A Neural-Network Framework to Learn History-Dependent Constitutive Laws and Identifiability of Internal Variables

Dit artikel presenteert een causaal en energetisch neurale-netwerkframework voor het leren van geschiedenisafhankelijke constitutieve wetten dat thermodynamische consistentie, stabiliteit en het bestaan van oplossingen garandeert, terwijl het aantoont dat de geleerde interne variabelen uniek zijn tot op een lineaire transformatie, met een relatieve fout van 2% bij het voorspellen van het respons van een polycristallijne magnesium-eenheidscel.

De kern

Het Grote Plaatje: Een Computer Leren Materialen te "Voelen"

Stel je voor dat je probeert te voorspellen hoe een stuk metaal zal buigen, rekken of samendrukken wanneer je erop duwt. In de techniek gebruiken we meestal wiskundige formules (zogenaamde constitutieve wetten) om dit gedrag te beschrijven.

Metaal is echter lastig. Het reageert niet alleen op de duw die je nu geeft; het onthoudt elke duw en trek die het ooit heeft ervaren. Dit heet afhankelijkheid van de geschiedenis. Als je een stuk metaal uitrekt, loslaat en opnieuw uitrekt, gedraagt het zich de tweede keer anders vanwege zijn "geheugen".

Traditioneel moeten wetenschappers raden welke wiskundige formules dit geheugen beschrijven. Maar voor complexe materialen (zoals het magnesiummetaal in deze studie) is het raden van de juiste formule ontzettend moeilijk.

De Oplossing: De auteurs bouwden een speciaal type Kunstmatige Intelligentie (KI) – specifiek een Neuraal Netwerk – dat deze complexe "geheugen"-regels direct uit data kan leren, zonder dat een mens eerst een formule moet raden.

Het Probleem: KI Kan "Onfysisch" Zijn

Als je een standaard KI gewoon data laat leren, kan het misschien heel goed zijn in het voorspellen van het verleden, maar zou het voor de toekomst gekke natuurkunde kunnen verzinnen. Bijvoorbeeld: het zou kunnen voorspellen dat als je een metalen blok hard genoeg samendrukt, het verdwijnt in één enkel punt zonder enige weerstand. In de echte wereld is dat onmogelijk; materie verzet zich ertegen om tot niets te worden verpletterd.

Standaard KI begrijpt ook van nature niet de Tweede Hoofdwet van de Thermodynamica (die in feite zegt dat energie verloren gaat als warmte wanneer dingen tegen elkaar wrijven) of stabiliteit (het materiaal mag niet plotseling ontploffen of willekeurig gedrag vertonen).

De Oplossing: Het "Fysica-Eerst" KI-Kader

De auteurs creëerden een nieuw kader dat de KI dwingt om de wetten van de natuurkunde te gehoorzamen door ontwerp, niet alleen door geluk. Denk hierbij aan het bouwen van een motoren waar de zuigers fysiek aan de wielen zijn vergrendeld; de auto kan niet achteruit rijden als de wielen vooruit bewegen.

Hier is hoe ze dit deden:

1. De "Interne Variabelen" (Het Verborgen Geheugen):
   Omdat de KI de microscopische veranderingen binnenin het metaal niet kan zien (zoals kleine defecten die rondbewegen), introduceerden de auteurs onzichtbare "geheugenslots" genaamd interne variabelen.

   • Analogie: Stel je een spons voor. Als je erop knijpt, beweegt water erin. Je kunt het water niet zien bewegen, maar de vorm van de spons verandert erdoor. De "interne variabelen" zijn de manier waarop de KI bijhoudt waar dat "water" (de microscopische veranderingen) zit, zelfs al is het verborgen.
   • De Ontdekking: Het artikel bewijst dat, hoewel de KI verschillende "geheugenslots" kan bedenken afhankelijk van hoe het begint met leren, die slots altijd slechts een lineaire transformatie van elkaar zijn.
   • Eenvoudige vertaling: Als de ene KI besluit zijn geheugen "Slot A" te noemen en de andere "Slot B", beschrijven ze eigenlijk precies hetzelfde, alleen met een ander coördinatenstelsel (zoals afstand meten in inches versus centimeters). Ze zijn wiskundig equivalent.

