/ Proyectos / Industria / Redes neuronales informadas por física
Redes neuronales informadas por física para deformación termoelástica: validación con perfilometría de franjas
Cómo diseñar un experimento de validación que no sea circular, cuando los datos de entrenamiento y el término de física vienen de la misma ecuación que se quiere poner a prueba.
El objetivo era construir un modelo sustituto (surrogate) que predijera el desplazamiento máximo fuera de plano de una placa metálica sometida a carga térmica, sin depender de simulaciones de elemento finito (FEM) como fuente de datos de entrenamiento. La ecuación cerrada de la teoría de placas de Kirchhoff-Love ofrece esa solución analítica, y una red informada por física (PINN) puede aprender a partir de ella sin necesitar datos experimentales etiquetados.
El reto real no era entrenar el modelo, era validarlo sin hacer trampa. Los datos de entrenamiento y el término de física en la función de pérdida vienen de la misma ecuación, así que cualquier "buen resultado" contra ese modelo analítico es, hasta cierto punto, esperado por diseño. La pregunta que este proyecto tuvo que responder con honestidad fue: ¿de dónde viene realmente la ventaja del PINN, y contra qué se debe comparar para que esa evidencia signifique algo?
Mapa del casoContenido
- Diagrama de la solución. Los bloques del pipeline, del modelo analítico a la validación experimental
- Construcción de la solución. Por qué diseñar la validación fue más difícil que entrenar el modelo
- Condiciones del proyecto. Restricciones reales y opciones descartadas antes de construir
- Pasos. Las decisiones que evitaron una validación circular
- Proceso de iteración. Dónde el modelo se queda corto, documentado con honestidad
- Descargables. Notebook y repositorio del proyecto
- Lecciones importantes. La lección concreta que deja este caso
Estructura de alto nivelDiagrama de la solución
Pasa el cursor sobre cada bloque para ver qué hace ese paso.
El bloque de "chequeo de circularidad" no es un paso opcional, es la razón por la que este proyecto se puede llamar una validación real y no solo una demostración de que el modelo aprendió su propia ecuación de origen.
Cómo se construyóConstrucción de la solución
La relación física central
El desplazamiento máximo se obtiene de la teoría de placas, con un factor de condición de frontera \(\kappa\) calibrado experimentalmente:
\[ w_{max} = \kappa \frac{M_T L^2}{D}, \qquad D = \frac{E t^3}{12(1-\nu^2)}, \qquad M_T = \frac{E\,\alpha\,\Delta T\,t}{2(1-\nu)} \]
El análisis dimensional de esa expresión revela la relación de escalamiento dominante, usada como feature explícita del modelo:
\[ w_{max} \sim \frac{\alpha\,\Delta T\,L^2}{t} \]
Condiciones del proyecto
| Restricción | Dato |
|---|---|
| Datos experimentales disponibles | Solo 3 mediciones FPP (un especimen, tres estados térmicos), insuficientes para entrenar cualquier modelo directamente |
| Origen de los datos de entrenamiento | Generados analíticamente, no por FEM ni por experimento, para no depender de licencias de software comercial |
| Riesgo metodológico central | El término de física de la función de pérdida y los datos de entrenamiento provienen de la misma ecuación |
| Alcance real de la medición óptica | Solo el desplazamiento pico por estado térmico se conservó de la campaña de adquisición, no el campo completo |
| Opción | Por qué se descartó |
|---|---|
| Generar el dataset de entrenamiento con simulaciones FEM, como hace buena parte de la literatura | Exige geometrías detalladas, licencias comerciales y cómputo significativo; el modelo analítico cerrado ofrece la misma información física a costo cero |
| Reportar el desempeño del PINN solo contra el modelo analítico calibrado | Es circular: ambos comparten el mismo origen físico, así que un buen resultado ahí no demuestra que la red aprendió algo más allá de reproducir su ancla |
| Presentar el perfil de deflexión escalado por el pico medido como una validación de campo completo | Es matemáticamente equivalente al error del pico escalar, no una comparación de campo independiente; los datos de campo digitalizados no se conservaron |
| Comparar contra un MLP sin física de tamaño equivalente + análisis contrafactual de calibración + validación externa explícitamente marcada como parcial en su alcance | Aísla la contribución real de la física, confirma que los puntos de validación son genuinamente independientes, y no exagera lo que la medición óptica realmente cubrió |
Pasos
Elegir la fuente de datos de entrenamiento con criterio, no por costumbre
Generar el dataset sintético corriendo simulaciones FEM variando parámetros es un enfoque común en la literatura de surrogates. Criterio aplicado: usar la solución cerrada de la ecuación de placa de Kirchhoff-Love, calibrando el factor de condición de frontera κ con una sola medición óptica, eliminando por completo la necesidad de FEM como fuente de datos.
