Towards Rapid Constitutive Model Discovery from Multi-Modal Data: Physics Augmented Finite Element Model Updating (paFEMU)

In dit werk wordt paFEMU geïntroduceerd, een transfer learning-methode die AI-gestuurde constitutieve modellering, sparsificatie voor interpreteerbare modelontdekking en adjoint-geoptimaliseerde eindige-elementenanalyse combineert met multi-modale data om snelle en interpreteerbare constitutieve modellen te ontdekken.

De kern

De Kern: Een Slimme Manier om Materiaalgedrag te "Leren"

Stel je voor dat je een nieuwe soort rubber of kunststof hebt ontworpen. Je wilt weten hoe dit materiaal zich gedraagt als je er hard aan trekt, het verwarmt of het vervormt. In de echte wereld is dit lastig: je kunt niet elke mogelijke situatie testen (dat kost te veel tijd en geld), en je hebt vaak maar een paar metingen.

De auteurs van dit papier (Jingye Tan en collega's) hebben een slimme methode bedacht, genaamd paFEMU. Het doel is om een wiskundige "recept" (een constitutief model) te vinden dat precies beschrijft hoe een materiaal werkt, maar dan wel zo snel en betrouwbaar mogelijk.

Hier is hoe hun methode werkt, stap voor stap:

1. Het Probleem: Te Veel Keuzes, Te Weinig Data

Vroeger deden ingenieurs dit zo: ze kozen een bestaand recept uit een boek (bijvoorbeeld "dit is hoe rubber werkt") en pasten alleen de getallen (parameters) aan tot het paste bij hun metingen.

• Het nadeel: Als het materiaal nieuw of complex is, past het oude recept misschien niet. Dan moet je het recept zelf uitvinden.
• Het nieuwe probleem: Als je probeert een recept uit te vinden met alleen maar een paar metingen, krijg je vaak gekke resultaten die in de praktijk niet werken. Het is alsof je probeert een heel boek te schrijven op basis van slechts één zin.

2. De Oplossing: Twee Stappen in plaats van Eén

De auteurs gebruiken een truc uit het domein van kunstmatige intelligentie (AI) die ze "Transfer Learning" noemen. Je kunt dit vergelijken met het leren van een nieuwe taal.

• Stap 1: De Basis (Pre-training)
  Stel je voor dat je eerst een taal leert die je al een beetje kent, of een taal die heel veel gemeen heeft met de nieuwe taal. In dit geval "leert" de computer eerst op simpele, goedkope proefjes (zoals een rechte trekproef) met een materiaal dat ze al kennen.

  • De Magische Knip: Ze gebruiken een truc om het "brein" van de computer heel klein te maken. Ze verwijderen alle overbodige details. Dit noemen ze sparsificatie.
  • Vergelijking: Het is alsof je een dik woordenboek (een groot, complex AI-model) reduceert tot een handig zakboekje met alleen de belangrijkste woorden. Dit maakt het model snel, begrijpelijk en makkelijk te gebruiken.

• Stap 2: De Fijnafstelling (Transfer Learning)
  Nu hebben ze dat kleine, slimme zakboekje. Ze nemen dit mee naar het echte, moeilijke werk: een complex materiaal met een rare vorm (bijvoorbeeld een stuk rubber met gaten erin) dat ze met een camera (Digital Image Correlation) in beeld brengen.

  • In plaats van van nul af te beginnen, gebruiken ze het kleine zakboekje als startpunt. De computer past alleen de laatste details aan om precies te matchen met de complexe foto's.
  • Vergelijking: Het is alsof je een ervaren kok bent die al weet hoe je een basissoep maakt. Als je nu een nieuwe, exotische soep moet maken, hoef je niet te leren hoe je water kookt of hoe je groenten snijdt. Je past alleen de kruiden aan voor de nieuwe smaak.

3. De "Fysica" Check: Geen Gokken, maar Wetenschap

Een groot risico bij AI is dat het "hallucineert" (droomt van dingen die niet bestaan). Als je AI alleen maar data ziet, kan het een recept bedenken dat wel past bij de metingen, maar fysisch onmogelijk is (bijvoorbeeld: een materiaal dat energie creëert uit het niets).

