🤖 machine learning

Physics-Informed Discovery of Yield Functions in Plasticity via Convex Neural Representations

Cet article propose un cadre informé par la physique qui utilise des réseaux de neurones convexes pour découvrir des fonctions de fluage anisotropes directement à partir de données de déplacement et de force de réaction de plein champ, en évitant le besoin d'observations directes de contraintes ou de formes paramétriques prédéfinies par l'intégration de la fonction de fluage au sein d'un schéma d'intégration de contrainte élastoplastique différentiable.

Auteurs originaux : Hyeonbin Moon, Donghyuk Cho, Jecheon Yu, Jeong Whan Yoon, Seunghwa Ryu

Publié 2026-06-19

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Hyeonbin Moon, Donghyuk Cho, Jecheon Yu, Jeong Whan Yoon, Seunghwa Ryu

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 que vous essayiez de déterminer la forme exacte d'un ballon flexible caché à l'intérieur d'une boîte. Vous ne pouvez pas voir le ballon, vous ne pouvez pas le toucher, et vous n'avez pas de règle pour le mesurer directement. Tout ce que vous avez, c'est une caméra qui observe l'extérieur de la boîte et une balance qui mesure la force avec laquelle vous devez pousser sur la boîte pour la déplacer.

Cet article présente une nouvelle méthode ingénieuse pour résoudre ce casse-tête pour des matériaux comme les feuilles de métal. Voici la décomposition de la manière dont ils ont procédé, en utilisant des analogies simples.

Le Problème : La « Boîte Noire » du Métal

Lorsque les ingénieurs conçoivent des objets comme des carrosseries de voitures ou des ailes d'avion, ils doivent savoir exactement comment le métal va se plier et s'étirer. Ce comportement est contrôlé par ce qu'on appelle une « fonction de charge » (yield function). Considérez la fonction de charge comme le « livre de règles de personnalité » du métal. Elle dit au métal : « Si je te pousse aussi fort dans cette direction, tu commenceras à te déformer de manière permanente. »

Habituellement, déterminer ce livre de règles est difficile car :

Vous ne pouvez pas voir la contrainte à l'intérieur du métal (comme voir la pression à l'intérieur du ballon).
Vous devez tester le métal dans de nombreuses directions différentes (tirer à gauche, à droite, en diagonale).
Les ingénieurs doivent généralement deviner la forme du livre de règles au préalable (par exemple, « Est-ce un cercle ? Un carré ? ») puis essayer d'adapter les données à cette forme. S'ils devinent la mauvaise forme, tout le modèle échoue.

La Solution : Un Robot de « Devinette Intelligente »

Les auteurs ont créé un nouveau cadre qui agit comme un détective. Au lieu de deviner la forme du livre de règles, ils laissent un ordinateur découvrir la forme à partir de zéro.

Voici comment fonctionne leur « détective » :

1. La configuration de la « Boîte Noire »
Ils ont pris une pièce de métal avec deux trous découpés (comme un biscuit dont on aurait retiré les pépites de chocolat). Ils ont tiré sur ce métal de quatre manières différentes (étirement horizontal, vertical, diagonal et torsion).

Ce qu'ils ont mesuré : Ils ont utilisé une caméra pour observer comment la surface du métal se déplaçait (déplacement) et une balance pour mesurer la force nécessaire pour tirer (force de réaction).
Ce qu'ils n'ont PAS mesuré : Ils n'ont pas mesuré la contrainte à l'intérieur du métal ni la déformation plastique exacte. Ils ne disposaient que des données de l'« extérieur ».

2. L'IA « Changeuse de Forme »
Au lieu d'utiliser une formule mathématique fixe, ils ont utilisé un Réseau de Neurones Convexe.

L'analogie : Imaginez un morceau d'argile qui peut changer de forme. L'IA est le sculpteur.
Les règles : Le sculpteur n'est pas autorisé à créer n'importe quelle forme. L'article force l'IA à suivre des règles physiques strictes :
- Convexité : La forme doit être semblable à un « bol » (sans creux ni cavités). Cela garantit que le métal se comporte de manière stable.
- Symétrie : Si vous tirez le métal, il doit se comporter de manière similaire si vous le poussez (symétrie traction-compression).
- Mise à l'échelle (Scaling) : Si vous doublez la force, l'effet doit doubler (homogénéité positive).

