Discovery of Hyperelastic Constitutive Laws from Experimental Data with EUCLID

本文评估了 EUCLID 框架在自然橡胶实验数据上的表现，通过对比传统参数识别方法与 EUCLID 的自动化模型发现流程，验证了后者在结合全局与局部数据时实现高精度预测及跨几何泛化的优越性。

要点

这篇文章讲述了一项关于如何让计算机自动“学会”材料性格的研究。为了让你更容易理解，我们可以把这项研究想象成教一个机器人厨师做一道完美的“橡胶蛋糕”。

1. 背景：以前的做法 vs. 现在的挑战

以前的做法（传统方法）：
想象一下，你想知道一种橡胶在受力时会怎么变形。以前的科学家就像是在猜谜。

• 他们手里有一本“食谱书”（比如 Mooney-Rivlin 模型、Ogden 模型等），里面写着各种可能的配方。
• 科学家必须先猜：“我觉得这个橡胶应该用‘食谱 A'。”
• 然后，他们做实验，把橡胶拉一拉、压一压，看看数据。
• 如果数据对不上，他们就换“食谱 B"，再试一次。
• 这个过程就像试错，非常耗时，而且如果猜错了方向，可能永远做不出完美的蛋糕。

现在的挑战：
橡胶这种材料很“调皮”，受力大时行为会变得很复杂（非线性）。而且，实验数据往往有噪音（就像录音里有杂音），或者数据不够多。传统的“猜食谱”方法在这种复杂情况下很容易失效。

2. 主角登场：EUCLID（自动发现者）

这篇论文介绍了一个叫 EUCLID 的新工具。它不像以前的科学家那样去“猜”食谱，而是像一个超级侦探或AI 厨师。

• 它的任务：不需要科学家告诉它用哪个“食谱”。它直接面对一堆实验数据（橡胶被拉伸、扭曲时的表现）。
• 它的方法：它面前有一个巨大的“调料库”（包含成千上万种可能的数学公式片段）。它通过一种叫稀疏回归（Sparse Regression）的魔法，从这堆调料里自动挑选出最关键的几种，把它们组合成一个新的、最准确的“配方”。
• 核心优势：它把“选食谱”和“调参数”两个步骤合二为一，自动完成，既快又准，而且不需要人类先入为主的偏见。

3. 实验过程：给橡胶做“体检”

为了测试 EUCLID 厉不厉害，研究团队做了一系列实验：

• 材料：天然橡胶（就像橡皮筋）。
• 测试对象：他们准备了不同形状的橡胶样品。
  • 简单形状：像普通的长条（单轴拉伸）或宽板（纯剪切）。这就像给橡胶做简单的“仰卧起坐”。
  • 复杂形状：像带有圆孔或椭圆孔的奇怪形状。这就像给橡胶做“瑜伽”，让它在不同部位产生复杂的扭曲和拉伸。
• 数据收集：
  • 全局数据：只记录拉了多少力、拉长了多少（就像只记录体重秤上的数字）。
  • 局部数据：使用一种叫数字图像相关（DIC）的技术，给橡胶表面喷上黑白斑点，用高速相机拍摄。这样不仅能看到整体，还能看到橡胶表面每一个点是怎么移动的（就像给橡胶做全身 CT 扫描，看清每一块肌肉的动向）。

4. 核心发现：谁更厉害？

研究团队比较了两种方法：

1. 传统方法：人类先选一个模型，再调参数。
2. EUCLID 方法：计算机自动发现模型。

结果令人惊讶：

• 全能冠军：EUCLID 自动发现出的“配方”，在预测橡胶行为时，比人类精心挑选的最佳传统模型还要准，或者至少一样准。
• 不需要“猜”：最棒的是，EUCLID 不需要人类事先知道该用哪个公式。它自己从数据里“悟”出了规律。
• 抗干扰能力强：即使实验数据有点“噪音”（不完美），EUCLID 也能发现出稳健的规律。
• 举一反三：用一种形状的橡胶数据训练出的模型，不仅能预测那种形状，还能准确预测从未见过的复杂形状（比如带孔的橡胶）在受力时的表现。这证明了它真正“理解”了橡胶的性格，而不是死记硬背。

