🔬 materials science

Concurrent enforcement of polyconvexity and true-stress-true-strain monotonicity in incompressible isotropic hyperelasticity: application to neural network constitutive models

Dit artikel stelt vast dat polyconvexiteit werkelijke spanning-werkelijke rek-monotoniciteit impliceert in incompressibele isotrope hyperelasticiteit, een bevinding die is gebruikt om vier natuurkundig versterkte neurale netwerkarchitecturen te ontwerpen en te kalibreren die significante verschillen in extrapolatieprestaties onthullen, ondanks het feit dat zij identieke constitutieve beperkingen voldoen.

Oorspronkelijke auteurs: Maximilian P. Wollner, Dominik K. Klein, Herbert Baaser, Gerhard A. Holzapfel, Patrizio Neff

Gepubliceerd 2026-09-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Maximilian P. Wollner, Dominik K. Klein, Herbert Baaser, Gerhard A. Holzapfel, Patrizio Neff

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een wereld voor waarin materialen zoals rubber, silicone en zachte biologische weefsels perfect door een computer voorspeld kunnen worden. Ingenieurs en wetenschappers zoeken al lang naar de "regels" die bepalen hoe deze stoffen rekken, draaien en terugveren. Deze regels, bekend als constitutieve modellen, zijn in essentie wiskundige recepten die een simulatie vertellen hoe een materiaal zal reageren wanneer het wordt getrokken of samengedrukt. Decennialang hebben onderzoekers vertrouwd op vaste formules, die vaak vernoemd zijn naar de wetenschappers die ze ontdekten, om dit gedrag te beschrijven. Deze traditionele formules kunnen echter rigide zijn; ze hebben moeite om de complexe, chaotische realiteit van echte materialen te vatten, en het kiezen van de juiste formule vereist diepe expertise. In de afgelopen jaren is er een nieuwe aanpak ontstaan: het gebruik van kunstmatige intelligentie, specifeerd neurale netwerken, om deze regels direct te leren van experimentele gegevens. Deze "fysica-geaugmenteerde" netwerken zijn flexibel en krachtig, maar ze brengen een risico met zich mee. Als ze niet zorgvuldig worden gestuurd, kunnen ze de trainingsgegevens perfect leren, maar vervolgens wilde, fysiek onmogelijke voorspellingen doen wanneer ze gevraagd wordt hoe een materiaal zich gedraagt in situaties die ze nog nooit eerder hebben gezien.

Een team van onderzoekers probeerde dit probleem op te lossen door een vangnet in de architectuur van deze neurale netwerken in te bouwen. Ze richtten zich op een specifiek type materiaalgedrag genaamd incompressibele hyperelasticiteit, wat materialen beschrijft zoals rubber die van vorm veranderen zonder van volume te veranderen. Het team onderzocht twee fundamentele fysische principes die elk realistisch materiaalmodel moet naleven. Het eerste is een wiskundige garantie van stabiliteit, die ervoor zorgt dat het materiaal niet spontaan instort of zich grillig gedraagt onder spanning. Het tweede is een eenvoudige, intuïtieve regel: naarmate je een materiaal verder uitrekt, zou de kracht die nodig is om het te rekken altijd moeten toenemen. De onderzoekers wilden weten of ze hun neurale netwerken door ontwerp konden dwingen deze regels te volgen, en of ze hiermee konden garanderen dat de netwerken redelijk zouden reageren, zelfs wanneer ze ver voorbij de gegevens werden gepusht waarop ze getraind waren.

De onderzoekers begonnen door een klassiek wiskundig bewijs uit de jaren 1970 te herzien, dat de voorwaarden voor materiaalstabiliteit vaststelde. Ze toonden aan dat voor rubberachtige materialen die niet van volume veranderen, het voldoen aan de strikte stabiliteitsvoorwaarde automatisch garandeert dat de kracht die nodig is om het materiaal te rekken, altijd toeneemt naarmate de rek toeneemt. Dit was een belangrijke theoretische bevinding, omdat het betekende dat door een neuraal netwerk te bouwen dat aan de complexe stabiliteitsregel voldoet, zij er zeker van konden zijn dat de eenvoudigere "meer rek betekent meer kracht"-regel er vanzelf uit zou volgen. Met dit theoretische fundament gelegd, construeerden zij vier verschillende soorten neurale netwerkarchitecturen. Elk was ontworpen om deze natuurkundige wetten vanaf het begin te respecteren, maar ze gebruikten verschillende wiskundige ingrediënten om dit te doen. Sommige netwerken werden gebouwd met standaard maten van vervorming, terwijl andere complexere, gespecialiseerde maten gebruikten van hoe het materiaal rekt.

