Heterojen malzemelerin tam veri odaklı ters karakterizasyonu: hiper-ağlı neural ODE’ler

Nesnelerin nasıl gerildiğinden öğrenmenin önemi

Uçak kanatlarından yapay kalp kapakçıklarına kadar, birçok önemli malzeme iç yapıda homojen değildir. İçlerinde sert lifler, yumuşak boşluklar veya davranışlarını kullanımdaki şekilde etkileyen düzgün dayanım gradyanları bulunabilir. Geleneksel olarak mühendisler böyle malzemeler için bir matematiksel model varsayar ve sonra bilgisayar simülasyonlarının laboratuvar testleriyle uyuşması için birkaç parametreyi ayarlarlar. Bu yalnızca malzeme nispeten basit ve homojen olduğunda işe yarar. Burada özetlenen makale yeni bir yol sunuyor: modern sinir ağlarını kullanarak verilerin doğrudan konuşmasına izin veriyor; böylece karmaşık bir malzemenin her küçük bölgesinin gerilme, sıkıştırma veya kayma altında nasıl tepki verdiği, önceden belirlenmiş bir formül varsayılmadan çıkarılıyor.

Tek nokta bastırmaları yerine bütün resmi görmek

Gizli sertliği araştırmak için kullanılan mevcut araçlar genellikle bir numuneye keskin bir uçla tek bir noktadan bastırmak gibi çok yerel testlere dayanır. Bu yöntemler küçük ayrıntıları çözebilirken, malzemelerin maruz kaldığı gerçek yükleme koşullarını —örneğin aynı anda birkaç yönde büyük deformasyonları— nadiren taklit ederler. Tamamlayıcı bir yaklaşım, bir numunedeki binlerce noktanın yük altında nasıl hareket ettiğini takip eden dijital görüntü korelasyonu gibi tam alan tekniklerini kullanır. Bu zengin hareket haritalarından her bölgenin ne kadar deforme olduğu hesaplanabilir. Zorluk bu bilginin tersine çevrilmesidir: deformasyonlar ve sınır kuvvetleri verildiğinde, özellikle davranış mekânda mekânda yer yer değiştiğinde, bu deformasyonları üreten temel malzeme davranışı nedir?

Malzemeyi nöral diferansiyel denklemlerle tanımlamak

Yazarlar bu ters problemi, malzeme davranışını neural ordinary differential equations (nöral adi diferansiyel denklemler) olarak bilinen özel bir sinir ağı sınıfıyla temsil ederek ele alıyorlar. Sabit bir gerilme–şekil değişimi formülü belirtmek yerine, bu ağları malzemenin depoladığı enerjinin ve dolayısıyla deformasyon altında ürettiği gerilmelerin veriden doğrudan ortaya çıkması için eğitiyorlar. Bu ağlar, fiziksel gereklilikleri otomatik olarak sağlar şekilde tasarlandı: deformasyonsuz durumda gerilim üretmezler, negatif olmayan enerji depolarlar ve büyük şekil değişimleri altında matematiksel olarak iyi davranan tepkiler verirler. Bu, öğrenilen modelin yalnızca veriye iyi uymakla kalmayıp aynı zamanda temel mekanik prensiplerle de tutarlı olmasını sağlar.

Her noktaya kendi malzeme modelini verme

Heterojenliği ele almak için yöntem, her noktaya benzersiz bir malzeme parametresi seti atayan ikinci bir sinir ağı olan hiper-ağı ekler. Fiilen bu ağ, uzamsal koordinatları o konumdaki nöral diferansiyel denklemin iç ayarlarına dönüştürür. Birleştirildiklerinde, iki ağ tüm bölge üzerinde yerel malzeme kanunlarının sürekli bir alanını tanımlar. Eğitim, mekanik dengenin doğrudan uygulanmasını sağlayan bir kayıp fonksiyonu tarafından yönlendirilir: tahmin edilen gerilme alanı iç kısımda dengeyi sağlamalı ve sınırdaki bilinen çekme/itme yükleri ile uyuşmalıdır. Ölçülen yer değiştirmelerden hesaplanan veya doğrudan simülasyonlardan alınan tam alan deformasyon gradyanı, bu kontroller için gereken uzamsal türevlerin doğru şekilde değerlendirilebilmesi amacıyla düzgünce enterpolasyon edilir.

