Caractérisation inverse entièrement guidée par les données des matériaux hétérogènes avec des ODE neuronales à hyper-réseau

Pourquoi apprendre de la façon dont les choses s’étirent importe

Des ailes d’avion aux valves cardiaques artificielles, de nombreux matériaux cruciaux ne sont pas uniformes en leur intérieur. Ils peuvent dissimuler des fibres rigides, des zones molles ou des gradients progressifs de résistance qui influencent fortement leur comportement en service. Traditionnellement, les ingénieurs devaient supposer un modèle mathématique pour de tels matériaux puis ajuster quelques paramètres pour que les simulations numériques correspondent aux essais en laboratoire. Cela ne fonctionne que lorsque le matériau est relativement simple et homogène. L’article résumé ici propose une nouvelle voie : laisser parler les données directement, en utilisant des réseaux neuronaux modernes pour inférer comment chaque petite région d’un matériau complexe réagit à l’étirement, à la compression ou au cisaillement — sans présupposer une formule particulière au préalable.

Voir l’ensemble plutôt que des points isolés

Les outils existants pour sonder la raideur cachée reposent souvent sur des tests très locaux, comme enfoncer une pointe acérée en un seul point d’un échantillon. Bien que ces méthodes puissent révéler des détails fins, elles imitent rarement les conditions de chargement réelles que subissent les matériaux, comme de grands étirements multiphasés. Une approche complémentaire utilise des techniques champ-plein telles que la corrélation d’images numériques, qui suivent le déplacement de milliers de points d’un échantillon lors du chargement. À partir de ces riches cartes de mouvement, on peut calculer l’amplitude de la déformation de chaque région. Le défi est d’inverser cette information : étant donné les déformations et les forces aux frontières, quel comportement matériel sous-jacent les a produites, surtout lorsque ce comportement varie d’un endroit à l’autre ?

Laisser des équations différentielles neuronales décrire le matériau

Les auteurs traitent ce problème inverse en représentant le comportement du matériau par une classe particulière de réseaux neuronaux connue sous le nom d’équations différentielles ordinaires neuronales. Plutôt que de prescrire une formule contrainte–déformation fixe, ils entraînent ces réseaux de sorte que l’énergie stockée dans le matériau, et donc les contraintes qu’il produit sous déformation, émergent directement des données. Ces réseaux sont conçus pour respecter automatiquement des exigences physiques clés : ils ne produisent aucune contrainte en l’état non déformé, stockent une énergie non négative et conduisent à des réponses mathématiquement bien conditionnées sous grandes déformations. Cela garantit que le modèle appris n’est pas seulement un bon ajustement aux données, mais est aussi cohérent avec les principes mécaniques de base.

Donner à chaque point son propre modèle matériel

Pour gérer l’hétérogénéité, la méthode ajoute un second réseau neuronal, appelé hyper-réseau, qui attribue un jeu unique de paramètres matériels à chaque point de l’échantillon. En pratique, ce réseau convertit les coordonnées spatiales en réglages internes de l’équation différentielle neuronale à cet emplacement. Combinés, les deux réseaux définissent un champ continu de lois matérielles locales sur tout le domaine. L’apprentissage est piloté par une fonction de perte qui fait directement respecter l’équilibre mécanique : le champ de contraintes prédit doit satisfaire l’équilibre à l’intérieur et correspondre aux tractions connues sur les frontières. Le gradient de déformation champ-plein, soit calculé à partir des déplacements mesurés soit pris directement des simulations, est interpolé de façon lisse pour que les dérivées spatiales nécessaires à ces contrôles puissent être évaluées avec précision.

Tests sur formes synthétiques et échantillons imprimés réels

L’équipe valide leur cadre sur une large gamme d’exemples générés par ordinateur : plaques biphasées simples avec inclusions en P ou en X, matériaux plus non linéaires, mélanges de régions isotropes et anisotropes, structures annulaires avec bruit de mesure ajouté, et même des motifs de raideur variant de façon lisse selon un « champ gaussien ». Dans ces tests, la méthode retrouve de manière fiable à la fois le motif spatial de raideur et les courbes locales contrainte–déformation détaillées, souvent avec seulement quelques pourcents d’erreur. Elle peut même détecter l’orientation d’un renfort de type fibre sans être informée a priori de la directionnalité du matériau. Enfin, les auteurs appliquent l’approche à des expériences réelles sur des élastomères imprimés en 3D dont la géométrie interne imite un chiffre manuscrit. À partir de mesures de déformation basées sur l’image seulement, leur modèle reconstruit l’emplacement de l’inclusion la plus rigide et la réponse des deux phases à l’étirement, en bon accord avec des essais séparés sur des échantillons uniformes.

Gérer le bruit de mesure et les limites pratiques

Parce que la méthode s’appuie sur des dérivées des champs de déplacement, le bruit de mesure peut dégrader ses performances. Les auteurs étudient cela de façon systématique en ajoutant un bruit contrôlé aux données synthétiques. Ils constatent que l’approche reste précise jusqu’à des erreurs de déformation modérées, et que l’augmentation du nombre d’expériences — soit en répétant un même chargement plusieurs fois, soit en mélangeant différents types de chargement — aide à moyenniser le bruit et à affiner la carte de matériau récupérée. Ils comparent aussi leur application forte de l’équilibre mécanique, qui évite la génération de maillage et l’intégration numérique, à une version plus traditionnelle en forme faible décrite dans le supplément, montrant que les deux sont réalisables dans le même cadre général.

Ce que cela signifie pour les matériaux réels

En termes simples, ce travail offre une façon de transformer des images riches de la déformation d’un objet complexe en une carte détaillée de la raideur de chaque point intérieur, et de son comportement sous différents modes de chargement. Plutôt que de deviner un petit ensemble de paramètres matériels à l’avance, la méthode apprend un champ complet de comportements locaux qui respectent par conception les lois de la mécanique. Cela ouvre la porte à des jumeaux numériques plus fidèles de structures composites, de matériaux architecturés et de tissus biologiques, où les variations internes comptent fortement. Avec des développements supplémentaires et une gestion attentive du bruit expérimental, une telle caractérisation guidée par les données pourrait devenir un complément puissant aux essais traditionnels, aidant ingénieurs et scientifiques à concevoir, diagnostiquer et optimiser des matériaux hétérogènes en se basant directement sur leur réponse au chargement.

Citation: 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

Mots-clés: matériaux guidés par les données, cartographie de raideur hétérogène, modélisation constitutive neuronale, corrélation d’images numériques, mécanique inverse