Learning viscoplastic constitutive behavior from experiments: II. Dynamic indentation

Dit artikel breidt een methode uit voor het identificeren van viskoplastisch constitutief gedrag uit experimenten door contact en dynamische indentatie te modelleren via een omgekeerd probleem met Lagrange-multiplicatoren, wat wordt gevalideerd op synthetische data en experimenten met staal en aluminium.

De kern

Stel je voor dat je een mysterieus, onbekend materiaal in handen hebt. Je wilt weten hoe het zich gedraagt als je er hard op duwt: is het zacht als boter, of stevig als staal? En hoe verandert dat gedrag als je het heel snel of heel langzaam duwt?

In de wetenschap noemen we dit de "constitutieve relatie" – een ingewikkelde term voor de recept van het materiaal. Het probleem is: je kunt dit recept niet direct aflezen. Je kunt niet gewoon in het materiaal kijken en zien hoe de atomen op elkaar reageren. Je kunt alleen meten hoeveel kracht je uitoefent en hoe ver het materiaal indrukt.

Dit artikel beschrijft een slimme manier om dat recept te achterhalen, alsof je een kookrecept probeert te reconstrueren door alleen naar de geur en de smaak van het eindgerecht te kijken.

Hier is hoe ze dat doen, vertaald naar alledaagse taal:

1. Het Probleem: De Omgekeerde Taak

Stel je voor dat je een bal van klei hebt. Als je er met je duim op drukt, zie je een afdruk. Maar hoe weet je precies hoe de klei zich in het binnenste gedraagt?

• De normale manier: Je doet een experiment, meet de kracht en de diepte, en probeert daaruit te raden wat er binnenin gebeurt. Dit is een "omgekeerd probleem" (inverse problem). Het is als proberen te raden welke ingrediënten in een taart zitten, terwijl je alleen de taart zelf mag proeven.
• De oude manier: Mensen deden vaak veel simpele tests en pasten hun theorieën daarop aan. Maar bij complexe, snelle bewegingen (zoals een kogel die op pantserplaat slaat) is dit vaak niet nauwkeurig genoeg.

2. De Oplossing: De "Spiegel" (De Adjoint-methode)

De auteurs van dit artikel hebben een slim algoritme bedacht dat werkt als een slimme spiegel.

1. Het Voorspellen (De Voorwaartse Stap): Ze beginnen met een gok. Ze zeggen: "Laten we aannemen dat dit staal zo en zo hard is." Ze laten een computer dit staal virtueel indrukken met een bolletje. De computer berekent: "Als het staal zo is, zou de kracht die we meten dit moeten zijn."
2. Het Vergelijken: Ze kijken naar de echte meting uit het lab en vergelijken die met de computer-gok. "Oh, de computer voorspelde 100 Newton, maar we meten 120 Newton. Onze gok was fout."
3. Het Bijsturen (De Spiegels): Hier komt de magie. In plaats van willekeurig te gissen, gebruiken ze een wiskundige truc genaamd de adjoint-methode.
   • De analogie: Stel je voor dat je een bal in een donkere kamer gooit en hij botst ergens. Als je wilt weten waar hij tegenaan botste, kun je de bal teruggooien vanaf het punt waar hij stopte. Als je precies de tegenovergestelde beweging doet, kom je precies terug bij de oorsprong van de botsing.
   • In dit geval "gooien" ze de fout (het verschil tussen meting en voorspelling) terug door het computermodel. Het model zegt dan precies: "Je moet de hardheid met 2% verhogen en de snelheid met 1% verlagen om de fout te verkleinen."
   • Ze doen dit keer op keer, tot de computer-voorspelling perfect overeenkomt met de echte meting. Dan hebben ze het juiste recept gevonden!

3. De Uitdaging: De "Aanraking" (Contact)

Een groot deel van dit artikel gaat over een specifiek probleem: contact.
Wanneer je een harde bol op een zacht materiaal duwt, raken ze elkaar. Maar ze mogen niet door elkaar heen gaan. In de wiskunde is dit een lastige regel (een "niet-holonomische constraint").

• De Analogie: Stel je voor dat je een ballon tegen een muur duwt. De muur mag de ballon niet laten doorgaan. De auteurs hebben een wiskundig systeem bedacht (met "Lagrange-multiplicatoren" en "slack-variabelen" – klinkt ingewikkeld, maar is eigenlijk als een veer en een slot) dat zorgt dat de bol precies tegen het materiaal drukt, maar er nooit doorheen zakt. Ze hebben dit systeem zo snel gemaakt dat het ook werkt bij extreem snelle bewegingen (dynamisch), zoals bij een impact.