De auteurs bouwen fysica direct in het systeem:

• Ze dwingen de computer om regels te volgen die gelden in de natuur (zoals energiebehoud).
• Ze gebruiken een "controlemechanisme" (een indicator) dat checkt of het recept stabiel blijft, zelfs als je het materiaal extreem vervormt.
• Vergelijking: Het is alsof je een zelfrijdende auto bouwt die niet alleen leert van de weg, maar ook een onuitwisbare regel heeft: "Je mag nooit harder dan 100 km/u rijden, ongeacht wat de weg zegt." Dit zorgt voor veiligheid en betrouwbaarheid.

4. Het Resultaat: Snel, Betrouwbaar en Begrijpelijk

Door deze methode (paFEMU) te gebruiken, kunnen ze:

1. Snel een goed model vinden, zelfs met weinig data.
2. Het model is klein en simpel, zodat ingenieurs het makkelijk in hun bestaande software kunnen gebruiken (geen zware, trage computers nodig).
3. Ze kunnen het model gebruiken voor nieuwe materialen die nog nooit eerder zijn getest, door kennis over te dragen van oude materialen.

Samenvattend in één zin:
Ze hebben een slimme manier bedacht om een computer eerst te laten oefenen met simpele, bekende materialen en een klein "handboek" te maken, en dat handboek vervolgens te gebruiken om snel en veilig het gedrag van nieuwe, complexe materialen te voorspellen, zonder dat de computer onzin gaat verzinnen.

Technische samenvatting

Probleemstelling

De identificatie van constitutieve modellen (de wiskundige relaties tussen spanning en vervorming in materialen) is essentieel voor betrouwbare simulaties in de solid mechanics. Traditionele workflows zijn vaak traag en afhankelijk van menselijke intuïtie: ingenieurs kiezen een vooraf gedefinieerd fenomenologisch model en kalibreren de parameters. Dit leidt tot een gebrek aan generalisatievermogen en vertrouwen, vooral bij nieuwe materialen.

Machine Learning (ML) biedt potentieel voor automatische ontdekking van modelvormen, maar pure "black-box" modellen missen fysische inzichtelijkheid en generaliseren slecht buiten het trainingsdomein. Bestaande methoden zoals Sparse Regression of Physics-Augmented Neural Networks (PANNs) hebben vaak te kampen met:

1. Data-schaarste: Experimentele data is vaak beperkt, onvolledig (bijv. alleen oppervlaktedata) of duur om te verzamelen.
2. Interpreteerbaarheid: Complexe neurale netwerken zijn moeilijk te integreren in bestaande Finite Element (FE) workflows.
3. Transfer Learning: Het overbrengen van kennis van een materiaal naar een ander binnen dezelfde klasse is moeilijk zonder dat het model fysische wetten schendt of overfit.

Het artikel richt zich op het ontwikkelen van een methode die snel, interpreteerbaar en fysisch correct constitutieve modellen kan ontdekken uit multi-modale data (combinatie van simpele testdata en complexe full-field data).

Methodologie: PAFEMU

De auteurs stellen Physics Augmented Finite Element Model Updating (PAFEMU) voor, een transfer learning framework dat drie kerncomponenten combineert:

1. Physics-Augmented Neural Networks (PANNs) met Sparsificatie:

   • In plaats van een volledig geoptimaliseerd netwerk, worden Input Convex Neural Networks (ICNNs) gebruikt om de strain-energy potentiaal ($\phi$) te modelleren. Dit garandeert thermodynamische consistentie.
   • Er wordt gebruik gemaakt van $L_0$-regularisatie (via een "hard-concrete" verdeling) om het netwerk te "sparsificeren". Dit reduceert het model van duizenden parameters naar een compacte, interpreteerbare algebraïsche uitdrukking met slechts enkele parameters.
   • Polyconvexiteit: Om stabiliteit te garanderen (voorkomen van instabiliteiten in FE-simulaties), wordt een "polyconvexity indicator" geïntroduceerd. Dit kan worden opgelegd als een harde constraint (via de netwerkarchitectuur) of als een zachte constraint (strafterm in de loss-functie).

2. Multi-Modale Transfer Learning Strategie:
   Het proces verloopt in twee fasen:

   • Fase 1: Pre-training (Sparsificatie): Het model wordt getraind op "laag-trouw" data (low-fidelity), zoals simpele mechanische tests (uniaxiale trek, schuif) of synthetische data van een bekend materiaal. Het doel is om een fysisch geldige, zeer compacte (sparsified) representatie van het materiaalgedrag te ontdekken.
   • Fase 2: Fine-tuning (Adjoint-based Updating): Het geoptimaliseerde, lage-dimensionale model wordt gebruikt als startpunt voor een adjoint-based Finite Element Model Updating (FEMU) op "hoog-trouw" data (high-fidelity). Deze data bestaat uit full-field vervormingen (verkregen via Digital Image Correlation - DIC) en reactiekrachten van complexe proefstukken.
   • Door het gebruik van een differentieerbare FE-oplosser (gebaseerd op FEniCS en JAX), worden de parameters van het neurale netwerk efficiënt bijgewerkt via de adjoint-methode om het verschil tussen simulatie en experiment te minimaliseren.