Aislar la contribución real de la física, no solo de la capacidad de la red
Comparar el PINN solo contra los baselines clásicos (Ridge, Random Forest, Gradient Boosting, SVR) hubiera bastado para "demostrar" que gana. Criterio aplicado: agregar un MLP sin física, con presupuesto de parámetros comparable a la rama de datos del PINN, evaluado en 5 semillas aleatorias, para atribuir estadísticamente la ganancia (RMSE 2.90 ± 0.26 µm frente a 10.27 ± 3.08 µm del MLP, separación de 2.4σ) a la arquitectura informada por física.
Diseñar la validación externa para que no fuera circular
Reportar el error del PINN contra las 3 mediciones ópticas como evidencia de "validación experimental exitosa", sin más, hubiera sido insuficiente. Criterio aplicado: reconocer explícitamente que el estado usado para calibrar κ no cuenta como validación independiente, y correr un análisis contrafactual recalculando κ desde cada uno de los otros estados térmicos, confirmando que las predicciones cambian de forma sustancial según qué punto se hubiera usado para calibrar.
No exagerar el alcance de la validación experimental
Era tentador presentar el perfil de deflexión, calculado a partir del modo fundamental de la teoría de placas y escalado por el pico medido, como una validación de campo completo. Criterio aplicado: declarar explícitamente en el texto que esa métrica es matemáticamente equivalente al error del pico escalar, porque los datos de campo digitalizados no se conservaron de la campaña de adquisición original, no una comparación de campo independiente.
Proceso de iteración
Ajuste documentado, no forzado
El PINN acertó con 0.9% de error frente a la medición óptica en los dos estados térmicos más bajos, pero ese error subió a 18.2% en el estado más alto (ΔT = 172 K), un patrón que también mostró el FEM comercial (6.0%, 12.9% y 23.4% respectivamente, sin un estudio de convergencia de malla documentado). Se descartó la no linealidad geométrica como causa, confirmado con el criterio de von Kármán (w/t muy por debajo del umbral 0.3), y el análisis del número de Biot descartó gradientes térmicos internos significativos. La causa más probable, documentada así en vez de ocultarla, es el ablandamiento del módulo elástico dependiente de la temperatura y una posible falta de uniformidad térmica en el plano que la instrumentación de un solo termopar no puede separar del todo. Esa limitación se hereda del modelo analítico de propiedades constantes usado para generar los datos, no es una falla de la arquitectura de red.
CierreLecciones importantes
Cuando un modelo se entrena con datos generados por una ecuación física, y esa misma ecuación forma parte de su función de pérdida, comparar su desempeño solo contra esa ecuación no prueba gran cosa. La comparación que realmente aporta evidencia es contra un modelo sin ese sesgo (un MLP libre de física del mismo tamaño) y contra mediciones experimentales genuinamente independientes de la calibración, confirmadas con un análisis contrafactual.
La segunda lección es de honestidad con el alcance de una medición. Una técnica óptica de campo completo puede terminar reportando solo un valor escalar si eso es lo único que se conservó de la campaña de adquisición, y decirlo con esas palabras exactas, en vez de dejar que el lector asuma más de lo que hay, es parte del rigor científico tanto como cualquier ecuación.
Si quieres profundizar en el estado del arte de este enfoque, este survey es una excelente puerta de entrada al campo de redes neuronales informadas por física: Scientific Machine Learning Through Physics-Informed Neural Networks: Where We Are and What's Next.
Termina ya tu proyecto
¿Tienes un proyecto similar y no sabes por dónde empezar? Yo te ayudo a diseñarlo.
El 92% de los profesionales de datos desbloquea sus proyectos al ver ejemplos completos resueltos.
Sin registro. Acceso inmediato