

Significância e Alegações

O artigo posiciona o TimoDS como um benchmark viável para modelagem substituta (surrogate modeling), aprendizado informado pela física (physics-informed learning) e aprendizado de operador (operator learning) na engenharia estrutural. Sua principal significância reside em abordar a falta de dados sintéticos diversos, de alta qualidade e reprodutíveis na área. Ao fornecer campos de resposta espacial completa e cobrir o contínuo de condições de contorno elásticas, o conjunto de dados permite o treinamento de modelos que podem generalizar através de diferentes configurações estruturais. Os autores afirmam explicitamente que o conjunto de dados foi projetado para facilitar o desenvolvimento de modelos baseados em dados que possam servir como bibliotecas de funções de influência, permitindo a reconstrução de respostas a distribuições de carga arbitrárias. O trabalho é modesto em seu escopo, reconhecendo limitações como a restrição ao comportamento de material linear, vigas prismáticas de vão único e a negligência de efeitos de empenamento (warping) na torção, enquadrando-as como áreas para extensões futuras em vez de capacidades atuais.