3. Fysische Augmentatie:
   Het framework integreert fysische wetten direct in de architectuur (invarianten als input, objectiviteit) en de training (normalisatie voor spanningsvrije referentiestaat, polyconvexiteit).

Belangrijkste Bijdragen

• PAFEMU Framework: Een nieuw transfer learning protocol dat sparsificatie koppelt aan adjoint-based FEMU, waardoor complexe modellen kunnen worden getraind met beperkte data.
• Interpreteerbare Modelontdekking: Door $L_0$-sparsificatie worden neurale netwerken gereduceerd tot menselijk leesbare algebraïsche formules (bijv. met 9 of 13 parameters in plaats van 41.400), wat de integratie in bestaande industriële software mogelijk maakt.
• Polyconvexity Indicator: Een nieuwe, efficiënt te berekenen indicator voor polyconvexiteit die als zachte constraint kan dienen, waardoor de expressiviteit van het model wordt vergroot zonder de stabiliteit volledig te verwaarlozen.
• Multi-Modale Datafusie: Het succesvol combineren van simpele data (voor initiatie en structuur) en complexe full-field DIC-data (voor precisie en generalisatie) in één workflow.

Resultaten

De methode werd getest op synthetische data met verschillende hyperelastische modellen (Gent-Gent, Neo-Hookean, en Generalized Ogden):

• Pre-training: De sparsificatie slaagde erin om complexe netwerken te reduceren tot compacte vormen zonder verlies van nauwkeurigheid binnen het trainingsdomein. De "Relaxed ICNN" en "Unconstrained NN" varianten toonden betere generalisatie buiten het trainingsdomein dan de strikt "Polyconvex" variant, die te beperkend bleek voor sommige materialen (zoals Gent-Gent).
• Transfer Learning: De ge-sparsificeerde modellen konden succesvol worden overgeheveld naar nieuwe materialen (Neo-Hookean en Ogden) die fundamenteel anders waren dan het pre-training materiaal.
  • De modellen convergeerden snel (in <20 iteraties) naar de nieuwe materialen.
  • Ze behielden hun fysische consistentie en stabiliteit tijdens de FE-simulaties.
• Validatie en Deploy:
  • De getransfereerde modellen werden getest op onzichtbare beladingsscenario's (bijv. 3D torsie met extreme vervorming tot 458°).
  • Het model voorspelde de spanningsverdeling met een relatieve fout van slechts 8,6% vergeleken met de grond-waarheid, zelfs in gebieden ver buiten het trainingsdomein.
  • Er waren geen numerieke instabiliteiten (zoals kortegolf-instabiliteiten) waargenomen, wat de stabiliteit van de geleerde modellen bevestigt.

Betekenis en Toekomstperspectief

PAFEMU biedt een oplossing voor het "data-scarce" probleem in de materiaalkunde. Het stelt onderzoekers in staat om snel betrouwbare, interpreteerbare constitutieve modellen te ontwikkelen voor nieuwe materialen door kennis van bestaande materialen te benutten.

• Efficiëntie: Het verminderen van de parameterruimte maakt het mogelijk om complexe inverse problemen op te lossen binnen bestaande FE-werkstromen, zonder de rekenkosten van grote neurale netwerken.
• Betrouwbaarheid: Door fysische constraints (thermodynamica, polyconvexiteit) in te bouwen, wordt gegarandeerd dat de modellen fysisch plausibel blijven, wat cruciaal is voor veiligheidskritische toepassingen.
• Toekomst: De auteurs plannen uitbreiding naar geschiedenis-afhankelijk gedrag (plasticiteit, visco-elasticiteit) en de integratie van actief experimenteel ontwerp om de meest informatieve testopstellingen te selecteren.

Kortom, dit werk markeert een verschuiving van puur data-gedreven benaderingen naar een hybride paradigma dat de kracht van ML combineert met de robuustheid van klassieke mechanica en differentieerbare simulatie.