2. De "Energiepotentialen" (De Regels van het Spel):
   De KI leert twee belangrijke dingen:

   • Opgeslagen Energie: Hoeveel energie er wordt opgeslagen wanneer je het materiaal uitrekt (zoals een veer).
   • Dissipatie: Hoeveel energie er verloren gaat als warmte (zoals wrijving).
     De auteurs bouwden de KI zo dat het moet volgen dat energieverlies altijd positief is (je kunt geen energie gratis terugkrijgen) en dat het materiaal oneindig moeilijk wordt om samen te drukken naarmate het kleiner wordt (het kan niet tot een punt worden verpletterd).

3. De "Groeifuncties" (Het Veiligheidsnet):
   Om ervoor te zorgen dat de KI geen onmogelijke scenario's voorspelt (zoals oneindige compressie), voegden ze speciale wiskundige "veiligheidsrails" toe.

   • Analogie: Stel je een videospelkarakter voor dat snel kan rennen, maar als het probeert van de rand van de kaart te lopen, duwt een gigantische onzichtbare muur ze terug. Deze veiligheidsrails zorgen ervoor dat als je het materiaal verder uitrekt of samendrukt dan de data die de KI heeft gezien, het zich nog steeds realistisch gedraagt (steeds moeilijker te vervormen) in plaats van de wetten van de natuurkunde te breken.

Het Experiment: Polykristallijn Magnesium

Het team testte dit kader op magnesium, een metaal dat wordt gebruikt in auto's en vliegtuigen. Magnesium bestaat uit vele kleine kristallen (korrels) die aan elkaar plakken, waardoor het gedrag zeer complex is.

• De Opstelling: Ze genereerden data door het microscopische gedrag van een klein blokje van dit magnesium te simuleren.
• De Training: Ze voerden deze data in bij hun "fysica-bewuste" KI.
• Het Resultaat: De KI leerde hoe het hele blok magnesium zich zou gedragen voorspellen met slechts 2% foutmarge. Dit is ongelooflijk nauwkeurig.
• De Snelheid: Omdat de KI een snel computerprogramma is, kan het dit gedrag veel sneller voorspellen dan de trage, complexe microscopische simulaties waarop het was getraind.

Belangrijkste Punten

• Nauwkeurigheid: De KI leerde het complexe "geheugen" van het metaal met een foutmarge van 2%.
• Naleving van de Fysica: De KI respecteert de wetten van de thermodynamica en de stabiliteit van materialen. Het zal niet voorspellen dat metaal tot een stip kan worden verpletterd.
• Uniek Geheugen: Hoewel de KI "verborgen" variabelen creëert om het geheugen bij te houden, bewijst het artikel dat deze variabelen uniek zijn tot een eenvoudige wiskundige verandering (zoals het wisselen van eenheden). Dit betekent dat de KI niet zomaar willekeurige getallen hallucineert; het vindt een echte, consistente structuur.
• Objectiviteit: Het model werkt correct, zelfs als je naar het materiaal vanuit een andere hoek kijkt (rotatie), wat een cruciale vereiste is voor de techniek in de echte wereld.

Samenvatting

De auteurs bouwden een slimme, fysica-savante KI die kan leren hoe complexe metalen zich in de loop van de tijd gedragen. Het is alsof je een student niet alleen de antwoorden op wiskundeproblemen leert, maar de fundamentele regels van rekenen, zodat ze elk probleem correct kunnen oplossen, zelfs die ze nog nooit hebben gezien. Het resultaat is een snel, nauwkeurig en fysiek realistisch model om te voorspellen hoe materialen zoals magnesium zullen reageren onder spanning.

