Fullständigt datadriven invers karaktärisering av heterogena material med hyper-nätverks neural ODE

Varför det spelar roll att lära av hur saker töjs

Från flygplansvingar till konstgjorda hjärtklaffar är många viktiga material inte homogena inuti. De kan dölja styva fibrer, mjuka fickor eller jämna gradienter i styrka som starkt påverkar hur de beter sig i bruk. Traditionellt har ingenjörer fått anta en matematisk modell för sådana material och sedan finjustera ett fåtal parametrar så att dator-simuleringar stämmer med laboratorietester. Detta fungerar bara när materialet är tämligen enkelt och homogent. Artikeln som sammanfattas här introducerar ett nytt tillvägagångssätt: den låter data tala direkt, genom att använda moderna neurala nätverk för att sluta sig till hur varje liten region i ett komplext material reagerar på töjning, kompression eller skjuvning—utan att förutsätta en specifik formel i förväg.

Se hela bilden istället för enstaka stötar

Befintliga verktyg för att undersöka dold styvhet förlitar sig ofta på mycket lokala tester, som att trycka en spets i ett enda punkt på ett prov. Dessa metoder kan visserligen urskilja små detaljer, men de efterliknar sällan de verkliga belastningsförhållanden som material utsätts för, såsom stora töjningar i flera riktningar samtidigt. Ett komplementärt tillvägagångssätt använder fältmetoder som digital bildkorrelation, som spårar hur tusentals punkter på ett prov rör sig när det belastas. Från dessa rika rörelsekartor kan man beräkna hur mycket varje region deformeras. Utmaningen är att invertera denna information: givet deformationer och randkrafter, vilket underliggande materialbeteende orsakade dem, särskilt när detta beteende varierar från plats till plats?

Låta neurala differentialekvationer beskriva materialet

Författarna angriper detta inversproblem genom att representera materialets beteende med en särskild klass av neurala nätverk kända som neurala ordinära differentialekvationer. I stället för att föreskriva en fast spännings–töjningsformel tränar de dessa nätverk så att den energi som lagras i materialet, och därmed de spänningar som uppstår vid deformation, framträder direkt ur data. Nätverken är utformade för att automatiskt uppfylla centrala fysikaliska krav: de ger ingen spänning i ett oideformerat tillstånd, lagrar icke-negativ energi och leder till matematisk välbeteende vid stora töjningar. Detta säkerställer att den inlärda modellen inte bara passar data väl, utan också är förenlig med grundläggande mekaniska principer.

Ge varje punkt sin egen materialmodell

För att hantera heterogenitet lägger metoden till ett andra neuralt nätverk, kallat ett hyper-nätverk, som tilldelar en unik uppsättning materialparametrar till varje punkt inom provet. I praktiken omvandlar detta nätverk rumsliga koordinater till de interna inställningarna för den neurala differentialekvationen vid den platsen. När de två nätverken kombineras definierar de ett kontinuerligt fält av lokala materiallagar över hela domänen. Träningen drivs av en förlustfunktion som direkt upprätthåller mekanisk balans: det förutsagda spänningsfältet måste uppfylla jämvikt i hela inre delen och matcha kända tractioner på kanterna. Fullfälts-deformationsgradienten, antingen beräknad från uppmätta förskjutningar eller tagen direkt från simuleringar, interpoleras smidigt så att rumsliga derivator som krävs för dessa kontroller kan utvärderas noggrant.

Testning på syntetiska former och verkliga 3D-utskrivna prover

Teamet validerar sitt ramverk på ett brett spektrum datorgenererade exempel: enkla tvåfasplattor med P- eller X-formade inclusioner, mer icke-linjära material, blandningar av isotropa och anisotropa regioner, ringformade strukturer med tillsatt mätbrus, och till och med jämnt varierande "Gaussian field"-mönster av styvhet. I dessa tester återfår metoden tillförlitligt både det rumsliga mönstret av styvhet och detaljerade lokala spännings–töjningskurvor, ofta med bara några procents fel. Den kan till och med upptäcka orienteringen av fiberliknande förstärkning utan att i förväg ha informerats om att materialet är riktat. Slutligen tillämpar författarna tillvägagångssättet på verkliga experiment med 3D-utskrivna elastomerer vars inre geometri imiterar en handskriven siffra. Enbart med bilden-baserade deformtionsmätningar rekonstruerar deras modell var den styvare inklusionen ligger och hur båda faserna reagerar under töjning, i god överensstämmelse med separata tester på homogena prover.

Hantera brusiga mätningar och praktiska begränsningar

Eftersom metoden förlitar sig på derivator av förskjutningsfält kan mätbrus försämra dess prestanda. Författarna utforskar detta systematiskt genom att tillsätta kontrollerat brus i syntetiska data. De finner att tillvägagångssättet förblir noggrant upp till måttliga töjningsfel, och att ökat antal experiment—antingen genom att upprepa samma belastning flera gånger eller genom att blanda olika belastningstyper—hjälper till att medelvärdesbilda bort brus och skärpa den återvunna materialkartan. De jämför också sin starka formulering av mekanisk balans, som undviker meshing och numerisk integration, med en mer traditionell svag form beskriven i bilagan, och visar att båda är genomförbara inom samma allmänna ramverk.

Vad detta innebär för verkliga material

Enkelt uttryckt erbjuder detta arbete ett sätt att omvandla rika bilder av hur ett komplext objekt deformeras till en detaljerad karta över hur styv eller mjuk varje punkt inuti det är, och hur det reagerar på att utsättas för olika belastningar. I stället för att i förväg gissa ett litet antal materialparametrar lär sig metoden ett helt fält av lokala beteenden som per design följer mekanikens lagar. Detta öppnar dörren för mer trogna digitala tvillingar av kompositstrukturer, arkitekturerade material och biologiska vävnader, där interna variationer spelar stor roll. Med vidare utveckling och omsorgsfull hantering av experimentellt brus kan sådan datadriven karaktärisering bli en kraftfull följeslagare till traditionell testning och hjälpa ingenjörer och forskare att designa, diagnostisera och optimera heterogena material baserat direkt på hur de rör sig under belastning.

Citering: 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

Nyckelord: datadrivna material, kartläggning av heterogen styvhet, neural konstitutiv modellering, digital bildkorrelation, invers mekanik