W pełni zorientowana na dane odwrotna charakterystyka materiałów niejednorodnych za pomocą hiper-sieciowych neuronowych ODE

Dlaczego ważne jest uczenie się na podstawie tego, jak coś się rozciąga

Od skrzydeł samolotów po sztuczne zastawki serca — wiele istotnych materiałów nie jest jednorodnych wewnętrznie. Mogą ukrywać sztywne włókna, miękkie kieszenie lub gładkie gradienty wytrzymałości, które silnie wpływają na ich zachowanie w użyciu. Tradycyjnie inżynierowie musieli zakładać matematyczny model takich materiałów i dostrajać kilka parametrów, aby symulacje komputerowe zgadzały się z testami laboratoryjnymi. To działa tylko wtedy, gdy materiał jest stosunkowo prosty i jednorodny. Artykuł streszczony tutaj przedstawia nowe podejście: pozwala, by dane mówiły same za siebie, wykorzystując nowoczesne sieci neuronowe do wnioskowania, jak każda drobna część złożonego materiału reaguje na rozciąganie, ściskanie czy ścinanie — bez uprzedniego zakładania określonego wzoru.

Widzenie pełnego obrazu zamiast pojedynczych sond

Istniejące narzędzia do badania ukrytej sztywności często polegają na bardzo lokalnych testach, jak wciskanie ostrej końcówki w jeden punkt próbki. Choć metody te potrafią ujawnić drobne szczegóły, rzadko odzwierciedlają rzeczywiste warunki obciążenia, jakie materiały doświadczają, na przykład duże odkształcenia w kilku kierunkach jednocześnie. Podejście uzupełniające wykorzystuje techniki pełno-pola, takie jak cyfrowa korelacja obrazu, które śledzą, jak tysiące punktów na próbce poruszają się w trakcie obciążania. Z tych bogatych map przemieszczeń można wyliczyć, jak bardzo każde obszar się odkształca. Wyzwanie polega na odwróceniu tej informacji: mając odkształcenia i siły brzegowe, jakie zachowanie materiału je wywołało, szczególnie gdy to zachowanie zmienia się w przestrzeni?

Pozwolenie neuronowym równaniom różniczkowym opisać materiał

Autorzy rozwiązują ten problem odwrotny, reprezentując zachowanie materiału za pomocą specjalnej klasy sieci neuronowych znanych jako neuronowe zwykłe równania różniczkowe (neural ODE). Zamiast narzucać stałą formułę naprężenie–odkształcenie, trenują te sieci tak, aby energia gromadzona w materiale, a tym samym naprężenia powstające przy odkształceniu, wynikały bezpośrednio z danych. Sieci te są zaprojektowane tak, by automatycznie spełniać kluczowe wymagania fizyczne: nie generują naprężeń w stanie nieodkształconym, zapisują nieujemną energię i prowadzą do matematycznie dobrze ukształtowanych odpowiedzi przy dużych odkształceniach. To zapewnia, że wyuczony model nie jest tylko dopasowaniem do danych, lecz także zgodny z podstawowymi zasadami mechaniki.

Nadawanie każdemu punktowi własnego modelu materiałowego

Aby radzić sobie z niejednorodnością, metoda dodaje drugą sieć neuronową, zwaną hiper-siecią, która przypisuje unikalny zestaw parametrów materiałowych do każdego punktu w próbce. W efekcie sieć ta przekształca współrzędne przestrzenne w wewnętrzne ustawienia neuronowego równania różniczkowego w danej lokalizacji. Połączenie obu sieci definiuje ciągłe pole lokalnych praw materiałowych na całej domenie. Trening sterowany jest funkcją straty, która bezpośrednio wymusza równowagę mechaniczną: przewidywane pole naprężeń musi spełniać równowagę w całym wnętrzu i zgadzać się z znanymi obciążeniami na brzegach. Pełno-pole gradientu odkształcenia, obliczany albo z mierzalnych przemieszczeń, albo pobierany bezpośrednio z symulacji, jest gładko interpolowany, tak aby pochodne przestrzenne potrzebne do tych sprawdzeń mogły być ocenione dokładnie.

Testy na syntetycznych kształtach i rzeczywistych wydrukach

Zespół weryfikuje swoje ramy na szerokim zestawie przykładów generowanych komputerowo: prostych dwufazowych płyt z inkluzjami w kształcie litery P lub X, bardziej nieliniowych materiałach, mieszankach obszarów izotropowych i anizotropowych, strukturach w kształcie pierścienia z dodanym szumem pomiarowym, a nawet płynnie zmieniających się wzorcach sztywności typu „pole Gaussa”. W tych testach metoda niezawodnie odzyskuje zarówno przestrzenny wzór sztywności, jak i szczegółowe lokalne krzywe naprężenie–odkształcenie, często z błędem rzędu kilku procent. Potrafi także wykryć orientację wzmocnień przypominających włókna bez wcześniejszej informacji, że materiał jest kierunkowy. Na koniec autorzy stosują podejście do rzeczywistych eksperymentów na elastomerach drukowanych 3D, których wewnętrzna geometria imituje odręcznie napisany znak. Korzystając wyłącznie z obrazowych pomiarów odkształceń, ich model rekonstruuje położenie twardszej inkluzji i sposób, w jaki obie fazy reagują na rozciąganie, w dobrym zgodzie z oddzielnymi testami na jednolitych próbkach.

Radzenie sobie z zaszumionymi pomiarami i praktycznymi ograniczeniami

Ponieważ metoda opiera się na pochodnych pól przemieszczeń, szum pomiarowy może pogorszyć jej wydajność. Autorzy badają to systematycznie, dodając kontrolowany szum do danych syntetycznych. Stwierdzają, że podejście pozostaje dokładne przy umiarkowanych błędach w odkształceniach, a zwiększenie liczby eksperymentów — przez powtarzanie tego samego obciążenia kilka razy lub mieszanie różnych typów obciążeń — pomaga uśrednić szum i wyostrzyć odzyskaną mapę materiału. Porównują również swoje wymuszanie równowagi mechanicznej w formie silnej, które unika generowania siatki i całkowania numerycznego, z bardziej tradycyjną wersją w formie słabej opisaną w materiale uzupełniającym, pokazując, że obie są wykonalne w ramach tego samego ogólnego podejścia.

Co to oznacza dla materiałów w świecie rzeczywistym

Mówiąc prościej, praca ta oferuje sposób zamiany bogatych obrazów pokazujących, jak złożony obiekt się odkształca, w szczegółową mapę tego, które punkty wewnątrz są sztywniejsze lub miększe i jak reagują na różne sposoby obciążania. Zamiast uprzedniego zgadywania niewielkiego zestawu parametrów materiałowych, metoda uczy całego pola lokalnych zachowań, które z założenia spełniają prawa mechaniki. Otwiera to drogę do wierniejszych cyfrowych bliźniaków struktur kompozytowych, materiałów o zaprojektowanej architekturze i tkanek biologicznych, gdzie wewnętrzne wariacje mają istotne znaczenie. Przy dalszym rozwoju i starannym obchodzeniu się z szumem eksperymentalnym taka charakterystyka oparta na danych może stać się potężnym uzupełnieniem tradycyjnych badań, pomagając inżynierom i naukowcom projektować, diagnozować i optymalizować materiały niejednorodne na podstawie tego, jak poruszają się pod obciążeniem.

Cytowanie: 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

Słowa kluczowe: materiały oparte na danych, mapowanie niejednorodnej sztywności, neuronalne modelowanie konstytutywne, cyfrowa korelacja obrazu, mechanika odwrotna