Technische samenvatting

Technische Samenvatting: Een Neuraal-Netwerk Kader om Geschiedenis-Afhankelijke Constitutieve Wetten te Leren en Identificeerbaarheid van Interne Variabelen

Probleemstelling
De identificatie van constitutieve wetten is cruciaal voor het modelleren van materiaalgedrag, met name bij het overbruggen van de kloof tussen microscopische fysica en macroscopische technische toepassingen. Traditionele benaderingen vertrouwen vaak op het aanpassen van experimentele data aan wiskundige modellen of het gebruik van surrogate-modellen om de rekenkosten van multischaal-simulaties te verlagen (bijv. FE2). Echter, standaard datagedreven modellen, met name die gebaseerd op recurrente neurale netwerken (RNN's) die spanningsgeschiedenis direct op rekgeschiedenis afbeelden, missen vaak een strikte naleving van fundamentele fysische principes. Specifiek kunnen ze falen in het voldoen aan:

1. De tweede wet van de thermodynamica (dissipatie).
2. Materiaalstabiliteit onder extreme rekken.
3. De wiskundige voorwaarden (zoals polyconvexiteit) die nodig zijn om het bestaan van oplossingen te garanderen voor de regerende niet-lineaire impulsbalansvergelijkingen.

Bovendien worden bij inelastische materialen interne variabelen vaak a priori gepostuleerd of uit data geleerd zonder een duidelijke theoretische karakterisering van hun uniekheid. In datagedreven settings is het onduidelijk of geleerde interne variabelen uniek zijn of slechts verschillende representaties van dezelfde fysische toestand.

Methodologie
De auteurs stellen een causaal, energetisch neuraal netwerk (NN) kader voor gebaseerd op de theorie van interne variabelen om geschiedenis-afhankelijke constitutieve wetten te leren. De benadering herformuleert de niet-Markoviaanse spannings-rekrelatie tot een Markoviaans systeem door een set interne variabelen $\xi(t)$ in te voeren.

• Energetische Formulering: De spanning $P$ en de evolutie van interne variabelen worden afgeleid uit een energiedichtheidspotentiaal $W(F, \xi)$ en een dissipatiepotentiaal $\bar{D}(\dot{\xi})$. Het kader dwingt de tweede wet van de thermodynamica af door te garanderen dat $\bar{D}$ convex is met een minimum bij nul.
• Expliciete Dynamica via Legendre-Transformatie: Om het oplossen van impliciete gewone differentiaalvergelijkingen (ODE's) tijdens het trainen te vermijden, maken de auteurs gebruik van de Legendre-transformatie van de dissipatiepotentiaal. Dit zet de impliciete evolutievergelijking om in een expliciete vorm, waardoor het netwerk de duale dissipatiepotentiaal $D$ direct kan leren.
• Neuraal Netwerk Architectuur:
  • Input Convexe Neuronale Netwerken (ICNN's): De potentialen $W$ en $D$ worden geparametriseerd met behulp van ondiepe ICNN-architecturen. De gewichten in de laatste laag worden beperkt tot positieve waarden om de convexiteit van de potentialen te garanderen, wat noodzakelijk is voor thermodynamische consistentie en het bestaan van oplossingen.
  • Polyconvexiteit en Objectiviteit: De energ potentiaal $W$ wordt ontleed in hydrostatische en deviatorische componenten. Het hydrostatische deel wordt gemodelleerd om polyconvexiteit te garanderen (een voorwaarde voor existentie-stellingen in niet-lineaire elasticiteit). Om objectiviteit (frame-indifferentie) te voldoen, wordt het model getraind op symmetrische vervormingsgradiënten (ruimte van de rechter Cauchy-Green tensor) en uitgebreid naar niet-symmetrische gradiënten via polaire decompositie, in plaats van te vertrouwen op zachte beperkingen in de verliesfunctie.
  • Materiaalstabiliteit: Om onfysisch gedrag onder extreme rekken te voorkomen (bijv. het comprimeren van een materiaal tot een punt met eindige energie), worden specifieke groeifuncties ($G_1, G_2$) toegevoegd aan de potentialen. Deze functies blijven bijna constant binnen de data-ondersteuning, maar dwingen polynoomgroei af daarbuiten, waardoor de spanning correct naar oneindig gaat naarmate de determinant van de vervormingsgradiënt nul nadert of de rek groot wordt.
• Trainingsstrategie: Het kader wordt getraind op data gegenereerd uit een fijn-schaal kristalplasticiteitsmodel van een polykristallijne magnesium-eenheidscel. Het trainen omvat het minimaliseren van de fout tussen voorspelde en ware spanningscomponenten, met afzonderlijke verlies termen voor de hydrostatische en deviatorische delen om de discrepantie in hun grootteordes te behandelen.

