Resumen - Hacia Modelos Subrogados Robustos: Comparación de Enfoques de Aprendizaje Automático para Acelerar Simulaciones de Fractura Británica con Materiales de Fase菲

Hacia Modelos Subrogados Robustos: Comparación de Enfoques de Aprendizaje Automático para Acelerar Simulaciones de Fractura Británica con Materiales de Fase菲

2025-07-09 19:14:56

{"Erfan Hamdi","Emma Lejeune"}

{cs.LG,physics.data-an,"74R10, 74B20, 74A40, 68T07","J.2; I.6.3; I.6.5"}

El documento presenta un conjunto de datos para comparar métodos de aprendizaje automático (ML) para la modelización de fracturas frágiles, específicamente utilizando modelado de campo de fase (PFM). Este conjunto de datos tiene como objetivo mejorar la factibilidad computacional de modelar fenómenos físicos complejos y no lineales como la fractura. La fractura es difícil de modelar debido a sus discontinuidades, gradientes agudos y cambios de topología. El PFM ofrece un enfoque variacional para modelar estas características, pero los estudios actuales de ML suelen depender de pruebas de benchmarking simples que no reflejan la complejidad de los procesos de fractura. El conjunto de datos incluye 6,000 simulaciones bidimensionales, cuasi-estáticas de PFM para fracturas frágiles. Cubre diversas condiciones de contorno, métodos de descomposición de energía y configuraciones iniciales de grietas. Cada simulación captura la evolución temporal del campo de grietas con 100 pasos de tiempo. Los autores implementan y evalúan varios modelos de ML de referencia, incluyendo Redes Neuronales Informadas por Física (PINNs), Operadores Neuronales de Fourier (FNOs) y UNets. También exploran el impacto de las estrategias de enjambre en la precisión de las predicciones. Los resultados resaltan las promesas y limitaciones de los modelos de ML actuales para la modelización de fracturas. Mientras que los PINNs luchan con casos complejos, los UNets y los FNOs producen predicciones más razonables. Las métodos de enjambre mejoran el rendimiento, pero su efectividad depende del rendimiento de los submodelos. El conjunto de datos y los modelos de referencia proporcionan un benchmark estándar para evaluar los enfoques de ML en la mecánica de sólidos. Los autores subrayan la importancia de considerar la inicialización del modelo, el comportamiento de convergencia y las métricas apropiadas para evaluar el rendimiento. El trabajo futuro podría centrarse en desarrollar arquitecturas de ML más avanzadas, mejorar las estrategias de entrenamiento y explorar métricas alternativas para capturar mejor las complejidades de la modelización de fracturas.