🤖 machine learning

Physics-Informed Discovery of Yield Functions in Plasticity via Convex Neural Representations

Dit artikel stelt een natuurkundig geïnformeerd kader voor dat convexe neurale netwerken gebruikt om anisotrope vloeifuncties te ontdekken direct uit volveldsverplaatsings- en reactiekrachtgegevens, waarbij de noodzaak voor directe spanningsobservaties of vooraf gedefinieerde parametrische vormen wordt omzeild door de vloeifunctie in te bedden binnen een differentieerbaar elastoplastisch spanningintegratieschema.

Oorspronkelijke auteurs: Hyeonbin Moon, Donghyuk Cho, Jecheon Yu, Jeong Whan Yoon, Seunghwa Ryu

Gepubliceerd 2026-06-19

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Hyeonbin Moon, Donghyuk Cho, Jecheon Yu, Jeong Whan Yoon, Seunghwa Ryu

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 voor dat je de exacte vorm probeert te achterhalen van een verborgen, flexibele ballon in een doos. Je kunt de ballon niet zien, je kunt hem niet aanraken en je hebt geen liniaal om hem direct te meten. Alles wat je hebt, is een camera die de buitenkant van de doos observeert en een weegschaal die meet hoe hard je op de doos moet duwen om hem te verplaatsen.

Dit artikel presenteert een slimme nieuwe manier om dat puzzelstukje op te lossen voor materialen zoals metaalplaten. Hier is de uitleg over hoe ze het deden, gebruikmakend van eenvoudige analogieën.

Het Probleem: De "Black Box" van Metaal

Wanneer ingenieurs dingen ontwerpen zoals carrosserieën van auto's of vliegtuigvleugels, moeten ze precies weten hoe het metaal zal buigen en rekken. Dit gedrag wordt bepa wordt gestuurd door iets dat een "yield function" (vloeifunctie) wordt genoemd. Zie de vloeifunctie als het "persoonlijkheidsregelboek" van het metaal. Het vertelt het metaal: "Als ik je zo hard duw in deze richting, zul je permanent beginnen te vervormen."

Normaal gesproken is het uitzoeken van dit regelboek moeilijk omdat:

Je de spanning binnenin het metaal niet kunt zien (zoals de druk binnenin de ballon niet kan zien).
Je het metaal in veel verschillende richtingen moet testen (naar links trekken, naar rechts, diagonaal).
Ingenieurs meestal eerst de vorm van het regelboek moeten raden (bijv. "Is het een cirkel? Een vierkant?") en vervolgens proberen de data aan die vorm aan te passen. Als ze de verkeerde vorm raden, faalt het hele model.

De Oplossing: Een "Slimme Raadende" Robot

De auteurs hebben een nieuw framework gecreëerd dat werkt als een detective. In plaats van de vorm van het regelboek te raden, laten ze een computer de vorm ontdekken vanuit het niets.

Zo werkt hun "detective":

1. De "Black Box" Opstelling
Ze namen een stuk metaal met twee gaten erin uitgebrand (zoals een koekje waarvan de chocoladechips zijn verwijderd). Ze trokken aan dit metaal op vier verschillende manieren (het horizontaal en verticaal uitrekken, diagonaal trekken en draaien).

Wat ze maten: Ze gebruikten een camera om te kijken hoe het metaaloppervlak bewoog (verplaatsing) en een weegschaal om te meten hoeveel kracht er nodig was om het metaal te trekken (reactiekracht).
Wat ze niet maten: Ze maten niet de spanning binnenin het metaal of de exacte plastische vervorming. Ze hadden alleen de "buitenste" data.

2. De "Vormveranderende" AI
In plaats van een vaste wiskundige formule te gebruiken, gebruikten ze een Convex Neural Network (Convex Neuraal Netwerk).

De Analogie: Stel je een stuk klei voor dat van vorm kan veranderen. De AI is de beeldhouwer.
De Regels: De beeldhouwer mag niet zomaar elke vorm maken. Het artikel dwingt de AI om strikte natuurkundige regels te volgen:
- Convexiteit: De vorm moet "komvormig" zijn (geen deuken of groeven). Dit zorgt ervoor dat het metaal stabiel blijft gedraagt.
- Symmetrie: Als je aan het metaal trekt, moet het zich vergelijkbaar gedragen als je erin duwt (spanning-compressie symmetrie).
- Schaling: Als je de kracht verdubbelt, moet het effect ook verdubbelen (positieve homogeniteit).

