Résumé - Vers des Modèles de Surrogate Robustes : Évaluation Comparée des Approches d'Apprentissage Automatique pour Accélérer les Simulations de Fracture Brittle par Méthode des Domaines de Phase

Vers des Modèles de Surrogate Robustes : Évaluation Comparée des Approches d'Apprentissage Automatique pour Accélérer les Simulations de Fracture Brittle par Méthode des Domaines de Phase

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"}

L'article présente un ensemble de données pour le benchmarking des approches d'apprentissage automatique (ML) pour la modélisation de la fracture fragile, en particulier en utilisant la modélisation de champ de phase (PFM). Cet ensemble de données vise à améliorer la traçabilité computationnelle de la modélisation de phénomènes physiques complexes et non linéaires tels que la fracture. La fracture est difficile à modéliser en raison de ses discontinuités, de ses gradients brusques et de ses changements de topologie. La PFM offre une approche variationnelle pour modéliser ces caractéristiques, mais les études actuelles en ML dépendent souvent de benchmarks simples qui ne reflètent pas la complexité des processus de fracture. L'ensemble de données comprend 6 000 simulations bidimensionnelles, quasi-statiques, de PFM pour la fracture fragile. Il couvre diverses conditions limites, des méthodes de décomposition de l'énergie et des configurations initiales de fissure. Chaque simulation capture l'évolution temporelle du champ de fissure avec 100 pas de temps. Les auteurs implémentent et évaluent plusieurs modèles ML de base, y compris les Réseaux de Neurones Informent par la Physique (PINNs), les Opérateurs Neuronaux de Fourier (FNOs) et les UNets. Ils explorent également l'impact des stratégies d'ensembles sur l'exactitude des prédictions. Les résultats mettent en lumière les promesses et les limites des modèles ML actuels pour la modélisation de la fracture. Alors que les PINNs peinent avec les cas complexes, les UNets et les FNOs produisent des prédictions plus raisonnables. Les méthodes d'ensembles améliorent les performances, mais leur efficacité dépend de la performance des sous-modèles. L'ensemble de données et les modèles de base fournissent un point de référence standardisé pour évaluer les approches ML en mécanique des solides. Les auteurs soulignent l'importance de considérer l'initialisation du modèle, le comportement de convergence et les métriques appropriées pour évaluer les performances. Les travaux futurs pourraient se concentrer sur le développement de architectures ML plus avancées, l'amélioration des stratégies d'entraînement et l'exploration de métriques alternatives pour mieux capturer les complexités de la modélisation de la fracture.