Caracterización inversa totalmente basada en datos de materiales heterogéneos con redes neuronales ODE hipernet

Por qué importa aprender de cómo se estiran las cosas

Desde alas de aeronaves hasta válvulas cardíacas artificiales, muchos materiales importantes no son homogéneos en su interior. Pueden ocultar fibras rígidas, bolsas blandas o gradientes suaves de resistencia que influyen fuertemente en su comportamiento en uso. Tradicionalmente, los ingenieros han tenido que proponer un modelo matemático para tales materiales y luego ajustar algunos parámetros para que las simulaciones por ordenador coincidan con ensayos de laboratorio. Esto funciona solo cuando el material es bastante simple y uniforme. El artículo resumido aquí introduce una vía nueva: dejar que los datos hablen directamente, usando redes neuronales modernas para inferir cómo responde cada pequeña región de un material complejo al estiramiento, compresión o cizallamiento, sin asumir de antemano una fórmula concreta.

Ver el panorama completo en lugar de sondas aisladas

Las herramientas existentes para sondear la rigidez oculta a menudo se basan en ensayos muy locales, como presionar una punta afilada en un punto de la muestra. Aunque estos métodos pueden resolver pequeños detalles, rara vez reproducen las condiciones de carga reales que experimentan los materiales, como grandes estiramientos en varias direcciones a la vez. Un enfoque complementario utiliza técnicas de campo completo como la correlación digital de imágenes, que siguen cómo se mueven miles de puntos en una probeta mientras se carga. A partir de estos ricos mapas de movimiento se puede calcular cuánto se deforma cada región. El desafío es invertir esta información: dadas deformaciones y fuerzas en los bordes, ¿qué comportamiento material subyacente las produjo, especialmente cuando ese comportamiento varía de un lugar a otro?

Permitir que las ecuaciones diferenciales neuronales describan el material

Los autores abordan este problema inverso representando el comportamiento del material con una clase especial de redes neuronales conocidas como ecuaciones diferenciales ordinarias neuronales. En lugar de prescribir una fórmula fija tensión–deformación, entrenan estas redes de modo que la energía almacenada en el material, y por tanto las tensiones que produce bajo deformación, emerjan directamente de los datos. Estas redes están diseñadas para obedecer automáticamente requisitos físicos clave: no generan tensión en el estado no deformado, almacenan energía no negativa y conducen a respuestas matemáticamente bien comportadas bajo grandes deformaciones. Esto asegura que el modelo aprendido no solo ajuste bien los datos, sino que también sea consistente con principios mecánicos básicos.

Dar a cada punto su propio modelo material

Para manejar la heterogeneidad, el método añade una segunda red neuronal, llamada hiper-red, que asigna un conjunto único de parámetros materiales a cada punto dentro de la muestra. En efecto, esta red transforma las coordenadas espaciales en los ajustes internos de la ecuación diferencial neuronal en esa ubicación. Combinadas, las dos redes definen un campo continuo de leyes materiales locales sobre todo el dominio. El entrenamiento se impulsa mediante una función de pérdida que aplica directamente el equilibrio mecánico: el campo de tensiones predicho debe satisfacer la ecuación de equilibrio en el interior y coincidir con las tracciones conocidas en los bordes. El gradiente de deformación de campo completo, ya sea calculado a partir de desplazamientos medidos o tomado directamente de simulaciones, se interpola suavemente para que las derivadas espaciales necesarias para estas comprobaciones puedan evaluarse con precisión.

Pruebas en formas sintéticas y muestras impresas reales

El equipo valida su marco en una amplia gama de ejemplos generados por ordenador: placas simples de dos fases con inclusiones en forma de P o X, materiales más no lineales, mezclas de regiones isotrópicas y anisótropas, estructuras anulares con ruido de medida añadido e incluso patrones de rigidez que varían suavemente según un “campo gaussiano”. En estas pruebas, el método recupera con fiabilidad tanto el patrón espacial de rigidez como las curvas locales tensión–deformación detalladas, a menudo con solo unos pocos por ciento de error. Incluso puede detectar la orientación de refuerzos tipo fibra sin que se le indique de antemano que el material es direccional. Finalmente, los autores aplican el enfoque a experimentos reales sobre elastómeros impresos en 3D cuya geometría interna imita un dígito escrito a mano. Usando únicamente mediciones de deformación basadas en imágenes, su modelo reconstruye dónde se encuentra la inclusión más rígida y cómo responden ambas fases al estiramiento, en buen acuerdo con ensayos separados en muestras uniformes.

Tratar con mediciones ruidosas y límites prácticos

Como el método se basa en derivadas de campos de desplazamiento, el ruido de medida puede degradar su rendimiento. Los autores exploran esto de forma sistemática añadiendo ruido controlado a datos sintéticos. Encuentran que el enfoque se mantiene preciso hasta errores de deformación moderados, y que aumentar el número de experimentos—ya sea repitiendo la misma carga varias veces o mezclando distintos tipos de carga—ayuda a promediar el ruido y afinar el mapa de material recuperado. También comparan su imposición en forma fuerte del equilibrio mecánico, que evita la generación de mallas e integración numérica, con una versión más tradicional en forma débil descrita en el material suplementario, y muestran que ambas son factibles dentro del mismo marco general.

Qué significa esto para materiales del mundo real

En términos simples, este trabajo ofrece una forma de convertir imágenes detalladas de cómo se deforma un objeto complejo en un mapa pormenorizado de cuán rígido o blando es cada punto en su interior y cómo reacciona al ser cargado de distintas maneras. En lugar de adivinar un pequeño conjunto de parámetros materiales desde el principio, el método aprende todo un campo de comportamientos locales que obedecen las leyes de la mecánica por diseño. Esto abre la puerta a réplicas digitales más fieles de estructuras compuestas, materiales arquitecturados y tejidos biológicos, donde las variaciones internas importan mucho. Con más desarrollo y un manejo cuidadoso del ruido experimental, esta caracterización basada en datos podría convertirse en una poderosa compañera de las pruebas tradicionales, ayudando a ingenieros y científicos a diseñar, diagnosticar y optimizar materiales heterogéneos directamente a partir de cómo se mueven bajo carga.

Cita: 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

Palabras clave: materiales basados en datos, mapeo de rigidez heterogénea, modelado constitutivo neuronal, correlación digital de imágenes, mecánica inversa