Om deze modellen te testen, voedden het team ze met echte experimentele gegevens van drie verschillende soorten rubberachtige materialen. Ze kalibreerden de netwerken zodat ze de spanning en rekmetingen uit de laboratoriumtests nauwkeurig konden reproduceren. In het bereik waar gegevens beschikbaar waren, presteerden alle vier de netwerken goed en leerden ze het gedrag van de materialen succesvol kennen. Echter, de ware test kwam toen de onderzoekers de modellen vroegen om te voorspellen wat er zou gebeuren buiten het bereik van de experimentele gegevens, een proces dat extrapolatie wordt genoemd. Dit is waar de modellen scherp uiteenliepen. Ondanks dat alle vier de netwerken gebouwd waren om de dezelfde natuurkundige wetten te respecteren en de trainingsgegevens even goed pasten, voorspelden ze zeer verschillende gedragingen wanneer ze tot extreme lengtes werden uitgerekt. Sommige modellen voorspelden dat het materiaal oneindig zou blijven verstijven, terwijl andere suggereerden dat het materiaal uiteindelijk zou verzachten of op manieren zou reageren die, hoewel wiskundig stabiel, fysiek contra-intuïtief aanvoelden.

De studie onthulde een cruciaal inzicht: voldoen aan de bekende fysieke beperkingen is noodzakelijk maar niet voldoende om te garanderen dat een model de toekomst correct zal voorspellen. De onderzoekers ontdekten dat de specifieke manier waarop een neuraal netwerk is gestructureerd — de keuze van de wiskundige ingrediënten die het gebruikt om het materiaal te beschrijven — een diepgaande impact heeft op hoe het gedrag vertoont wanneer het moet gissen. Twee modellen kunnen identiek lijken bij het testen tegen bekende gegevens, terwijl het ene een betrouwbare voorspeller kan zijn voor extreme omstandigheden en het andere de ware aard van het materiaal niet kan vatten. Dit suggereert dat het simpelweg toevoegen van meer data of het groter maken van het netwerk niet de oplossing is. In plaats daarvan is de keuze van het onderliggende wiskundige kader even belangrijk als de data zelf. De auteurs concluderen dat hoewel deze natuurkunde-gestuurde netwerken krachtige instrumenten zijn, ze niet automatisch het vermogen bezitten om het onbekende met zekerheid te voorspellen. Om het toekomstige gedrag van complexe materialen echt te modelleren, moeten wetenschappers mogelijk nog meer fysische intuïtie integreren in het ontwerp van deze netwerken, waarbij ze verder gaan dan alleen stabiliteit en monotoniciteit om de diepere, subtielere manieren te vangen waarop echte materialen reageren op extreme krachten.

Technische Samenvatting: Gelijktijdige Handhaving van Polyconvexiteit en Waarheids-spanning–Waarheids-rek Monotonie in Incompressibele Isotrope Hyperelasticiteit

Probleemstelling
Het ontwerp van physics-augmented neural networks (PANNs) voor constitutieve modellering heeft veel tractie gekregen vanwege hun flexibiliteit in het benaderen van complexe materiaaleigenschappen. Een kritische uitdaging blijft echter: het waarborgen dat deze datagestuurde modellen voldoen aan fundamentele fysische beperkingen, met name bij extrapolatie buiten het kalibratie-regime. In de context van incompressibele isotrope hyperelasticiteit worden twee primaire constitutieve beperkingen als fysiek redelijk beschouwd: polyconvexiteit (wat stabiliteit en rang-één convexiteit impliceert) en waarheids-spanning–waarheids-rek monotonie (TSTS-M), de vereiste dat spanning monotoon toeneemt met de rek.