3. De "Krachtbalans" Test
Dit is het magische deel. De AI kijkt niet naar de spanning binnenin het metaal, want die kan het niet zien. In plaats daarvan speelt het een spel van "Krachtbalans".

De AI raadt een vorm voor de vloeifunctie (het regelboek).
Het voert een simulatie uit: "Als het metaal dit regelboek volgt, en ik trek met deze kracht, hoe meget het oppervlak dan zou moeten bewegen?"
Het vergelijkt de voorspelde beweging met de werkelijke camerabeelden.
De Feedbackloop: Als de voorspelde beweging van de AI niet overeenkomt met de werkelijke camerabeelden, weet de AI dat zijn "regelboek" fout is. Het past de vorm van de klei (het neurale netwerk) aan en probeert het opnieuw.
Het blijft dit doen totdat de simulatie van de AI over de beweging van het metaal perfect overeenkomt met de echte camera- en schaalgegevens.

De Resultaten: Werkte het?

De onderzoekers testten deze "detective" op drie bekende soorten metaalgedrag (sommige simpel, andere zeer complex en richtinggevoelig).

Ideale Omstandigheden: Wanneer de data schoon was (geen ruis), "herontdekte" de AI de verborgen regelboeken. Het tekende de juiste vormen, zelfs voor de complexe vormen, zonder dat er ooit een antwoord werd gegeven.
Ruisige Omstandigheden: In de echte wereld zijn camera's niet perfect; ze hebben een beetje "statische ruis". Het team testte dit door nep-"statische ruis" aan de data toe te voegen. De AI werd iets minder nauwkeurig naarmate de ruis luider werd, maar het ging niet kapot. Het vond nog steeds een vorm die heel dicht bij de waarheid lag.
De "Blinde Vlekken": De AI was zeer zelfverzekerd over de delen van het regelboek die werden getest door de vier trekkrichtingen. Echter, in gebieden waar niemand aan het metaal trok (zoals trekken in een richting die nooit getest is), was de AI minder zeker. Dit is logisch: als je een richting nooit test, kun je niet 100% zeker zijn van hoe het metaal zich daar gedraagt.

De Laatste Stap: Het Bruikbaar Maken

De "kleivorm" van de AI is wiskundig complex en een beetje grillig (het is een neuraal netwerk). Real-world engineering software (gebruikt voor het ontwerpen van auto's) heeft echter gladde, eenvoudige formules nodig om te kunnen werken.

De Analogie: De AI heeft de perfecte, complexe vorm van de ballon gevonden. Nu hebben de onderzoekers die vorm gebruikt om het met een gladde, eenvoudige polynoomcurve op papier te tekenen.
Het Resultaat: Deze gladde curve was bijna identiek aan de complexe vorm van de AI en kon gemakkelijk worden ingevoegd in standaard engineering software om het gedrag van het metaal te simuleren.

Samenvatting

Dit artikel laat zien dat je niet de wiskundige formule hoeft te raden voor hoe metaal buigt. In plaats daarvan kun je een natuurkunde-beperkte AI gebruiken om de vorm van de buigregel te leren, enkel door te kijken naar hoe het metaal beweegt en hoe hard je eraan moet trekken. Het is alsof je de vorm van een verborgen object probeert te achterhalen door alleen te kijken naar hoe de schaduwen die het werpt bewegen, maar dan met een robot die de wetten van de natuurkunde kent, zodat hij nooit onmogelijke gokken doet.

Technische Samenvatting: Fysisch-geïnformeerde ontdekking van vloeifuncties in plasticiteit via convexe neurale representaties

1. Probleemstelling

Het identificeren van anisotrope vloeifuncties blijft een aanzienlijke uitdaging in de vaste mechanica. Traditionele benaderingen vertrouwen op het selecteren van een specifieke analytische vorm (bijv. von Mises, Hill 1948, Barlat–Yoon) en het kalibreren van parameters tegenover experimentele gegevens. Dit proces wordt echter gehinderd door verschillende obstakels:

Databeperkingen: Vloeien wordt niet direct waargenomen in full-field mechanische metingen (zoals Digital Image Correlation, DIC). Experimentele gegevens leveren doorgaans verplaatsingsvelden en reactiekrachten, maar geen directe spanningvelden, plastische vervormingsmetingen of vloeioppervlakgegevens.
Kalibratiecomplexiteit: Het bepalen van anisotroop gedrag vereist vaak belasting in veel richtingen, en het selecteren van een geschikte analytische vorm die voldoende expressief maar compact is, is niet triviaal.
Modelstructuur: Bestaande datagestuurde methoden benaderen vaak de spanningsresponsen direct of vereisen supervisie in de spanningsruimte, wat faalt in het onthullen van de onderliggende constitutieve structuur (de vloeifunctie) die nodig is voor conventionele elastoplastische spanningsintegratie.

