Volledig datagedreven inverse karakterisering van heterogene materialen met hyper-netwerk neural ODEs

Waarom leren van hoe dingen rekken ertoe doet

Van vleugels van vliegtuigen tot kunstmatige hartkleppen: veel belangrijke materialen zijn inwendig niet uniform. Ze kunnen stijve vezels verbergen, zachte holtes of vloeiende gradaties in sterkte die sterk bepalen hoe ze zich gedragen in gebruik. Traditioneel moesten ingenieurs een wiskundig model voor zulke materialen veronderstellen en vervolgens een paar parameters bijstellen zodat computersimulaties bij laboratoriumtesten zouden passen. Dat werkt alleen wanneer het materiaal redelijk eenvoudig en uniform is. Het hier samengevatte artikel introduceert een nieuwe aanpak: het laat de data direct spreken en gebruikt moderne neurale netwerken om af te leiden hoe elk klein gebied van een complex materiaal reageert op rekken, samendrukken of schuiven—zonder van tevoren een specifiek formule aan te nemen.

Het hele beeld zien in plaats van enkele prikken

Bestaande instrumenten om verborgen stijfheid te onderzoeken vertrouwen vaak op zeer lokale testen, zoals het indrukken met een scherpe punt op één plek van een monster. Hoewel deze methoden kleine details kunnen onthullen, bootsen ze zelden de echte belastingsomstandigheden na die materialen ervaren, zoals grote rekken in meerdere richtingen tegelijk. Een aanvullende benadering gebruikt full-field technieken zoals digitale beeldcorrelatie, die bijhouden hoe duizenden punten op een proefstuk bewegen terwijl het belast wordt. Uit deze rijke bewegingskaarten kan men bepalen hoeveel elk gebied vervormt. De uitdaging is deze informatie te inverteren: gegeven vervormingen en randkrachten, welk onderliggend materiaalgedrag heeft ze veroorzaakt, vooral wanneer dat gedrag van plek tot plek varieert?

Neurale differentiaalvergelijkingen het materiaal laten beschrijven

De auteurs pakken dit inverse probleem aan door het gedrag van het materiaal te representeren met een speciale klasse neurale netwerken, bekend als neurale gewone differentiaalvergelijkingen (neural ODEs). In plaats van een vaste spannings–rek formule voor te schrijven, trainen ze deze netwerken zodat de in het materiaal opgeslagen energie, en daarmee de spanningen die het onder vervorming produceert, rechtstreeks uit data voortkomen. Deze netwerken zijn ontworpen zodat ze automatisch aan belangrijke fysieke eisen voldoen: ze produceren geen spanning in een onvervormde toestand, slaan niet-negatieve energie op en leiden tot wiskundig goed gedrag bij grote vervormingen. Dit zorgt ervoor dat het geleerde model niet alleen goed bij de data past, maar ook consistent is met basisprincipes van de mechanica.

Elk punt zijn eigen materiaalmodel geven

Om heterogeniteit te behandelen voegt de methode een tweede neurale netwerk toe, een hyper-netwerk genoemd, dat voor elk punt in het proefstuk een unieke set materiaalsparameters toewijst. Effectief zet dit netwerk ruimtelijke coördinaten om in de interne instellingen van de neurale differentiaalvergelijking op die locatie. Wanneer beide netwerken worden gecombineerd, definiëren ze een continu veld van lokale materiaalswetten over het gehele domein. De training wordt gestuurd door een verliesfunctie die mechanische balans direct afdwingt: het voorspelde spanningsveld moet in het interieur in evenwicht zijn en overeenkomen met de bekende belastingen op de randen. De full-field vervormingsgradiënt, ofwel berekend uit gemeten verplaatsingen of rechtstreeks afkomstig uit simulaties, wordt vloeiend geïnterpoleerd zodat de ruimtelijke afgeleiden die voor deze controles nodig zijn nauwkeurig geëvalueerd kunnen worden.

Testen op synthetische vormen en echte geprinte monsters

Het team valideert hun raamwerk op een breed scala aan computergegenereerde voorbeelden: eenvoudige tweefasenplaten met P- of X-vormige insluitsels, meer niet-lineaire materialen, mengsels van isotrope en anisotrope regio’s, ringvormige structuren met toegevoegde meetruis en zelfs vloeiend variërende “Gaussische velden” van stijfheid. In deze tests herstelt de methode betrouwbaar zowel het ruimtelijke stijfheidspatroon als de gedetailleerde lokale spannings–rekcurven, vaak met slechts enkele procenten fout. Het kan zelfs de oriëntatie van vezelachtige versterking detecteren zonder van tevoren te weten dat het materiaal directioneel is. Ten slotte passen de auteurs de aanpak toe op echte experimenten met 3D-geprinte elastomeren waarvan de interne geometrie een handgeschreven cijfer nabootst. Met alleen beeldgebaseerde vervormingsmetingen reconstrueert hun model waar de stijvere insluiting ligt en hoe beide fasen reageren onder rek, in goede overeenstemming met afzonderlijke testen op uniforme monsters.

Omgaan met ruizige metingen en praktische grenzen

Aangezien de methode afhankelijk is van afgeleiden van verplaatsingsvelden, kan ruis in de metingen de prestaties aantasten. De auteurs onderzoeken dit systematisch door gecontroleerde ruis toe te voegen aan synthetische data. Ze vinden dat de aanpak nauwkeurig blijft tot matige foutniveaus in de rek, en dat het verhogen van het aantal experimenten—hetzij door dezelfde belasting meerdere keren te herhalen, hetzij door verschillende belastingsvormen te combineren—helpt de ruis uit te middelen en de herstelde materiaalkaart te verscherpen. Ze vergelijken ook hun strong-form afdwinging van mechanische balans, die meshniveau en numerieke integratie vermijdt, met een meer traditionele weak-form versie beschreven in het supplementaire materiaal, en tonen aan dat beide haalbaar zijn binnen hetzelfde algemene raamwerk.

Wat dit betekent voor materialen in de echte wereld

In eenvoudige bewoordingen biedt dit werk een manier om rijke beelden van hoe een complex object vervormt om te zetten in een gedetailleerde kaart van hoe stijf of zacht elk punt erin is, en hoe het reageert op verschillende belastingen. In plaats van van tevoren een kleine set materiaalsparameters te raden, leert de methode een volledig veld van lokale gedragingen dat de wetten van de mechanica van meet af aan volgt. Dit opent de deur naar trouwere digitale tweelingen van composietstructuren, architectonische materialen en biologische weefsels, waar interne variaties sterk van belang zijn. Met verdere ontwikkeling en zorgvuldige omgang met experimentele ruis kan dergelijke datagedreven karakterisering een krachtig complement worden van traditionele tests, die ingenieurs en wetenschappers helpt heterogene materialen te ontwerpen, diagnosticeren en optimaliseren op basis van hoe ze zich onder belasting bewegen.

Bronvermelding: 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

Trefwoorden: datagedreven materialen, heterogene stijfheidsmapping, neurale constitutieve modellering, digitale beeldcorrelatie, inverse mechanica