Explorando as potencialidades de redes neurais artificiais na concepção topológica de metamateriais

• Processo: 19/19237-7
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Vigência (Início): 01 de outubro de 2019
• Vigência (Término): 31 de julho de 2023
• Área do conhecimento: Engenharias - Engenharia Mecânica - Mecânica dos Sólidos
• Pesquisador responsável: Renato Pavanello
• Beneficiário: Daniel Candeloro Cunha
• Instituição Sede: Faculdade de Engenharia Mecânica (FEM). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Vinculado ao auxílio: 13/08293-7 - CECC - Centro de Engenharia e Ciências Computacionais, AP.CEPID
• Assunto(s): Otimização topológica Redes neurais (computação) Aprendizado computacional Metamateriais
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | metamateriais | otimização topológica | Redes Neurais Artificiais | Otimização de Estruturas

Resumo

Redes neurais artificiais têm sido aplicadas com sucesso em uma variedade de problemas complexos, com soluções analíticas desconhecidas e resoluções numéricas demasiado onerosas. Esses modelos ainda são pouco explorados no campo da otimização topológica estrutural, no qual há um grande número de variáveis (de centenas de milhares a milhões), funções-objetivo complexas (que dependem de inversas de matrizes de alta ordem) e uma série de restrições intrincadas (como evitar problemas de tabuleiro de xadrez e levar em conta limitações de manufatura). Mesmo para casos simples, nos métodos usuais de otimização, um grande sistema linear deve ser solucionado para cada atualização da topologia. Os métodos mais precisos e robustos demandam uma quantidade elevada de iterações (centenas ao menos) e alguns métodos heurísticos, que demandam menos iterações, podem ser imprecisos e podem até mesmo falhar em fornecer um resultado (quando a matriz do sistema se torna singular durante o processo evolucionário). Assim, propõe-se explorar maneiras de aprimorar a otimização topológica de estruturas usando redes neurais artificiais, as seguintes técnicas serão desenvolvidas e avaliadas: reduzir a dimensão dos problemas identificando conjuntos mínimos de parâmetros que podem definir suficientemente as topologias; obter diretamente topologias quase-ótimas, a partir das quais os métodos usuais poderiam ser usados para concluir a otimização em poucas iterações; prever qual seria a melhor atualização das variáveis para um estado conhecido, seja estimando a resposta do sistema linear e então utilizando um método usual baseado em gradiente, seja atribuindo diretamente ações de atualização da topologia. Primeiramente, serão abordados problemas simples, de minimização da "compliance" média ou da tensão máxima em estruturas estáticas, compostas por material homogêneo, isotrópico e elástico, sob hipóteses de linearidade. Essa exploração inicial permitirá um melhor entendimento do potencial das redes neurais nesse campo. Em seguida, após descartar estratégias ineficazes e refinar as promissoras, elas serão aplicadas na concepção de metamateriais. Estes são materiais projetados para terem propriedades desejadas, como coeficientes de Poisson negativos, coeficientes de expansão térmica elevados e grandes "band gaps". Problemas multifísicos e multiescala gerais serão abordados primeiramente, já que eles são essenciais para a concepção topológica de metamateriais. (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

CUNHA, DANIEL CANDELORO; DE ALMEIDA, BRENO VINCENZO; LOPES, HEITOR NIGRO; PAVANELLO, RENATO. Finite variation sensitivity analysis for discrete topology optimization of continuum structures. STRUCTURAL AND MULTIDISCIPLINARY OPTIMIZATION, v. 64, n. 6, OCT 2021. (13/08293-7, 19/05393-7, 19/19237-7, 20/07391-9)

LOPES, HEITOR NIGRO; CUNHA, DANIEL CANDELORO; PAVANELLO, RENATO; MAHFOUD, JARIR. Numerical and experimental investigation on topology optimization of an elongated dynamic system. MECHANICAL SYSTEMS AND SIGNAL PROCESSING, v. 165, FEB 15 2022. (19/05393-7, 19/19237-7, 13/08293-7)