3. Le test de l'« Équilibre des Forces »
C'est la partie magique. L'IA ne regarde pas la contrainte à l'intérieur du métal car elle ne peut pas la voir. À la place, elle joue à un jeu d'« Équilibre des Forces ».

L'IA devine une forme pour la fonction de charge (le livre de règles).
Elle lance une simulation : « Si le métal suit ce livre de règles, et que je tire avec cette force, comment la surface devrait-elle bouger ? »
Elle compare sa prédiction aux images de la caméra réelle.
La boucle de rétroaction : Si le mouvement prédit par l'IA ne correspond pas au mouvement réel de la caméra, elle sait que son « livre de règles » est faux. Elle ajuste la forme de l'argile (le réseau de neurones) et réessaie.
Elle continue ainsi jusqu'à ce que la simulation du mouvement du métal par l'IA corresponde parfaitement aux données réelles de la caméra et de la balance.

Les Résultats : Est-ce que cela a fonctionné ?

Les chercheurs ont testé ce « détective » sur trois types connus de comportements métalliques (certains simples, d'autres très complexes et directionnels).

Conditions Parfaites : Lorsque les données étaient propres (sans bruit), l'IA a réussi à « redécouvrir » les livres de règles cachés. Elle a dessiné les formes correctes, même pour les plus complexes, sans jamais avoir été informée de la réponse.
Conditions Bruyantes : Dans le monde réel, les caméras ne sont pas parfaites ; elles présentent un peu de « statique » ou de bruit. L'équipe a testé cela en ajoutant de la « statique » fictive aux données. L'IA est devenue un peu moins précise à mesure que le bruit augmentait, mais elle ne s'est pas effondrée. Elle a toujours trouvé une forme très proche de la vérité.
Les « Zones d'Ombre » : L'IA était très confiante concernant les parties du livre de règles qui ont été testées par les quatre directions de traction. Cependant, dans les zones où personne n'a tiré le métal (comme tirer dans une direction qui n'a jamais été testée), l'IA était moins sûre d'elle. C'est logique : si vous ne testez jamais une direction, vous ne pouvez pas être sûr à 100 % du comportement du métal dans cette direction.

L'Étape Finale : Le Rendre Utilisable

La forme de l'« argile » de l'IA est mathématiquement complexe et un peu irrégulière (c'est un réseau de neurones). Les logiciels d'ingénierie du monde réel (utilisés pour concevoir des voitures) ont besoin de formules fluides et simples pour fonctionner.

L'analogie : L'IA a trouvé la forme parfaite et complexe du ballon. Maintenant, les chercheurs ont pris cette forme et l'ont retranscrite sur une feuille de papier en utilisant une courbe polynomiale simple et lisse.
Le résultat : Cette courbe lisse était presque identique à la forme complexe de l'IA et pouvait être facilement injectée dans les logiciels d'ingénierie standards pour simuler le comportement du métal.

Résumé

Cet article démontre qu'il n'est pas nécessaire de deviner la formule mathématique de la flexion du métal. Au lieu de cela, on peut utiliser une IA contrainte par la physique pour apprendre la forme de la règle de flexion simplement en observant comment le métal se déplace et avec quelle force il faut tirer. C'est comme découvrir la forme d'un objet caché en observant seulement le mouvement des ombres qu'il projette, mais avec un robot qui connaît les lois de la physique afin de ne jamais faire de suppositions impossibles.

Résumé Technique : Découverte de fonctions de plasticité par des représentations neuronales convexes guidées par la physique

1. Énoncé du problème

L'identification des fonctions de charge anisotropes demeure un défi majeur en mécanique des solides. Les approches traditionnelles reposent sur la sélection d'une forme analytique spécifique (par exemple, von Mises, Hill 1948, Barlat–Yoon) et le calibrage de paramètres à partir de données expérimentales. Cependant, ce processus se heurte à plusieurs obstacles :

Limites des données : La plastification n'est pas observée directement dans les mesures mécaniques en champ complet (telles que la Corrélation d'Images Numériques, DIC). Les données expérimentales fournissent généralement des champs de déplacement et des forces de réaction, mais pas de champs de contraintes directs, de mesures de déformation plastique ou de données de surface de charge.
Complexité du calibrage : La détermination du comportement anisotrope nécessite souvent des essais de chargement dans de nombreuses directions, et la sélection d'une forme analytique suffisamment expressive tout en restant compacte est non triviale.
Structure du modèle : Les méthodes fondées sur les données existantes approximent souvent directement les réponses de contrainte ou nécessitent une supervision dans l'espace des contraintes, ce qui ne permet pas de révéler la structure constitutive sous-jacente (la fonction de charge) requise pour l'intégration classique des contraintes élastoplastiques.

