Vollständig datengetriebene inverse Charakterisierung heterogener Materialien mit Hypernetzwerk-Neural-ODEs

Warum es wichtig ist, daraus zu lernen, wie Dinge sich dehnen

Von Flugzeugflügeln bis zu künstlichen Herzklappen sind viele wichtige Materialien innerlich nicht homogen. Sie können steife Fasern, weiche Hohlräume oder sanfte Gradienten in der Festigkeit verbergen, die ihr Verhalten im Einsatz stark beeinflussen. Traditionell mussten Ingenieure ein mathematisches Modell für solche Materialien annehmen und dann einige Parameter so anpassen, dass Simulationen Labortests entsprechen. Das funktioniert nur, wenn das Material relativ einfach und einheitlich ist. Die hier zusammengefasste Arbeit führt einen neuen Ansatz ein: Sie lässt die Daten direkt sprechen und nutzt moderne neuronale Netze, um zu erschließen, wie jede kleine Region eines komplexen Materials auf Dehnung, Kompression oder Scherung reagiert — ohne zuvor eine spezifische Formel vorauszusetzen.

Das ganze Bild sehen statt einzelner Sticheleien

Bestehende Werkzeuge zur Erkundung verborgener Steifigkeiten beruhen oft auf sehr lokalen Tests, etwa das Eindrücken einer spitzen Sonde an einer Stelle einer Probe. Zwar können diese Methoden feine Details auflösen, sie ahmen jedoch selten die realen Belastungszustände nach, denen Materialien ausgesetzt sind — etwa große Dehnungen in mehreren Richtungen gleichzeitig. Ein ergänzender Ansatz nutzt vollflächige Techniken wie die digitale Bildkorrelation, die verfolgen, wie sich Tausende Punkte auf einer Probe unter Last bewegen. Aus diesen umfangreichen Bewegungsfeldern lässt sich berechnen, wie stark sich jede Region verformt. Die Herausforderung besteht darin, diese Informationen zu invertieren: Welche zugrunde liegende Materialantwort hat, gegeben Deformationen und Randkräfte, diese Zustände erzeugt — insbesondere wenn das Verhalten von Ort zu Ort variiert?

Neurale Differentialgleichungen das Material beschreiben lassen

Die Autoren gehen dieses inverse Problem an, indem sie das Materialverhalten mit einer speziellen Klasse neuronaler Netze darstellen, den neuronalen gewöhnlichen Differentialgleichungen (neural ODEs). Anstatt eine feste Spannungs-Dehnungs-Beziehung vorzugeben, trainieren sie diese Netze so, dass die in dem Material gespeicherte Energie und damit die bei Deformation entstehenden Spannungen direkt aus den Daten entstehen. Die Netze sind so konstruiert, dass sie automatisch zentrale physikalische Forderungen erfüllen: Sie erzeugen keine Spannung im unverformten Zustand, speichern nicht-negative Energie und liefern mathematisch wohldefinierte Antworten bei großen Dehnungen. Das stellt sicher, dass das gelernte Modell nicht nur gut zu den Daten passt, sondern auch mit grundlegenden mechanischen Prinzipien konsistent ist.

Jeder Stelle ihr eigenes Materialmodell geben

Um Heterogenität zu handhaben, ergänzt die Methode ein zweites neuronales Netz, ein sogenanntes Hypernetzwerk, das jedem Punkt innerhalb der Probe einen eindeutigen Satz von Materialparametern zuweist. Effektiv verwandelt dieses Netzwerk räumliche Koordinaten in die internen Einstellungen der neuronalen Differentialgleichung an diesem Ort. Kombiniert definieren die beiden Netze ein stetiges Feld lokaler Materialgesetze über das gesamte Gebiet. Das Training wird von einer Verlustfunktion gesteuert, die die mechanische Bilanz direkt durchsetzt: Das vorhergesagte Spannungsfeld muss im Inneren Gleichgewicht erfüllen und an den Rändern den bekannten Traktionen entsprechen. Der vollflächige Deformationsgradient, entweder aus gemessenen Verschiebungen berechnet oder direkt aus Simulationen entnommen, wird glatt interpoliert, sodass die für diese Prüfungen benötigten räumlichen Ableitungen genau ausgewertet werden können.

