Полностью основанная на данных обратная характеристика неоднородных материалов с помощью гиперсете-нейронных ODE

Почему важно учиться на том, как вещи растягиваются

От крыльев самолётов до искусственных клапанов сердца — многие важные материалы внутренне неоднородны. В них могут скрываться жёсткие волокна, мягкие включения или плавные градиенты прочности, которые существенно определяют поведение изделий в эксплуатации. Традиционно инженерам приходилось задавать математическую модель такого материала и подгонять несколько параметров, чтобы численные симуляции соответствовали лабораторным испытаниям. Это работает только для относительно простых и однородных материалов. В статье, о которой идёт речь, предложен другой путь: позволить данным «говорить» напрямую, используя современные нейронные сети для вывода того, как каждая маленькая область сложного материала реагирует на растяжение, сжатие или сдвиг — без предварительных предположений о конкретной формуле.

Видеть всю картину, а не отдельные уколы

Существующие инструменты для изучения скрытой жёсткости часто опираются на очень локальные тесты, например на вдавливание острого наконечника в одну точку образца. Хотя такие методы дают мелкие детали, они редко моделируют реальные условия нагружения, например большие растяжения в разных направлениях одновременно. Дополняющий подход использует полно-полевые методы, такие как цифровая корреляция изображений, которые отслеживают движение тысяч точек на образце при нагружении. Из этих богатых карт движения можно вычислить, насколько деформируется каждая область. Задача — обратить эту информацию: зная деформации и пограничные силы, выяснить, какое поведение материала их породило, особенно если это поведение меняется от места к месту.

Позволяя нейронным дифференциальным уравнениям описывать материал

Авторы решают эту обратную задачу, представляя поведение материала специальным классом нейросетей, известных как нейронные обыкновенные дифференциальные уравнения. Вместо того чтобы задавать фиксированную зависимость напряжение—деформация, они обучают эти сети так, чтобы энергия, запасаемая в материале, и, следовательно, возникающие при деформации напряжения, вытекали напрямую из данных. Сети сконструированы так, чтобы автоматически удовлетворять ключевым физическим требованиям: они не дают напряжений в ненагруженном состоянии, обеспечивают неотрицательную запасённую энергию и приводят к математически корректному поведению при больших деформациях. Это гарантирует, что изученная модель не просто хорошо подгоняет данные, но и согласуется с базовыми принципами механики.

Каждой точке — своя модель материала

Чтобы работать с неоднородностью, метод добавляет вторую нейросеть, называемую гипер-сетью, которая назначает уникальный набор параметров материала для каждой точки внутри образца. По сути, эта сеть преобразует пространственные координаты в внутренние настройки нейронного дифференциального уравнения для данной точки. В сочетании обе сети определяют непрерывное поле локальных законов материала по всей области. Обучение управляется функцией потерь, которая напрямую накладывает механический баланс: предсказанное поле напряжений должно удовлетворять уравнениям равновесия в объёме и соответствовать известным пограничным движениям на краях. Полно-полевой градиент деформации, либо вычисленный по измеренным смещениям, либо взятый из симуляций, гладко интерполируется, чтобы можно было точно оценивать пространственные производные, нужные для этих проверок.

Тестирование на синтетических формах и реальных печатных образцах

Авторы проверяют свою систему на широком наборе компьютерно сгенерированных примеров: простых двухфазных пластинах с включениями в форме буквы P или X, более нелинейных материалах, смесях из изотропных и анизотропных областей, кольцевых конструкциях с добавленным шумом измерений и даже плавно меняющихся картах жесткости в виде «гауссова поля». В этих тестах метод надёжно восстанавливает как пространственный узор жесткости, так и подробные локальные кривые напряжение—деформация, часто с ошибкой всего в несколько процентов. Он даже способен определить ориентацию волоконного армирования, не будучи заранее проинформированным о направленности материала. Наконец, авторы применяют подход к реальным экспериментам на 3D-печатных эластомерах с внутренней геометрией, имитирующей рукописную цифру. Используя только изображения деформаций, их модель реконструирует расположение более жёсткого включения и реакцию обеих фаз при растяжении, в хорошем согласии с отдельными испытаниями однородных образцов.

Работа с зашумлёнными измерениями и практические ограничения

Поскольку метод опирается на производные полей смещений, шум измерений может ухудшать его работу. Авторы систематически исследуют это, добавляя контролируемый шум в синтетические данные. Они показывают, что подход остаётся точным при умеренных ошибках деформации и что увеличение числа экспериментов — либо повторные одинаковые нагружения, либо комбинация разных типов нагружения — помогает усреднять шум и уточнять восстановленную карту материалов. Они также сравнивают своё жёсткое (strong-form) наложение механического баланса, которое обходится без генерации сетки и численной интеграции, с более традиционной слабой формой, описанной в дополнительном материале, и демонстрируют, что оба варианта реализуемы в рамках одной общей схемы.

Что это значит для реальных материалов

Проще говоря, эта работа предлагает способ превратить богатые изображения того, как сложный объект деформируется, в подробную карту того, насколько жёстка или мягка каждая точка внутри него и как она реагирует на различные виды нагружения. Вместо угадывания небольшого набора параметров заранее метод обучает целое поле локальных законов, которые по замыслу соблюдают законы механики. Это открывает путь к более достоверным цифровым двойникам композитных конструкций, архитектурных материалов и биологических тканей, где внутренние вариации имеют решающее значение. При дальнейшем развитии и аккуратной обработке экспериментального шума такая датазависимая характеристика может стать мощным дополнением к традиционным испытаниям, помогая инженерам и учёным проектировать, диагностировать и оптимизировать неоднородные материалы на основе того, как они движутся под нагрузкой.

Цитирование: 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

Ключевые слова: материалы, основанные на данных, картирование неоднородной жесткости, нейронное конститутивное моделирование, цифровая корреляция изображений, обратная механика