Het kernprobleem dat wordt aangepakt is hoe een anisotrope vloeifunctie direct kan worden afgeleid uit full-field verplaatsings- en reactiekrachtgegevens, zonder stresswaarnemingen, plastische vervormingsmetingen of een voorgeschreven parametrische vorm, terwijl wordt gewaarborgd dat het resultaat compatibel blijft met de mechanische structuur van elastoplastische spanningsintegratie.

2. Methodologie

De auteurs stellen een fysisch-geïnformeerd raamwerk voor dat de vloeifunctie behandelt als een mechanisch beperkte constitutieve component binnen een elastoplastische spanningsintegratielus, in plaats van als een directe gesuperviseerde mapping in de spanningsruimte.

A. Neurale Representatie van de Vloeifunctie
De onbekende vloeifunctie, $\bar{\sigma}(\sigma)$ , wordt gerepresenteerd door een Convex Neural Network (CNN) in plaats van een kandidaat-bibliotheek van analytische vergelijkingen. Om te voldoen aan de mechanische vereisten van snelheidsonafhankelijke, druk-insensitieve plasticiteit met een geassocieerde stroomregel (AFR), dwingt het netwerk het volgende af:

Convexiteit: Gewaarborgd via een input convex neural network architectuur waarbij de gewichten die de activaties van de vorige laag vermenigvuldigen, beperkt zijn tot niet-negatieve waarden.
Positieve Homogeniteit van Graad Eén: Afgedwongen door het gebruik van ReLU-activaties en het verwijderen van bias-termen, wat zorgt voor $\bar{\sigma}(\rho\sigma) = \rho\bar{\sigma}(\sigma)$ .
Trek-Druk Symmetrie: Impositie door de netwerkoutput te symmetriseren over signustransformaties van de spanningscomponenten.
Gladheid: De architectuur versoepelt globale $C^1$ -gladheid naar een $C^0$ , stuksgewijs differentieerbare representatie om de convexiteits- en homogeniteitsbeperkingen simultaan te voldoen.

B. Fysisch-Geïnformeerde Trainingsstrategie
Het raamwerk maakt gebruik van een differentieerbaar elastoplastisch spanningsupdate-algoritme om het neurale netwerk te trainen met enkel verplaatsings- en krachtgegevens:

Data Input: Tijdopgeloste full-field verplaatsingsgegevens (omgezet in rek-incremementen) en reactiekrachtgegevens van meerdere belastingsgevallen (Uniaxiale Trek in x/y, Biaxiale Trek, Eenvoudige Afschuiving).
Differentieerbare Spanningsintegratie: Een expliciet forward Euler-schema wordt gebruikt om spanning en plastische vervorming bij te werken. Om differentieerbaarheid ten opzichte van de neurale netwerkparameters te behouden, wordt de scherpe plasticiteitsindicator (die schakelt tussen elastische en plastische toestanden) vervangen door een gladde sigmoid-benadering.
Verliesfunctie: Het trainingsdoel is het evenwichtsresidue van de kracht. De interne krachtincrementen, voorspeld door de spanningsupdates over het eindige elementenrooster te assembleren, worden vergeleken met de externe krachtincrementen afgeleid van de gemeten reactiekrachten. De neurale vloeifunctie wordt geoptimaliseerd om dit verschil te minimaliseren.
Optimalisatie: Het proces gebruikt een gradiëntgebaseerde optimizer (Adam) om de netwerkparameters over alle belastingsgevallen simultaan bij te werken.

C. Implementatie in Eindige Elementen
Omdat de ontdekte neurale vloeifunctie stuksgewijs differentieerbaar ( $C^0$ ) is en niet direct geschikt is voor standaard impliciete eindige elementen solvers (die gladde analytische afgeleiden vereisen voor de return mapping), wordt post-discovery een polynomiale surrogaat aangepast. Deze surrogaat is een gladde, positief homogene polynoomfunctie die is aangepast aan de niveausets van de geïdentificeerde neurale vloeifunctie, wat implementatie in conventionele impliciete FE-simulaties mogelijk maakt.

