🔬 materials science

Concurrent enforcement of polyconvexity and true-stress-true-strain monotonicity in incompressible isotropic hyperelasticity: application to neural network constitutive models

Cet article établit que la polyconvexité implique la monotonie contrainte-vraie/déformation-vraie dans l'hyperélasticité isotrope incompressible, une conclusion utilisée pour concevoir et calibrer quatre architectures de réseaux de neurones augmentés par la physique qui révèlent des différences significatives de performance d'extrapolation malgré le respect de contraintes de comportement identiques.

Auteurs originaux : Maximilian P. Wollner, Dominik K. Klein, Herbert Baaser, Gerhard A. Holzapfel, Patrizio Neff

Publié 2026-09-24

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Maximilian P. Wollner, Dominik K. Klein, Herbert Baaser, Gerhard A. Holzapfel, Patrizio Neff

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez un monde où des matériaux comme le caoutchouc, le silicone et les tissus biologiques mous pourraient être parfaitement prédits par un ordinateur. Les ingénieurs et les scientifiques cherchent depuis longtemps à écrire les « règles » qui régissent la façon dont ces substances s'étirent, se tordent et reprennent leur forme. Ces règles, connues sous le nom de modèles constitutifs, sont essentiellement des recettes mathématiques qui indiquent à une simulation comment un matériau réagira lorsqu'il est tiré ou compressé. Pendant des décennies, les chercheurs se sont appuyés sur des formules fixes, souvent nommées d'après les scientifiques qui les ont découvertes, pour décrire ce comportement. Cependant, ces formules traditionnelles peuvent être rigides ; elles peinent à capturer la réalité complexe et désordonnée des matériaux du monde réel, et choisir la bonne nécessite une expertise approfondie. Ces dernières années, une nouvelle approche est apparue : utiliser l'intelligence artificielle, plus précisément les réseaux de neurones, pour apprendre ces règles directement à partir de données expérimentales. Ces réseaux « augmentés par la physique » sont flexibles et puissants, mais ils comportent un risque. S'ils ne sont pas soigneusement guidés, ils peuvent apprendre parfaitement les données d'entraînement mais ensuite faire des prédictions aberrantes et physiquement impossibles lorsqu'on leur demande de deviner comment un matériau se comporte dans des situations qu'ils n'ont jamais rencontrées auparavant.

Une équipe de chercheurs s'est donné pour mission de résoudre ce problème en intégrant un filet de sécurité dans l'architecture même de ces réseaux de neurones. Ils se sont concentrés sur un type spécifique de comportement de matériau appelé hyperélasticité incompressible, qui décrit des matériaux comme le caoutchouc qui changent de forme sans changer de volume. L'équipe a étudié deux principes physiques fondamentaux que tout modèle de matériau réaliste doit respecter. Le premier est une garantie mathématique de stabilité, assurant que le matériau ne sient pas s'effondrer spontanément ou se comporter de manière erratique sous la contrainte. Le second est une règle simple et intuitive : à mesure que l'on étire un matériau, la force nécessaire pour l'étirer doit toujours augmenter. Les chercheurs voulaient savoir s'ils pouvaient forcer leurs réseaux de neurones à respecter ces règles par conception, et si cela garantirait que les réseaux se comporteraient de manière raisonnable même lorsqu'ils sont poussés bien au-delà des données sur lesquelles ils ont été entraînés.

Les chercheurs ont commencé par revisiter une preuve mathématique classique des années 1970 qui avait établi les conditions de stabilité des matériaux. Ils ont démontré que pour les matériaux de type caoutchouc qui ne changent pas de volume, le fait de satisfaire la condition stricte de stabilité garantit automatiquement que la force nécessaire pour étirer le matériau augmente toujours à mesure que l'étirement augmente. Ce fut une découverte théorique importante car cela signifiait qu'en construisant un réseau de neurones capable de satisfaire la règle complexe de stabilité, ils pouvaient être certains que la règle plus simple du « plus d'étirement égale plus de force » en découlerait naturellement. Sur cette base théorique établie, ils ont construit quatre types différents d'architectures de réseaux de neurones. Chacune était conçue pour respecter ces lois physiques dès le départ, mais elles utilisaient des ingrédients mathématiques différents pour y parvenir. Certains réseaux étaient construits à partir de mesures de déformation standards, tandis que d'autres utilisaient des mesures plus complexes et spécialisées de la façon dont le matériau s'étire.

Pour tester ces modèles, l'équipe les a nourris avec des données expérimentales réelles provenant de trois types différents de matériaux souples semblables au caoutchouc. Ils ont calibré les réseaux afin qu'ils puissent reproduire avec précision les mesures de contrainte et d'étirement des tests en laboratoire. Dans la plage où les données existaient, les quatre réseaux ont bien performé, apprenant avec succès le comportement des matériaux. Cependant, le véritable test est venu lorsque les chercheurs ont demandé aux modèles de prédire ce qui se passerait en dehors de la plage des données expérimentales, un processus appelé extrapolation. C'est là que les modèles ont divergé radicalement. Même si les quatre réseaux avaient été construits pour obéir aux mêmes lois physiques et qu'ils s'adaptaient aussi bien aux données d'entraînement, ils prédisaient des comportements très différents lorsqu'ils étaient étirés à des longueurs extrêmes. Certains modèles prédisaient que le matériau continuerait à se rigidifier indéfiniment, tandis que d'autres suggéraient que le matériau finirait par se ramollir ou se comporter de manières qui, bien que mathématiquement stables, semblaient physiquement contre-intuitives.