4. De Test: Van Virtueel naar Echt

Ze hebben hun methode getest op twee manieren:

• De "Synthetische" Test (Het Zekere): Eerst maakten ze nep-data in de computer. Ze gaven de computer een geheim recept, lieten hem een test doen, en gaven die data aan hun algoritme. Het algoritme moest het geheim recept raden.

  • Resultaat: Het algoritme raakte het recept bijna perfect! Zelfs als ze de data een beetje "ruis" gaven (zoals ruis in een radio), werkte het nog steeds. Ze ontdekten zelfs dat de kleine trillingen in de krachtmeting (die mensen vaak negeren) heel veel informatie bevatten over het materiaal.

• De "Echte" Test (Het Onzekere): Vervolgens testten ze het op echte materialen:

  1. RHA-staal: Een heel hard pantserstaal.
  2. Aluminium: Een lichter metaal.
     Ze deden echte experimenten waarbij ze een hard bolletje met grote snelheid op deze metalen duwden.
  • Resultaat: Hun methode kon de eigenschappen van het staal en het aluminium heel nauwkeurig achterhalen, alleen op basis van de kracht- en dieptemetingen. Ze konden zelfs laten zien dat hun gevonden "recept" beter werkte dan bestaande theorieën uit boeken.

Waarom is dit belangrijk?

Vroeger moest je duizenden experimenten doen om een materiaal te begrijpen. Met deze methode kun je met weinig tests (soms maar een paar) het volledige gedrag van een complex materiaal achterhalen.

Het is alsof je in plaats van 100 keer een taart te bakken om het recept te vinden, nu met één proefje en een slimme computer het exacte recept kunt berekenen. Dit helpt ingenieurs om betere auto's, vliegtuigen en bescherming te ontwerpen, omdat ze precies weten hoe materialen zich gedragen onder extreme omstandigheden.

Kort samengevat:
De auteurs hebben een slimme "recept-ontdekker" gebouwd die, door te kijken naar hoe een materiaal reageert op een duw (en door slimme wiskunde toe te passen om de fouten te corrigeren), precies kan vertellen hoe dat materiaal van binnen is opgebouwd. Ze hebben dit getest op zowel virtuele als echte metalen en het werkt verrassend goed.

Technische samenvatting

Probleemstelling

Het ontwerpen van oplossingen met complexe materialen vereist nauwkeurige constitutieve relaties (materiaalwetten) die het gedrag van het materiaal beschrijven. Traditioneel worden deze relaties empirisch bepaald via experimenten, maar directe meting van grootheden zoals spanning, rek en rektempo is onmogelijk. In plaats daarvan moeten deze worden afgeleid uit meetbare grootheden zoals verplaatsingen en krachten. Dit maakt het afleiden van constitutieve relaties een indirecte inverse probleem.

Specifiek richt dit artikel zich op dynamische indentatie (indrukken). Hoewel dit een veelgebruikte test is om hardheid te bepalen, is het kwantitatief afleiden van het elastisch-plastische gedrag uitdagend vanwege de complexe, tijdsafhankelijke en heterogene spanningsstaten die optreden. Bovendien introduceert het contact tussen de indenter en het materiaal een niet-holonomische, eenzijdige constraint (contact kan niet worden losgelaten zonder dat de oppervlakken elkaar raken), wat extra theoretische ontwikkeling vereist ten opzichte van eerdere werk (Deel I).

Methodologie

De auteurs formuleren het probleem als een optimalisatieprobleem met partiële differentiaalvergelijkingen (PDE) als constraints. Het doel is om materiaalparameters te vinden die het verschil minimaliseren tussen experimentele observaties en de uitkomsten van een numeriek model, terwijl de balanswetten (behoudswetten) strikt worden nageleefd.

De kerncomponenten van de methode zijn:

1. Forward Probleem (Voorwaartse simulatie):

   • Het model beschrijft een elastisch-plastisch lichaam met $J_2$ plasticiteit, inclusief vermogensw wetten voor isotrope verharding en snelheidsgevoeligheid.
   • Contactbehandeling: Om het contactprobleem op te lossen, wordt een Lagrange-multiplicator ($\lambda$) en een slack variabele ($\ell$) geïntroduceerd. De contactvoorwaarde ($C \geq 0$) wordt strikt afgedwongen door $C = \ell^2$ te stellen.
   • De numerieke oplossing gebruikt een staggered update-scheme (wisselend schema) met een predictor-corrector algoritme voor contact en een impliciete achterwaartse Euler-methode voor plasticiteit.