Belangrijkste Bijdragen

1. Fysisch Consistent Kader: De auteurs introduceren een NN-kader dat gelijktijdig de tweede wet van de thermodynamica, materiaalstabiliteit, objectiviteit en polyconvexiteit afdwingt. In tegenstelling tot eerdere werken die deze beperkingen gedeeltelijk of via zachte straffen opleggen, integreert dit kader ze in de architectuur en energiedefinitie.
2. Objectieve Polyconvexe Uitbreiding: Het artikel presenteert een methode om zowel polyconvexiteit als objectiviteit te bereiken door te trainen op symmetrische tensoren en de definitie uit te breiden via polaire decompositie, waardoor de slechte voorspellende nauwkeurigheid wordt vermeden die geassocieerd is met invariant-gebaseerde modellen of verlies termen met zachte beperkingen.
3. Identificeerbaarheid van Interne Variabelen: Het werk biedt een theoretisch bewijs dat interne variabelen die uit data worden geleerd uniek zijn tot op een lineaire transformatie. Dit adresseert het niet-uniekheidsprobleem dat vaak wordt gerapporteerd in datagedreven constitutieve modellering, door de equivalentieklasse van surrogate-modellen te karakteriseren.
4. Hoge-Fideliteit Surrogate Modellering: Het kader wordt succesvol ingezet om het Taylor-gemiddelde respons van een polykristallijne magnesium microstructuur te leren, waarbij hoge nauwkeurigheid wordt bereikt zonder de fysische consistentie te compromitteren.

Resultaten

• Voorspellende Nauwkeurigheid: Het getrainde polyconvexe neurale netwerk bereikt een 2% relatieve fout bij het voorspellen van de Taylor-gemiddelde spanningsrespons van het polykristallijne magnesium. Het gebruik van energie-decompositie (hydrostatisch versus deviatorisch) bleek cruciaal, waarbij de fout werd verlaagd van 15% (zonder decompositie) naar 2%.
• Dimensionaliteit Interne Variabelen: Empirische analyse geeft aan dat zes interne variabelen optimaal zijn voor dit specifieke homogenisatieprobleem, waarbij nauwkeurigheid en rekenkosten in evenwicht worden gebracht.
• Materiaalstabiliteit: Visualisaties bevestigen dat de groeifuncties succesvol fysische limieten afdwingen. Zonder deze functies voorspelt het model een eindige spanning bij nul volume (det $F=0$), wat fysisch instabiel is. Met de functies nadert de spanning correct naar negatief oneindig naarmate het materiaal wordt gecomprimeerd.
• Verificatie van Identificeerbaarheid: De auteurs trainden twee onafhankelijke NN-modellen met verschillende initialisaties op dezelfde dataset. De resulterende trajecten van interne variabelen bleken lineaire transformaties van elkaar te zijn, met een mediane lineaire fit-fout van ongeveer 3%, wat het theoretische uniekheidsclaim empirisch valideert.

Betekenis en Scope
Het artikel beweert dat dit kader een robuuste, interpreteerbare en wiskundig onderbouwde aanpak biedt voor het leren van constitutieve wetten voor geschiedenis-afhankelijke materialen. Door consistentie met thermodynamica en existentietheorie te waarborgen, zijn de resulterende modellen geschikt voor gebruik als surrogaten in multischaal eindige-elementen-oplossers (bijv. Abaqus), waardoor mogelijk dure FE2-berekeningen worden vervangen. De auteurs merken op dat hoewel de methode werd gedemonstreerd op visco-elastisch/viscoplastisch magnesium, het kader algemeen genoeg is om elke geschiedenis-afhankelijke respons te vangen. Het werk concludeert met het identificeren van toekomstige richtingen, zoals het leren van heterogene, microstructuur-afhankelijke potentialen en ruimtelijk niet-lokale respons, maar stelt geen specifieke experimentele validaties voor buiten de gepresenteerde numerieke homogenisatie case study.