3. Belangrijkste Bijdragen

Directe Identificatie vanuit Observeerbare Data: Het raamwerk identificeert vloeifuncties vanuit full-field verplaatsings- en reactiekrachtgegevens zonder dat daarvoor stresswaarnemingen, plastische vervormingsmetingen, directe vloeioppervlakgegevens of een voorgeschreven analytische vorm nodig zijn.
Mechanisch Beperkte Representatie: Het introduceert een convexe neurale vloeifunctie-representatie en een differentieerbaar elastoplastisch trainingsalgoritme dat cruciale mechanische beperkingen (convexiteit en positieve homogeniteit) afdwingt terwijl wordt geoptimaliseerd op basis van krachtevenwicht.
Uitgebreide Validatie: De studie valideert de aanpak met eindige elementen benchmarks (von Mises, Hill 1948 en Yld2000-2d), waarbij het volgende wordt beoordeeld:
- Overeenkomst van de vloeicontouren onder ruisvrije condities.
- Gevoeligheid voor verplaatsingsruis (simulatie van DIC-onzekerheid).
- Identificeerbaarheid en epistemische onzekerheid via deep ensembles.
- Haalbaarheid van implementatie via een gladde polynomiale surrogaat.

4. Resultaten en Validatie

Ruisvrije Ontdekking: Het raamwerk heeft succesvol de vloeicontouren gerecupereerd voor isotrope (von Mises) en anisotrope (Hill 1948, Yld2000-2d) benchmarks. De afgeleide contouren kwamen overeen met de grondwaarheidstrends, inclusclusief directionele anisotropie, ondanks de afwezigheid van directe stress-supervisie.
Gevoeligheid voor Ruis: De methode toonde robuustheid bij sub-micrometer verplaatsingsruis (0,1–0,3 µm). Hoewel de contourvervorming toenam met hogere ruisniveaus, bleven de afgeleide vloeioppervlakken consistent met de grondwaarheidstrends, waarbij een geleidelijke degradatie optrad in plaats van plotseling falen.
Identificeerbaarheid en Onzekerheid: Analyse van plastisch actieve spanningsstaten toonde aan dat regio's van het vloeioppervlak die door de specifieke belastingsgevallen werden bezocht, goed geconstreerd waren. Daarentegen vertoonden regio's met een schaarse dekking van de spanningsstaat (bijv. tegengestelde tekens van normale spanningen) een hogere epistemische onzekerheid, zoals bevestigd door de standaarddeviaties van de deep ensembles.
Implementatie: Een polynomiale surrogaat, aangepast aan de ontdekte neurale functie, repliceerde succesvol de vloeicontouren en produceerde eindige elementen veldresultaten (spanning en plastische vervorming) die vergelijkbaar zijn met de grondwaarheid voor de Yld2000-2d benchmark.

5. Betekenis en Claims

Het artikel claimt dat de vloeifunctie kan worden geïdentificeerd als een onbekende constitutieve component binnen de elastoplastische spanningsintegratie, in plaats van een gesuperviseerde contour-fit in de spanningsruimte. Door de neurale representatie binnen de spanningsupdate in te bedden en deze te beperken via krachtevenwicht, overbrugt het raamwerk de kloof tussen datagestuurde ontdekking en de structurele vereisten van de klassieke plasticiteitstheorie.

De auteurs benadrukken dat deze aanpak een mechanisch beperkt pad biedt voor het ontdekken van anisotrope vloeifuncties. Het isoleert het probleem van de identificatie van de vloeifunctie van de noodzaak voor directe spanningsmetingen of vooraf geselecteerde analytische vormen, mits de verstijwingswet (hardening law) en de stroomregel bekend of voorgeschreven zijn.

Beperkingen erkend door de auteurs:

De validatie leunt op synthetische gegevens gegenereerd door FE-simulaties, niet op experimentele DIC-metingen.
De verstijwingswet, de stroomregel (AFR) en de elasticiteit zijn voorgeschreven; de studie voert geen gelijktijdige identificatie van verstijving of niet-geassocieerde stroomregels uit.
De huidige implementatie gaat uit van vlakke-spanning condities (plane-stress) en kleine vervormingen.
De neurale vloeifunctie is stuksgewijs differentieerbaar, wat de post-processing stap vereist van het aanpassen van een polynomiale surrogaat voor standaard impliciete FE-implementatie.

De auteurs concluderen dat hoewel het raamwerk succesvol de haalbaarheid van deze aanpak op benchmark-data heeft aangetoond, toekomstig werk nodig is om dit uit te breiden naar experimentele settings, gelijktijdige identificatie van vloeien en verstijving, en driedimensionale spanningsstaten.