2. Inverse Probleem (Parameteridentificatie):

   • De doelstelling is het minimaliseren van een objectief functie $O$, die de $L_2$-norm van het verschil tussen de gemeten reactiekracht en de berekende kracht weergeeft.
   • Adjoint-methode: Om de gradiënten van de doelstelling ten opzichte van de parameters efficiënt te berekenen, wordt de adjoint-methode gebruikt. Hierbij worden extra "adjoint" variabelen ($v, \gamma, \zeta, \tau$) geïntroduceerd die achterwaarts in de tijd worden opgelost.
   • De auteurs leiden de adjoint-vergelijkingen af die specifiek rekening houden met de contactconstraints en de Lagrange-multiplicator.

3. Optimalisatie:

   • De parameters worden bijgewerkt met de Method of Moving Asymptotes (MMA), een gradiëntgebaseerde optimalisatie-algoritme.
   • De implementatie gebeurt in de open-source C++ bibliotheek deal.ii.

Belangrijkste Bijdragen

• Formulering van dynamisch contact: De paper introduceert een robuuste manier om eenzijdige contactconstraints in een PDE-geconstrueerde optimalisatie te verwerken door gebruik te maken van Lagrange-multiplicatoren en slack variabelen, in plaats van straffuncties (penalty methods).
• Adjoint-derivatie voor contact: Een nieuwe afleiding van de adjoint-vergelijkingen die specifiek de evolutie van de contactconditie en de bijbehorende multiplicatoren omvat.
• Robuustheid van data: Het aantonen dat macroscopische data (kracht vs. verplaatsing) voldoende informatie bevat om constitutieve relaties te leren, mits de fluctuaties in de dynamische respons (die vaak worden genegeerd) worden meegenomen.
• Toepassing op echte data: De eerste succesvolle toepassing van deze methode op experimentele data van geroold homogeen pantserstaal (RHA) en aluminiumlegering (Al 6061-T6).

Resultaten

1. Synthetische Data Validatie:

   • De methode werd getest met synthetische data gegenereerd uit bekende parameters.
   • Het algoritme slaagde erin om de parameters nauwkeurig te herstellen, zelfs bij verschillende startwaarden en verschillende indenter-vormen (bolvormig en ellipsoïdaal).
   • Cruciaal inzicht: Als de data werd "geglad" (lineaire fit), faalde de reconstructie. De fluctuaties in de kracht-tijd curve, veroorzaakt door de dynamische respons, bleken essentieel voor het nauwkeurig identificeren van de materiaalparameters.
   • De herstelde parameters gaven in onafhankelijke uniaxiale trektesten een bijna identiek gedrag als de "ground truth".

2. Experimentele Data (RHA Staal en Al 6061-T6):

   • De methode werd toegepast op data verkregen met een Split-Hopkinson drukstang (Kolsky-buis).
   • RHA Staal: De elastische modulus, vloeispanning en verhardingsparameters werden hersteld. De herstelde curve paste goed bij de experimentele data. Er was een discrepantie in de herstelde elastische modulus (139,9 GPa vs. 200 GPa in de literatuur), wat de auteurs toeschrijven aan de aanname van een starre indenter (in werkelijkheid vervormt de wolfraamcarbide indenter lichtjes) en het kleine elastische regime in de test.
   • Al 6061-T6: Ook hier werden de parameters succesvol hersteld. De resultaten kwamen goed overeen met eerder gekalibreerde Johnson-Cook modellen in onafhankelijke trektesten.

Significantie en Conclusie

Dit werk toont aan dat het mogelijk is om complexe, tijdsafhankelijke constitutieve relaties nauwkeurig te identificeren uit slechts een paar dynamische indentatie-experimenten, zonder dat complexe interne veldmetingen nodig zijn.

• Efficiëntie: De gebruikte adjoint-methode maakt het mogelijk om sensitiviteiten te berekenen met een kostprijs die onafhankelijk is van het aantal parameters, wat essentieel is voor complexe materialen.
• Generaliteit: De methode is robuust ten opzichte van de keuze van de indenter-vorm en startwaarden.
• Toekomstperspectief: De auteurs kondigen Deel III aan, waarin deze methode wordt uitgebreid om neuronale netwerken te gebruiken als het constitutieve model, waardoor de functionaliteit van de materiaalwet volledig data-gedreven kan worden geleerd zonder voorafgaande aannames over de wiskundige vorm.

Samenvattend biedt deze paper een krachtig raamwerk om de kloof te overbruggen tussen macroscopische experimenten en microscopisch materiaalgedrag, met name voor dynamische belastingsscenario's waar traditionele methoden tekortschieten.