Caracterização inversa totalmente orientada por dados de materiais heterogêneos com ODEs neurais em hiper-rede

Por que aprender com a forma como as coisas se deformam importa

De asas de aeronaves a válvulas cardíacas artificiais, muitos materiais importantes não são internamente uniformes. Eles podem esconder fibras rígidas, bolsões macios ou gradientes suaves de resistência que influenciam fortemente seu comportamento em uso. Tradicionalmente, engenheiros têm de supor um modelo matemático para esses materiais e então ajustar alguns parâmetros para que simulações computacionais coincidam com ensaios laboratoriais. Isso funciona apenas quando o material é relativamente simples e uniforme. O artigo resumido aqui apresenta uma nova abordagem: deixar que os dados falem diretamente, usando redes neurais modernas para inferir como cada pequena região de um material complexo responde ao ser esticada, comprimida ou submetida a cisalhamento — sem assumir uma fórmula específica de antemão.

Ver o panorama completo em vez de sondagens isoladas

Ferramentas existentes para sondar rigidez oculta frequentemente dependem de testes muito locais, como pressionar uma ponta afiada em um ponto da amostra. Embora esses métodos possam resolver pequenos detalhes, raramente imitam as condições reais de carregamento que os materiais experimentam, como grandes deformações em várias direções ao mesmo tempo. Uma abordagem complementar usa técnicas de campo completo, como correlação digital de imagens, que acompanham como milhares de pontos em um espécime se movem quando submetidos a carga. A partir desses ricos mapas de movimento é possível calcular quanto cada região se deforma. O desafio é inverter essa informação: dadas as deformações e as forças de contorno, qual comportamento material subjacente as produziu, especialmente quando esse comportamento varia de lugar para lugar?

Pedir às equações diferenciais neurais para descrever o material

Os autores abordam esse problema inverso representando o comportamento do material com uma classe especial de redes neurais conhecidas como equações diferenciais ordinárias neurais. Em vez de prescrever uma fórmula fixa tensão–deformação, eles treinam essas redes de modo que a energia armazenada no material, e portanto as tensões que ele produz sob deformação, emerjam diretamente dos dados. Essas redes são projetadas para obedecer automaticamente requisitos físicos-chave: não produzem tensão no estado não deformado, armazenam energia não negativa e conduzem a respostas matematicamente bem comportadas sob grandes deformações. Isso garante que o modelo aprendido não seja apenas um bom ajuste aos dados, mas também consistente com princípios mecânicos básicos.

Dar a cada ponto seu próprio modelo material

Para lidar com a heterogeneidade, o método adiciona uma segunda rede neural, chamada hiper-rede, que atribui um conjunto único de parâmetros materiais a cada ponto dentro da amostra. Em efeito, essa rede transforma coordenadas espaciais nas configurações internas da equação diferencial neural naquele local. Quando combinadas, as duas redes definem um campo contínuo de leis materiais locais sobre todo o domínio. O treinamento é guiado por uma função de perda que impõe diretamente o equilíbrio mecânico: o campo de tensões previsto deve satisfazer o equilíbrio em todo o interior e coincidir com as trações conhecidas nas fronteiras. O gradiente de deformação em campo completo, seja calculado a partir de deslocamentos medidos ou obtido diretamente de simulações, é interpolado suavemente para que derivadas espaciais necessárias para essas verificações possam ser avaliadas com precisão.

Testes em formas sintéticas e amostras reais impressas

A equipe valida sua estrutura em uma ampla gama de exemplos gerados por computador: placas simples de duas fases com inclusões em forma de P ou X, materiais mais não lineares, misturas de regiões isotrópicas e anisotrópicas, estruturas em forma de anel com ruído de medição adicionado e até padrões de rigidez variando suavemente tipo “campo gaussiano”. Nesses testes, o método recupera de forma confiável tanto o padrão espacial de rigidez quanto as curvas locais detalhadas tensão–deformação, muitas vezes com erro de apenas alguns porcentos. Ele pode até detectar a orientação de reforços semelhantes a fibras sem ser informado antecipadamente de que o material é direcional. Por fim, os autores aplicam a abordagem a experimentos reais em elastômeros impressos em 3D cuja geometria interna imita um dígito manuscrito. Usando apenas medidas de deformação baseadas em imagem, seu modelo reconstrói onde a inclusão mais rígida se localiza e como ambas as fases respondem sob tração, em bom acordo com testes separados em amostras uniformes.

Lidando com medições ruidosas e limites práticos

Como o método depende de derivadas de campos de deslocamento, o ruído de medição pode degradar seu desempenho. Os autores exploram isso de forma sistemática adicionando ruído controlado a dados sintéticos. Eles constatam que a abordagem permanece precisa até erros de deformação moderados, e que aumentar o número de experimentos — seja repetindo o mesmo carregamento várias vezes ou misturando diferentes tipos de carregamento — ajuda a suavizar o ruído e a afinar o mapa material recuperado. Eles também comparam sua imposição de equilíbrio mecânico na forma forte, que evita geração de malha e integração numérica, com uma versão mais tradicional em forma fraca descrita no material suplementar, e mostram que ambas são viáveis dentro da mesma estrutura geral.

O que isso significa para materiais do mundo real

Em termos simples, este trabalho oferece uma maneira de transformar imagens ricas de como um objeto complexo se deforma em um mapa detalhado de quão rígido ou macio cada ponto em seu interior é, e como ele reage a diferentes modos de carregamento. Em vez de supor um pequeno conjunto de parâmetros materiais desde o início, o método aprende um campo inteiro de comportamentos locais que obedecem às leis da mecânica por projeto. Isso abre caminho para gêmeos digitais mais fidedignos de estruturas compósitas, materiais arquitetados e tecidos biológicos, onde variações internas têm grande importância. Com desenvolvimento adicional e tratamento cuidadoso do ruído experimental, essa caracterização orientada por dados pode se tornar uma poderosa companhia aos testes tradicionais, ajudando engenheiros e cientistas a projetar, diagnosticar e otimizar materiais heterogêneos com base diretamente em como eles se movem sob carga.

Citação: 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

Palavras-chave: materiais orientados por dados, mapeamento de rigidez heterogênea, modelagem constitutiva neural, correlação digital de imagens, mecânica inversa