Le problème central abordé est la manière d'inférer une fonction de charge anisotrope directement à partir de données de déplacement et de force de réaction en champ complet, sans observations de contraintes, sans mesures de déformation plastique et sans forme paramétrique prescrite, tout en garantissant que le résultat reste compatible avec la structure mécanique de l'intégration des contraintes élastoplastiques.

2. Méthodologie

Les auteurs proposent un cadre guidé par la physique qui traite la fonction de charge comme une composante constitutive mécaniquement contrainte au sein d'une boucle d'intégration des contraintes élastoplastiques, plutôt que comme une application supervisée directe dans l'espace des contraintes.

A. Représentation neuronale de la fonction de charge
La fonction de charge inconnue, $\bar{\sigma}(\sigma)$ , est représentée par un Réseau de Neurones Convexe (CNN) plutôt que par une bibliothèque d'équations analytiques candidates. Pour satisfaire les exigences mécaniques d'une plasticité indépendante de la vitesse, insensible à la pression et dotée d'une règle de flux associée (AFR), le réseau impose :

Convexité : Assurée via une architecture de réseau de neurones convexe en entrée, où les poids multipliant les activations des couches précédentes sont contraints d'être non négatifs.
Homogénéité positive de degré un : Imposée par l'utilisation d'activations ReLU et la suppression des termes de biais, garantissant $\bar{\sigma}(\rho\sigma) = \rho\bar{\sigma}(\sigma)$ .
Symétrie Traction-Compression : Imposée par la symétrisation de la sortie du réseau sur les transformations de signe des composantes de contrainte.
Lissage : L'architecture relâche la régularité globale $C^1$ vers une représentation $C^0$ , par morceaux différentiable, afin de satisfaire simultanément les contraintes de convexité et d'homogénéité.

B. Stratégie d'entraînement guidée par la physique
Le cadre utilise un algorithme de mise à jour des contraintes élastoplastiques différentiable pour entraîner le réseau de neurones en utilisant uniquement des données de déplacement et de force :

Entrée des données : Données de déplacement en champ complet résolues dans le temps (converties en incréments de déformation) et données de force de réaction issues de multiples cas de chargement (Traction uniaxiale en x/y, Traction biaxale, Cisaillement simple).
Intégration des contraintes différentiable : Un schéma explicite d'Euler progressif est utilisé pour mettre à jour la contrainte et la déformation plastique. Pour maintenir la différentiabilité par rapport aux paramètres du réseau de neurones, l'indicateur de plasticité abrupt (qui bascule entre états élastique et plastique) est remplacé par une approximation sigmoïde lisse.
Fonction de perte : L'objectif d'entraînement est le résidu d'équilibre des forces. Les incréments de force interne, prédits par l'assemblage des mises à jour de contraintes sur le maillage par éléments finis, sont comparés aux incréments de force externe dérivés des forces de réaction mesurées. La fonction de charge neuronale est optimisée pour minimiser cet écart.
Optimisation : Le processus utilise un optimiseur basé sur le gradient (Adam) pour mettre à jour les paramètres du réseau à travers tous les cas de chargement simultanément.

C. Déploiement par Éléments Finis
Puisque la fonction de charge neuronale découverte est différentiable par morceaux ( $C^0$ ) et n'est pas directement adaptée aux solveurs d'éléments finis implicites standards (qui nécessitent des dérivées analytiques lisses pour le retour de plasticité), un substitut polynomial est ajusté après la découverte. Ce substitut est une fonction polynomiale lisse et positivement homogène, ajustée sur les ensembles de niveaux de la fonction de charge neuronale identifiée, permettant un déploiement dans des simulations EF implicites conventionnelles.