L'étude a révélé un aperçu crucial : satisfaire les contraintes physiques connues est nécessaire mais non suffisant pour garantir qu'un modèle prédira correctement le futur. Les chercheurs ont découvert que la manière spécifique dont un réseau de neurones est structuré — le choix des ingrédients mathématiques qu'il utilise pour décrire le matériau — a un impact profond sur la façon dont il se comporte lorsqu'il doit deviner. Deux modèles peuvent sembler identiques lorsqu'ils sont testés par rapport à des données connues, et pourtant l'un peut être un prédicteur fiable pour des conditions extrêmes tandis que l'autre échoue à capturer la véritable nature du matériau. Cela suggère que simplement ajouter plus de données ou agrandir le réseau n'est pas la solution. Au contraire, le choix du cadre mathématique sous-jacent est tout aussi important que les données elles-mêmes. Les auteurs concluent que bien que ces réseaux guidés par la physique soient des outils puissants, ils ne possèdent pas automatiquement la capacité de prédire l'inconnu avec certitude. Pour modéliser véritablement le comportement futur de matériaux complexes, les scientifiques devront peut-être incorporer une intuition physique encore plus profonde dans la conception de ces réseaux, allant au-delà de la simple stabilité et de la monotonicité pour capturer les manières plus subtiles et profondes dont les matériaux réels répondent à des forces extrêmes.

Résumé technique : Application simultanée de la polyconvexité et de la monotonie contrainte vraie–déformation vraie dans l'hyperélasticité isotrope incompressible

Énoncé du problème
La conception de réseaux de neurones augmentés par la physique (PANN) pour la modélisation constitutive a gagné en importance en raison de leur flexibilité pour approximer des comportements de matériaux complexes. Cependant, un défi critique demeure : garantir que ces modèles pilotés par les données respectent les contraintes physiques fondamentales, particulièrement lors de l'extrapolation au-delà du régime de calibration. Dans le contexte de l'hyperélasticité isotrope incompressible, deux contraintes constitutives sont largement considérées comme physiquement raisonnables : la polyconvexité (qui implique la stabilité du matériau et la convexité de rang un) et la monotonie contrainte vraie–déformation vraie (TSTS-M), soit l'exigence que la contrainte augmente de manière monotone avec la déformation.

Bien que la polyconvexité soit souvent imposée dans les architectures PANN, sa relation avec la TSTS-M dans les matériaux incompressibles a fait l'objet d'une ambiguïté théorique. Dans le cas compressible, la polyconvexité ne garantit pas la TSTS-M. Les auteurs étudient si cette relation se simplifie sous l'hypothèse de l'incompressibilité et comment ces intuitions théoriques impactent la performance pratique et les capacités d'extrapolation de différentes architectures PANN.

Méthodologie
L'article procède en deux phases distinctes : dérivation théorique et application numérique.

Cadre théorique :
- Les auteurs revisitent le cadre classique de l'hyperélasticité isotrope incompressible, en se concentrant sur l'interaction entre la polyconvexité et la TSTS-M.
- Ils fournissent une preuve traçable des conditions suffisantes de Ball (1976) pour la polyconvexité en utilisant la théorie de la majoration, offrant une explication plus claire de la mécanique sous-jacente.
- Ils démontrent que pour une large classe de fonctions d'énergie de déformation, les conditions suffisantes de Ball pour la polyconvexité impliquent automatiquement la TSTS-M (et l'inégalité de Hill). Cela est établi en montrant que la convexité stricte de la fonction d'énergie de déformation dans les étirements principaux logarithmiques (déformation de Hencky) est une conséquence de ces conditions.
- Les auteurs précisent que bien que ces conditions soient suffisantes, elles ne sont pas nécessaires, et ils discutent des questions ouvertes concernant la question de savoir si la polyconvexité implique généralement la TSTS-M dans l'incompressibilité sans s'appuyer sur les conditions spécifiques de Ball.
Architecture PANN et calibration :
- Quatre architectures PANN distinctes ont été construites, toutes conçues pour satisfaire a priori les contraintes constitutives dérivées :
  - PANN– $I$ : Basé sur les invariants principaux du tenseur de Cauchy-Green droit ( $I_1, I_2$ ).
  - PANN– $\sqrt{I}$ : Basé sur les racines carrées de ces invariants.
  - PANN– $\lambda$ : Basé sur les étirements principaux ( $\lambda_k$ ) avec une invariance par permutation imposée via la symétrisation de groupe.
  - PANN– $\nu$ : Basé sur les valeurs singulières signées avec invariance $\Pi(3)$ .
- Ces modèles utilisent des réseaux de neurones convexes-monotones (CMNN) ou des réseaux de neurones à entrées convexes (ICNN) avec des fonctions d'activation softplus pour garantir les propriétés mathématiques de la fonction d'énergie de déformation.
- Les modèles sont calibrés par rapport aux données expérimentales de trois matériaux souples de type caoutchouc : le caoutchouc vulcanisé de Treloar, un polymère EPDM et un matériau DLP imprimé en 3D.
- La performance est évaluée sur la base de la précision d'interpolation (erreur quadratique moyenne) et, de manière cruciale, du comportement d'extrapolation dans des scénarios de chargement uniaxial, biaxial équilibré et cisaillement pur.