Tests an synthetischen Formen und realen gedruckten Proben

Das Team validiert sein Framework an einer großen Bandbreite computergenerierter Beispiele: einfache Zwei-Phasen-Platten mit P- oder X-förmigen Einschlüsse, stärker nichtlineare Materialien, Mischungen aus isotropen und anisotropen Regionen, ringförmige Strukturen mit hinzugefügtem Messrauschen und sogar glatt variierende „Gaussian-Field“-Steifigkeitsmuster. In diesen Tests rekonstruiert die Methode zuverlässig sowohl das räumliche Muster der Steifigkeit als auch die detaillierten lokalen Spannungs-Dehnungs-Kurven, oft mit nur wenigen Prozent Fehler. Sie kann sogar die Orientierung faserartiger Verstärkungen erkennen, ohne vorher zu wissen, dass das Material eine Richtungsvorliebe besitzt. Schließlich wenden die Autoren den Ansatz auf reale Experimente an mit 3D-gedruckten Elastomeren, deren innere Geometrie eine handschriftliche Ziffer nachbildet. Allein anhand bildbasierter Deformationsmessungen rekonstruiert ihr Modell, wo sich die steifere Einschlüsse befindet und wie sich beide Phasen beim Dehnen verhalten, in gutem Einklang mit separaten Tests an homogenen Proben.

Umgang mit verrauschten Messungen und praktischen Grenzen

Da die Methode auf Ableitungen von Verschiebungsfeldern beruht, kann Messrauschen ihre Leistung beeinträchtigen. Die Autoren untersuchen dies systematisch, indem sie gesteuertes Rauschen zu synthetischen Daten hinzufügen. Sie zeigen, dass der Ansatz bis zu moderaten Fehlern in der Dehnung genau bleibt und dass eine Erhöhung der Anzahl an Experimenten — entweder durch Wiederholung derselben Belastung oder durch Kombination verschiedener Belastungstypen — hilft, Rauschen zu mitteln und die rekonstruierte Materialkarte zu schärfen. Sie vergleichen außerdem ihre starke Form der Durchsetzung mechanischer Bilanz, die die Netzgenerierung und numerische Integration vermeidet, mit einer traditionelleren schwachen Form, die im Supplement beschrieben ist, und zeigen, dass beide innerhalb desselben allgemeinen Rahmens praktikabel sind.

Was das für reale Materialien bedeutet

Einfach gesagt bietet diese Arbeit einen Weg, aus reichhaltigen Bildern darüber, wie sich ein komplexer Körper verformt, eine detaillierte Karte zu erstellen, wie steif oder weich jeder Punkt in seinem Inneren ist und wie er auf unterschiedliche Belastungen reagiert. Anstatt im Voraus eine kleine Anzahl Materialparameter zu vermuten, lernt die Methode ein gesamtes Feld lokaler Verhaltensweisen, die von vornherein den mechanischen Gesetzen gehorchen. Das eröffnet die Möglichkeit für realitätsnähere digitale Zwillinge von Verbundstrukturen, architected materials und biologischen Geweben, bei denen interne Variationen stark ins Gewicht fallen. Mit weiterer Entwicklung und sorgfältigem Umgang mit experimentellem Rauschen könnte eine solche datengetriebene Charakterisierung zu einem leistungsfähigen Begleiter traditioneller Prüfungen werden und Ingenieuren sowie Wissenschaftlern helfen, heterogene Materialien auf Grundlage ihres Verhaltens unter Last zu entwerfen, zu diagnostizieren und zu optimieren.

Zitation: Taç, V., Amiri-Hezaveh, A., Bechtel, G.N. et al. Fully data-driven inverse characterization of heterogeneous materials with hyper-network neural ODEs. npj Comput Mater 12, 165 (2026). https://doi.org/10.1038/s41524-026-02027-8

Schlüsselwörter: datengetriebene Materialien, heterogene Steifigkeitskartierung, neuronale konstitutive Modellierung, digitale Bildkorrelation, inverse Mechanik