Hoewel polyconvexiteit vaak wordt afgedwongen in PANN-architecturen, is de relatie tussen polyconvexiteit en TSTS-M in incompressibele materialen een onderwerp van theoretische ambiguïteit geweest. In het compressibele geval garandeert polyconvexiteit geen TSTS-M. De auteurs onderzoeken of deze relatie vereenvoudigt onder de aanname van incompressibiliteit en hoe deze theoretische inzichten de praktische prestaties en extrapolatiecapaciteiten van verschillende PANN-architecturen beïnvloeden.

Methodologie
Het artikel verloopt in twee afzonderlijke fasen: theoretische afleiding en numerieke toepassing.

Theoretisch Kader:
- De auteurs herzien het klassieke kader van isotrope incompressibele hyperelasticiteit, met de focus op de wisselwerking tussen polyconvexiteit en TSTS-M.
- Zij bieden een traceerbaar bewijs van Ball's (1976) voldoende voorwaarden voor polyconvexiteit met behulp van de theorie van majorisatie, wat een duidelijkere uitleg geeft van de onderliggende mechanica.
- Zij demonstreren dat voor een grote klasse van incompressibele energiefuncties, Ball's voldoende voorwaarden voor polyconvexiteit automatisch TSTS-M (en Hill's ongelijkheid) impliceren. Dit wordt vastgesteld door te laten zien dat de strikte convexiteit van de energie-functie in de logaritmische hoofd-stretches (Hencky-rek) een consequentie is van deze voorwaarden.
- De auteurs verduidelijken dat hoewel deze voorwaarden voldoende zijn, ze niet noodzakelijk zijn, en zij bespreken openstaande vragen over de vraag of polyconvexiteit over het algemeen TSTS-M impliceert in incompressibiliteit zonder te vertrouwen op Ball's specifieke voorwaarden.
PANN-architectuur en Kalibratie:
- Vier verschillende PANN-architecturen zijn geconstrueerd, die allemaal ontworpen zijn om de afgeleide constitutieve beperkingen a priori te voldoen:
  - PANN– $I$ : Gebaseerd op de hoofd-invarianten van de rechter Cauchy–Green tensor ( $I_1, I_2$ ).
  - PANN– $\sqrt{I}$ : Gebaseerd op de vierkantswortels van deze invarianten.
  - PANN– $\lambda$ : Gebaseerd op de hoofd-stretches ( $\lambda_k$ ) waarbij permutatie-invariantie wordt afgedwongen via groepssymmetrisatie.
  - PANN– $\nu$ : Gebaseerd op getekende enkelvoudige waarden met $\Pi(3)$ -invariantie.
- Deze modellen maken gebruik van convex-monotone neurale netwerken (CMNNs) of input-convexe neurale netwerken (ICNNs) met softplus-activatiefuncties om de wiskundige eigenschappen van de energie-functie te waarborgen.
- De modellen worden gekalibreerd tegen experimentele gegevens van drie zachte rubberachtige materialen: Treloar's vulcanisatie-rubber, een EPDM-polymeer en een 3D geprinte DLP-materiaal.
- Prestaties worden geëvalueerd op basis van interpolatie-nauwkeurigheid (gemiddelde kwadratische fout) en, cruciaal, extrapolatiegedrag in scenario's van uniaxiale, equibiaxiale en zuivere afschuivingsbelasting.

