Caratterizzazione inversa completamente data-driven di materiali eterogenei con hyper-network neural ODEs

Perché imparare da come le cose si deformano è importante

Dalle ali degli aeroplani alle valvole cardiache artificiali, molti materiali importanti non sono omogenei all'interno. Possono nascondere fibre rigide, tasche morbide o gradienti di rigidità che influenzano fortemente il loro comportamento in servizio. Tradizionalmente, gli ingegneri hanno dovuto scegliere un modello matematico per tali materiali e poi regolare pochi parametri affinché le simulazioni al computer corrispondessero ai test di laboratorio. Questo funziona solo quando il materiale è piuttosto semplice e uniforme. Il lavoro qui riassunto propone un approccio nuovo: lasciare che siano i dati a parlare direttamente, usando reti neurali moderne per dedurre come ogni piccola regione di un materiale complesso risponde a trazione, compressione o taglio—senza assumere a priori una formula specifica.

Vedere l'intero quadro invece di singoli puntuali

Gli strumenti esistenti per sondare la rigidità nascosta spesso si basano su test molto locali, come premere una punta affilata in un punto del campione. Sebbene questi metodi risolvano dettagli fini, raramente riproducono le condizioni di carico reali che i materiali subiscono, come grandi deformazioni in diverse direzioni contemporaneamente. Un approccio complementare utilizza tecniche a campo intero come la correlazione digitale delle immagini, che tracciano come migliaia di punti su un provino si muovono durante il carico. Da queste ricche mappe di movimento si può calcolare quanto si deforma ogni regione. La sfida è invertire queste informazioni: date deformazioni e forze al contorno, quale comportamento materiale sottostante le ha generate, specialmente quando quel comportamento varia da un punto all'altro?

Lasciare che equazioni differenziali neurali descrivano il materiale

Gli autori affrontano questo problema inverso rappresentando il comportamento del materiale con una classe speciale di reti neurali note come neural ordinary differential equations. Invece di prescrivere una formula stress-deformazione fissa, addestrano queste reti in modo che l'energia immagazzinata nel materiale, e quindi gli stress prodotti sotto deformazione, emergano direttamente dai dati. Le reti sono progettate in modo da rispettare automaticamente requisiti fisici chiave: non producono stress nello stato non deformato, memorizzano energia non negativa e comportano risposte matematicamente ben poste anche sotto grandi deformazioni. Ciò garantisce che il modello appreso non sia solo un buon adattamento ai dati, ma sia anche coerente con principi meccanici fondamentali.

Dare a ogni punto il proprio modello materiale

Per gestire l'eterogeneità, il metodo aggiunge una seconda rete neurale, chiamata hyper-network, che assegna un insieme unico di parametri materiali a ogni punto del provino. In pratica, questa rete trasforma le coordinate spaziali nelle impostazioni interne dell'equazione differenziale neurale in quella posizione. Combinate, le due reti definiscono un campo continuo di leggi materiali locali su tutto il dominio. L'addestramento è guidato da una funzione di perdita che impone direttamente l'equilibrio meccanico: il campo di stress predetto deve soddisfare l'equilibrio in tutto l'interno e corrispondere alle trazioni conosciute sui confini. Il gradiente di deformazione a campo intero, calcolato dalle misure di spostamento o preso direttamente dalle simulazioni, è interpolato in modo fluido così che le derivate spaziali necessarie per questi controlli possano essere valutate con precisione.

Test su forme sintetiche e campioni stampati reali

Il team convalida il loro framework su un'ampia gamma di esempi generati al computer: lastre bimateriale semplici con inclusioni a forma di P o X, materiali più nonlineari, miscele di regioni isotrope e anisotrope, strutture ad anello con rumore di misura aggiunto e persino schemi di rigidità a variazione liscia tipo “campo gaussiano”. In questi test, il metodo recupera in modo affidabile sia il pattern spaziale della rigidità sia le curve locali stress-deformazione dettagliate, spesso con errori di pochi percenti. Può persino rilevare l'orientamento di rinforzi simili a fibre senza che sia stato specificato in anticipo che il materiale fosse direzionale. Infine, gli autori applicano l'approccio a esperimenti reali su elastomeri stampati in 3D la cui geometria interna imita una cifra scritta a mano. Utilizzando solo misure di deformazione basate su immagini, il loro modello ricostruisce dove si trova l'inclusione più rigida e come rispondono entrambe le fasi sotto trazione, in buon accordo con test separati su campioni uniformi.

Affrontare misure rumorose e limiti pratici

Poiché il metodo si basa su derivate dei campi di spostamento, il rumore di misura può degradarne le prestazioni. Gli autori esplorano questo aspetto in modo sistematico aggiungendo rumore controllato ai dati sintetici. Dimostrano che l'approccio rimane accurato fino a errori di deformazione moderati e che aumentare il numero di esperimenti—ripetendo lo stesso carico più volte o mescolando tipi di carico diversi—aiuta a medi­are il rumore e a rendere più nitida la mappa di materiale recuperata. Confrontano inoltre la loro imposizione in forma forte dell'equilibrio meccanico, che evita la generazione di mesh e l'integrazione numerica, con una versione più tradizionale in forma debole descritta nel materiale supplementare, mostrando che entrambe sono praticabili all'interno dello stesso quadro generale.

Cosa significa per i materiali del mondo reale

In termini semplici, questo lavoro offre un modo per trasformare immagini ricche di come un oggetto complesso si deforma in una mappa dettagliata di quanto è rigido o morbido ogni punto al suo interno e di come reagisce a diversi tipi di carico. Invece di ipotizzare un piccolo insieme di parametri materiali a priori, il metodo apprende un intero campo di comportamenti locali che rispettano le leggi della meccanica per progetto. Questo apre la strada a gemelli digitali più fedeli di strutture composite, materiali architettati e tessuti biologici, dove le variazioni interne sono determinanti. Con ulteriori sviluppi e una gestione accurata del rumore sperimentale, questa caratterizzazione guidata dai dati potrebbe diventare un potente complemento ai test tradizionali, aiutando ingegneri e scienziati a progettare, diagnosticare e ottimizzare materiali eterogenei basandosi direttamente su come si muovono sotto carico.

Citazione: 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

Parole chiave: materiali guidati dai dati, mappatura dell'elasticità eterogenea, modellazione costitutiva neurale, correlazione digitale delle immagini, meccanica inversa