3. Contributions clés

Identification directe à partir de données observables : Le cadre identifie les fonctions de charge à partir de données de déplacement en champ complet et de force de réaction sans nécessiter d'observations de contraintes, de mesures de déformation plastique, de données directes de surface de charge ou d'une forme analytique prescrite.
Représentation mécaniquement contrainte : Il introduit une représentation de charge neuronale convexe et un algorithme d'entraînement élastoplastique différentiable qui impose les contraintes mécaniques clés (convexité et homogénéité positive) tout en optimisant sur la base de l'équilibre des forces.
Validation complète : L'étude valide l'approche à l'aide de benchmarks par éléments finis (von Mises, Hill 1948 et Yld2000-2d), en évaluant :
- L'accord des contours de charge sous conditions sans bruit.
- La sensibilité au bruit de mesure de déplacement (simulant l'incertitude du DIC).
- L'identifiabilité et l'incertitude épistémique via des ensembles profonds (deep ensembles).
- La faisabilité du déploiement via un substitut polynomial lisse.

4. Résultats et Validation

Découverte sans bruit : Le cadre a récupéré avec succès les contours de charge pour les benchmarks isotropes (von Mises) et anisotropes (Hill 1948, Yld2000-2d). Les contours inférés correspondaient aux tendances de la vérité terrain, y compris l'anisotropie directionnelle, malgré l'absence de supervision directe des contraintes.
Sensibilité au bruit : La méthode a démontré une robustesse face à un bruit de déplacement sub-micrométrique (0,1–0,3 µm). Bien que la distorsion des contours augmente avec les niveaux de bruit, les surfaces de charge inférées restent cohérentes avec les tendances de la vérité terrain, montrant une dégradation graduelle plutôt qu'une défaillance soudaine.
Identifiabilité et incertitude : L'analyse des états de contrainte plastiquement actifs a révélé que les régions de la surface de charge visitées par les cas de chargement spécifiques étaient bien contraintes. À l'inverse, les régions avec une couverture d'état de contrainte parcellaire (par exemple, les contraintes normales de signes opposés) présentaient une incertitude épistémique plus élevée, comme le confirme l'écart-type des ensembles profonds.
Déploiement : Un substitut polynomial ajusté à la fonction neuronale découverte a réussi à reproduire les contours de charge et a produit des résultats de champ par éléments finis (contrainte et déformation plastique) comparables à la vérité terrain pour le benchmark Yld2000-2d.

5. Signification et Revendications

L'article affirme que la fonction de charge peut être identifiée comme une composante constitutive inconnue à l'intérieur de l'intégration des contraintes élastoplastiques, plutôt que comme un ajustement supervisé de contour dans l'espace des contraintes. En intégrant la représentation neuronale dans la mise à jour des contraintes et en la contraignant via l'équilibre des forces, le cadre comble le fossé entre la découverte basée sur les données et les exigences structurelles de la théorie de la plasticité classique.

Les auteurs soulignent que cette approche offre une voie guidée par la mécanique pour découvrir des fonctions de charge anisotropes. Elle isole le problème d'identification de la fonction de charge du besoin de mesures directes de contrainte ou de formes analytiques pré-sélectionnées, à condition que la loi d'écrouissage et la règle de flux soient connues ou prescrites.

Limites reconnues par les auteurs :

La validation repose sur des données synthétiques générées par des simulations EF, et non sur des mesures DIC expérimentales.
La loi d'écrouissage, la règle de flux (AFR) et l'élasticité sont prescrites ; l'étude ne réalise pas l'identification simultanée de l'écrouissage ou de règles de flux non associées.
L'implémentation actuelle suppose des conditions de contrainte plane et de petites déformations.
La fonction de charge neuronale est différentiable par morceaux, ce qui nécessite l'étape de post-traitement de l'ajustement d'un substitut polynomial pour un déploiement standard en EF implicite.

Les auteurs concluent que, bien que le cadre démontre avec succès la faisabilité de cette approche sur des données de référence, des travaux futurs sont nécessaires pour étendre la méthode aux contextes expérimentaux, à l'identification simultanée de l'écrouissage et de la charge, ainsi qu'aux états de contrainte tridimensionnels.