Kernbijdragen

Theoretische Koppeling: Het artikel stelt vast dat voor incompressibele isotrope hyperelasticiteit Ball's voldoende voorwaarden voor polyconvexiteit voldoende zijn om TSTS-M te garanderen. Dit biedt een rigoureuze theoretische basis voor het construeren van PANNs die zowel stabiliteits- als monotoniciteitsbeperkingen gelijktijdig voldoen.
Architecturale Vergelijking: De studie construeert en vergelijkt vier verschillende PANN-parametrisaties. Het demonstreert dat het voldoen aan dezelfde constitutieve beperkingen niet hetzelfde type benaderingskracht garandeert; de keuze van de invoervariabelen (invarianten versus stretches versus getekende enkelvoudige waarden) beïnvloedt de capaciteit van het model aanzienlijk om specifieke materiaaleigenschappen te fitten.
Extrapolatie-analyse: Een centrale bevinding is dat terwijl verschillende PANN-architecturen vergelijkbare interpolatie-nauwkeurigheid bereiken (het goed fitten van de trainingsdata), zij uitgesproken en uiteenlopende gedragingen vertonen bij extrapolatie naar grote rekken.
Curvatuurbeperking: De auteurs observeren dat hoewel de opgelegde beperkingen de monotone toename van spanning waarborgen, zij de curvatuur van de spanning–rek respons niet beperken. Bijgevolg voorspellen sommige PANN-modellen een spanning-respons die weliswaar monotoon toeneemt, maar met een negatieve curvatuur (verweking gedrag) bij grote rekken, wat in strijd is met de intuïtieve verwachting van verstijving voor ideale elastische lichamen.

Resultaten

Interpolatie: Alle vier de PANN-modellen boden over het algemeen goede fits voor de experimentele data, hoewel de prestaties varieerden per materiaal. Voor de EPDM- en DLP-materialen presteerde het op getekende enkelvoudige waarden gebaseerde model (PANN– $\nu$ ) beter dan de op invarianten gebaseerde modellen (PANN– $I$ en PANN– $\sqrt{I}$ ), wat suggereert dat invariant-gebaseerde parametrisaties inherente beperkingen kunnen hebben in hun flexibiliteit voor bepaalde materiaaleigenschappen.
Extrapolatie: Significante afwijkingen werden waargenomen in het extrapolatie-regime. Zelfs modellen met bijna identieke interpolatie-fouten produceerden zeer verschillende spanning-voorspellingen bij grote stretches.
- Invariant-gebaseerde modellen (PANN– $I$ ) vertoonden een neiging voor de spanning-respons om af te vlakken of een negatieve curvatuur te vertonen bij hoge stretches, als gevolg van de specifieke afgeleiden van de invarianten ten opzichte van de hoofd-stretches.
- In contrast hiermee behielden de op stretches gebaseerde modellen (PANN– $\lambda$ ) en de modellen gebaseerd op getekende enkelvoudige waarden (PANN– $\nu}$ ) andere extrapolatie-trends.
Stabiliteit: Alle modellen behielden monotoniciteit en stabiliteit (geen schendingen van de rang-één convexiteit) dankzij de architecturale beperkingen, wat de theoretische afleiding bevestigt.

Betekenis en Conclusies
Het artikel concludeert dat hoewel physics-augmented neural networks succesvol fundamentele constitutieve beperkingen zoals polyconvexiteit en TSTS-M afdwingen, deze beperkingen alleen onvoldoende zijn om een fysiek redelijke extrapolatie te garanderen. De keuze van de parametrisatie (de "ansatz functie") werkt als een verborgen bias die het gedrag van het model buiten het trainingsdomein dicteert.

De auteurs wijzen op een kritische kloof in de huidige constitutieve modellering: de set van beperkingen (polyconvexiteit + TSTS-M) beperkt de helling van de spanning-respons, maar slaagt er niet in de curvatuur ervan te beperken. Dit leidt tot een fundamentele ambiguïteit waarbij meerdere modellen de data even goed fitten, maar bij extrapolatie verschillende fysische realiteiten voorspellen. Het artikel suggereert dat voor "geidealiseerde elasticiteit" aanvullende beperkingen met betrekking tot de curvatuur van de Cauchy-spanning noodzakelijk kunnen zijn, hoewel het formaliseren van dergelijke beperkingen een openstaand vraagstuk blijft.

Uiteindelijk dient dit werk als een waarschuwing voor de PANN-gemeenschap: een hoge benaderingskracht en het naleven van basis-fysische wetten betekenen niet automatisch dat er sprake is van een definitieve voorspellende kracht. De selectie van een specifieke PANN-architectuur is een modelleringskeuze die een significante impact heeft op de betrouwbaarheid van voorspellingen in ongeobserveerde deformatie-regimes.

Meer zoals dit