Adaptive Material Fingerprinting for the fast discovery of polyconvex feature combinations in isotropic and anisotropic hyperelasticity

1. Il Problema

La caratterizzazione dei materiali iperelastici (come gomma e tessuti biologici) richiede tipicamente l'identificazione di modelli costitutivi e dei loro parametri. I metodi tradizionali si basano sulla risoluzione di problemi di ottimizzazione continua, che possono essere:

• Computazionalmente costosi: Richiedono la risoluzione ripetuta di problemi al contorno o equazioni non lineari.
• Non convessi: Possono convergere a minimi locali invece che globali.
• Limitati nella flessibilità: I metodi basati su "impronte digitali" (Material Fingerprinting) precedenti erano limitati alla selezione di un singolo modello predefinito da un database fisso, impedendo la scoperta di combinazioni complesse di modelli (es. modelli Ogden multi-termine o modelli anisotropi complessi).

L'obiettivo di questo lavoro è superare queste limitazioni sviluppando un metodo che permetta di scoprire combinazioni lineari arbitrarie di modelli materiali, mantenendo la velocità computazionale e garantendo la consistenza fisica (inclusa la convessità polare).

2. Metodologia: Material Fingerprinting Adattivo

Gli autori propongono un'estensione adattiva del metodo "Material Fingerprinting", strutturato in due fasi:

Fase Offline (Generazione del Database)

• Viene creato un database di "impronte digitali" meccaniche (risposte di stress-estensione) per una vasta gamma di funzioni di densità di energia di deformazione (feature functions).
• Le funzioni sono costruite come combinazioni lineari di termini isotropi e anisotropi basati su invarianti principali (allungamenti principali $\lambda_i$ e cambiamenti di area $\lambda_i \lambda_j$).
• Vengono considerate funzioni specifiche (es. Ogden, Holzapfel-Gasser-Ogden) definite da parametri $\alpha$ e $\theta$.
• Vincoli Fisici: Il database include un meccanismo per garantire la convessità polare (polyconvexity), una condizione sufficiente per l'esistenza di minimizzatori dell'energia, limitando la selezione a sottoinsiemi di funzioni che soddisfano criteri di convessità e monotonia.
• Vengono generati database separati per materiali isotropi e anisotropi.

Fase Online (Riconoscimento di Pattern Adattivo)

• Input: Un'impronta digitale sperimentale misurata ($f^*$) ottenuta da test meccanici standardizzati (trazione uniaxiale, taglio puro, biassiale).
• Algoritmo Iterativo: Invece di selezionare un modello singolo, l'algoritmo costruisce il modello costitutivo passo dopo passo:
  1. Inizia con una densità di energia nulla ($\tilde{W} = 0$).
  2. Calcola il residuo tra l'impronta sperimentale e la previsione del modello corrente.
  3. Cerca nel database la "feature" (funzione di base) la cui impronta digitale corrisponde meglio al residuo (massimizzando il prodotto scalare normalizzato).
  4. Aggiunge questa feature al modello con un coefficiente di scala appropriato.
  5. Ripete il processo per un numero predefinito di iterazioni ($n_a$).
• Questo approccio è concettualmente simile alla regressione step-forward o all'algoritmo LARS, ma utilizza un database precalcolato invece di risolvere problemi di ottimizzazione in tempo reale.

3. Contributi Chiave

• Flessibilità del Modello: Il metodo non è limitato a scegliere un modello preesistente, ma può scoprire combinazioni lineari di modelli, permettendo la ricostruzione di modelli complessi come Ogden multi-termine o modelli anisotropi di Holzapfel-Gasser-Ogden.
• Efficienza Computazionale: Elimina la necessità di risolvere problemi di ottimizzazione non convessi durante la fase di identificazione, offrendo una velocità di scoperta in tempo reale.
• Garanzia di Consistenza Fisica: L'implementazione permette di attivare un interruttore per imporre la convessità polare, garantendo che i modelli scoperti siano fisicamente ammissibili (esistenza di soluzioni) senza sacrificare significativamente l'accuratezza.
• Interpretabilità: A differenza delle reti neurali costitutive (CANN) che sono spesso "scatole nere", questo metodo produce modelli espressi tramite formule matematiche interpretabili e sparse (numero limitato di termini).

4. Risultati Sperimentali

Il metodo è stato testato su due dataset sperimentali:

• Gomma Vulcanizzata (Isotropo - Dati di Treloar):

  • Con un singolo termine ($n_a=1$), il modello ha mostrato un buon accordo qualitativo ma un $R^2$ medio di 0.9286.
  • Aumentando il numero di termini a 3 ($n_a=3$), l'accuratezza è salita a $R^2 = 0.9953$.
  • Il metodo ha scoperto combinazioni di funzioni esponenziali che riproducono fedelmente i dati sia a 20°C che a 50°C.
  • L'accuratezza è paragonabile a quella delle reti neurali costitutive, ma senza la fase di addestramento costosa.

• Pelle Animale (Anisotropo - Dati di Linka et al.):

  • Un modello isotropo ($n_a=1$) ha fallito nel catturare il comportamento anisotropo ($R^2 = 0.3777$).
  • L'aggiunta di termini anisotropi ($n_a=2$) ha migliorato drasticamente l'accuratezza ($R^2 = 0.8441$).
  • Con $n_a=4$, il modello ha raggiunto un $R^2 = 0.8916$, identificando correttamente la struttura del modello di Holzapfel-Gasser-Ogden.
  • L'imposizione della convessità polare ha ridotto leggermente l'accuratezza ($R^2 = 0.8371$), ma ha garantito la validità matematica del modello.

5. Significato e Implicazioni

Questo lavoro rappresenta un avanzamento significativo nella meccanica computazionale dei materiali:

1. Ponte tra Modelli Tradizionali e Data-Driven: Offre un'alternativa scalabile ai metodi basati sull'ottimizzazione e alle reti neurali pure, combinando la velocità dei metodi di lookup con la flessibilità dei modelli data-driven.
2. Controllo della Complessità: Il parametro iperparametro $n_a$ agisce come un parametro di regolarizzazione trasparente, permettendo agli utenti di bilanciare esplicitamente la complessità del modello (interpretabilità) e l'accuratezza predittiva.
3. Robustezza: La separazione tra fase offline (pesante) e online (leggera) rende il metodo ideale per applicazioni in tempo reale o per l'identificazione rapida di materiali in scenari industriali o medici.
4. Validazione Fisica: La capacità di imporre la convessità polare direttamente nel processo di scoperta assicura che i modelli generati siano teoricamente solidi, un aspetto spesso trascurato nei metodi puramente basati sui dati.

In sintesi, l'approccio proposto democratizza la scoperta di modelli costitutivi complessi, rendendoli accessibili, rapidi e fisicamente consistenti.