Contributions clés

Lien théorique : L'article établit que pour l'hyperélasticité isotrope incompressible, les conditions suffisantes de Ball pour la polyconvexité sont suffisantes pour garantir la TSTS-M. Cela fournit une base théorique rigoureuse pour la construction de PANN qui satisfont simultanément les contraintes de stabilité et de monotonie.
Comparaison architecturale : L'étude construit et compare quatre paramétrisations PANN distinctes. Elle démontre que satisfaire les mêmes contraintes constitutives ne garantit pas une capacité d'approximation identique ; le choix des variables d'entrée (invariants vs étirements vs valeurs singulières signées) influence considérablement la capacité du modèle à ajuster des comportements de matériaux spécifiques.
Analyse d'extrapolation : Une conclusion centrale est que, bien que différentes architectures PANN puissent atteindre des précisions d'interpolation comparables (ajustement des données d'entraînement), elles présentent des comportements divergents et marqués lors de l'extrapolation à de grandes déformations.
Limitation de la courbure : Les auteurs observent que, bien que les contraintes imposées garantissent une augmentation monotone de la contrainte, elles ne contraignent pas la courbure de la réponse contrainte-déformation. Par conséquent, certains modèles PANN prédisent une réponse de contrainte qui augmente de manière monotone mais avec une courbure négative (comportement d'adoucissement) à de grandes déformations, ce qui contredit l'attente intuitive d'un durcissement pour les corps élastiques idéaux.

Résultats

Interpolation : Les quatre modèles PANN ont généralement fourni de bons ajustements aux données expérimentales, bien que la performance varie selon le matériau. Pour les matériaux EPDM et DLP, le modèle basé sur les valeurs singulières signées (PANN– $\nu$ ) a surpassé les modèles basés sur les invariants (PANN– $I$ et PANN– $\sqrt{I}$ ), suggérant que les paramétrisations basées sur les invariants peuvent présenter des limitations intrinsèques de flexibilité pour certains comportements de matériaux.
Extrapolation : Des écarts significatifs ont été observés dans le régime d'extrapolation. Même des modèles présentant des erreurs d'interpolation presque identiques ont produit des prédictions de contrainte radicalement différentes à des étirements élevés.
- Les modèles basés sur les invariants (PANN– $I$ ) ont montré une tendance de la réponse de contrainte à s'aplatir ou à présenter une courbure négative à des étirements élevés en raison des dérivées spécifiques des invariants par rapport aux étirements principaux.
- En revanche, les modèles basés sur les étirements (PANN– $\lambda$ ) et les modèles basés sur les valeurs singulières signées (PANN– $\nu$ ) ont maintenu des tendances d'extrapolation différentes.
Stabilité : Tous les modèles ont maintenu la monotonie et la stabilité (absence de violations de la convexité de rang un) grâce aux contraintes architecturales, confirmant la dérivation théorique.

Signification et conclusions
L'article conclut que, bien que les réseaux de neurones augmentés par la physique imposent avec succès les contraintes constitutives fondamentales comme la polyconvexité et la TSTS-M, ces contraintes seules sont insuffisantes pour garantir une extrapolation physiquement raisonnable. Le choix du paramétrage (la fonction "ansatz") agit comme un biais caché qui dicte le comportement du modèle en dehors du domaine d'entraînement.

Les auteurs soulignent une lacune critique dans la modélisation constitutive actuelle : l'ensemble des contraintes (polyconvexité + TSTS-M) restreint la pente de la réponse de contrainte mais ne parvient pas à contraindre sa courbure. Cela conduit à une ambiguïté fondamentale où plusieurs modèles ajustent les données de manière égale mais prédisent des réalités physiques différentes lors de l'extrapolation. L'article suggère que pour l'« élasticité idéalisée », des contraintes supplémentaires concernant la courbure de la contrainte de Cauchy pourraient être nécessaires, bien que la formalisation de telles contraintes reste un défi ouvert.

En fin de compte, ce travail sert de mise en garde pour la communauté PANN : un fort pouvoir d'approximation et l'adhérence aux lois physiques de base ne garantissent pas automatiquement un pouvoir de prédiction défini. La sélection d'une architecture PANN spécifique constitue un choix de modélisation qui impacte considérablement la fiabilité des prédictions dans les régimes de déformation non observés.

Articles similaires