Sentezik şekiller ve gerçek baskılı numuneler üzerinde test

Ekip çerçeveyi çok çeşitli bilgisayar üretilmiş örneklerde doğruluyor: P veya X biçimli inklüzyonlara sahip basit iki fazlı plakalar, daha doğrusal olmayan malzemeler, izotropik ve anizotropik bölgelerin karışımı, ölçüm gürültüsü eklenmiş halka biçimli yapılar ve hatta düzgün değişen “Gauss alanı” sertlik desenleri. Bu testlerde yöntem, genellikle sadece birkaç yüzde hatayla hem sertliğin uzamsal örüntüsünü hem de ayrıntılı yerel gerilme–şekil değişimi eğrilerini güvenilir şekilde geri çıkarıyor. Malzemenin yönlü olduğunu önceden söylemeden lif benzeri takviyenin yönelimini bile tespit edebiliyor. Son olarak yazarlar, iç geometrisi el yazısı bir rakamı taklit eden 3B baskılı elastomerler üzerinde gerçek deneylere yöntemi uyguluyor. Sadece görüntü tabanlı deformasyon ölçümleri kullanılarak modelleri, daha sert inklüzyonun nerede olduğunu ve her iki fazın germe altında nasıl davrandığını yeniden inşa ediyor; bu, homojen numuneler üzerinde yapılan ayrı testlerle iyi bir uyum gösteriyor.

Gürültülü ölçümler ve pratik sınırlamalarla başa çıkmak

Yöntem yer değiştirme alanlarının türevlerine dayandığı için ölçüm gürültüsü performansını bozabilir. Yazarlar bunu sentetik verilere kontrollü gürültü ekleyerek sistematik olarak araştırıyorlar. Yaklaşımın orta düzeydeki deformasyon hatalarına kadar doğru kaldığını ve aynı yüklemeyi birkaç kez tekrarlamak veya farklı yükleme türlerini karıştırmak gibi deney sayısını artırmanın gürültüyü ortadan kaldırmaya ve geri çıkarılan malzeme haritasını keskinleştirmeye yardımcı olduğunu buluyorlar. Ayrıca sonlu eleman ağı oluşturmayı ve sayısal entegrasyonu gerektirmeyen güçlü-form (strong-form) mekanik denge uygulamalarını ek materyalde açıklanan daha geleneksel zayıf-form (weak-form) versiyonuyla karşılaştırıyor ve her ikisinin de aynı genel çerçeve içinde uygulanabilir olduğunu gösteriyorlar.

Gerçek dünya malzemeleri için ne anlama geliyor

Basitçe söylemek gerekirse, bu çalışma karmaşık bir nesnenin nasıl deforme olduğuna dair zengin görüntüleri, içindeki her noktanın ne kadar sert veya yumuşak olduğunu ve farklı yükleme şekillerine nasıl tepki verdiğini gösteren ayrıntılı bir haritaya dönüştürmenin bir yolunu sunuyor. Önceden küçük bir malzeme parametre kümesi tahmin etmek yerine, yöntem kendiliğinden mekanik yasalarına uyan yerel davranışların tüm bir alanını öğreniyor. Bu, içsel varyasyonların büyük önem taşıdığı kompozit yapılar, mimari malzemeler ve biyolojik dokuların daha sadık dijital ikizlerine kapı açıyor. Deneysel gürültünün dikkatli ele alınması ve daha fazla geliştirme ile bu veri odaklı karakterizasyon, geleneksel testlere güçlü bir tamamlayıcı olarak mühendislerin ve bilim insanlarının heterojen malzemeleri hareketleri altında doğrudan nasıl tepki verdiğine göre tasarlamasına, teşhis etmesine ve optimize etmesine yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: veri odaklı malzemeler, heterojen sertlik haritalama, nöral konstitüsyonel modelleme, dijital görüntü korelasyonu, ters mekanik