5. 一个有趣的比喻：拼图游戏

• 传统方法：你手里有一盒拼图，你先假设这幅画是“猫”。于是你只找像猫耳朵的拼图块。如果拼出来不像，你就换一张“狗”的假设，再重新找。
• EUCLID 方法：你把所有拼图块倒在地上，让 AI 看着散落的拼图块（实验数据）。AI 自动把能拼在一起的块找出来，最后拼出了一幅画。结果发现，这幅画既不是猫也不是狗，而是一只完美的、独一无二的“橡胶怪兽”，而且拼得严丝合缝。

6. 总结与意义

这篇论文证明了 EUCLID 是一个强大的工具。

• 以前：我们要花很多时间试错，才能找到描述材料的数学公式。
• 现在：我们可以把实验数据直接喂给 EUCLID，它就能自动“发明”出最合适的数学公式。

这对我们意味着什么？
这意味着未来在工程设计（比如造汽车轮胎、飞机部件、人造血管）时，我们可以更快速、更准确地模拟材料的表现，减少昂贵的物理实验次数，让设计更安全、更高效。它让材料科学从“经验试错”迈向了“数据驱动”的新时代。

技术摘要

论文技术总结：基于 EUCLID 从实验数据发现超弹性本构定律

1. 研究背景与问题 (Problem)

在力学领域，从实验数据中准确确定材料的本构定律（Constitutive Laws）是一个核心挑战，特别是对于非线性行为且数据集有限或存在噪声的材料。

• 传统方法的局限性：传统方法通常分为两步：首先主观选择预定义的材料模型形式（如 Mooney-Rivlin, Ogden 等），然后进行参数识别。这种“试错法”不仅耗时，而且由于模型形式的预先设定，可能引入主观偏差，导致无法找到最适合数据的模型。
• 研究目标：评估 EUCLID（Efficient Unsupervised Constitutive Law Identification and Discovery，高效无监督本构定律识别与发现）框架在真实实验数据上的性能。EUCLID 旨在通过稀疏回归技术，在一个统一的流程中自动完成模型选择和参数识别，从而消除主观偏见并提高灵活性。
• 核心问题：
  1. EUCLID 能否从天然橡胶的实验数据中自动发现准确的超弹性本构模型？
  2. 使用全局数据（力 - 位移）与局部数据（全场位移场 + 力）对模型发现的效果有何影响？
  3. 发现或识别出的模型在未见过的几何形状和应力状态下是否具有泛化能力？

2. 方法论 (Methodology)

2.1 实验设置

• 材料：天然橡胶（Natural Rubber, NR-40）。
• 试样几何形状：
  • 简单几何：哑铃型试样（单轴拉伸，UT）和宽矩形试样（纯剪切，PS）。
  • 复杂几何：带有圆形或椭圆形孔洞的多种试样（TTa-TTf），旨在激发多轴应变状态，丰富状态空间覆盖。
• 数据采集：
  • 全局数据：通过载荷传感器测量反作用力，通过机器位移记录伸长量。
  • 局部数据：使用立体数字图像相关技术（Stereo-DIC）获取全场位移场。
  • 噪声评估：对 DIC 系统进行了详细的噪声量化分析，确认噪声水平在可接受范围内。

2.2 EUCLID 框架

EUCLID 的核心在于构建一个包含大量候选项的材料模型库，并利用稀疏回归自动筛选出最简且准确的模型。

• 模型库构建：
  • 结合了广义 Mooney-Rivlin (GMR) 模型、Gent-Thomas (GT) 模型以及 Ogden 模型。
  • 应变能密度函数 $W$ 被表示为基函数向量 $Q$ 与参数向量 $\theta$ 的线性组合：$W = Q^T \theta$。
  • 库中包含 521 个候选项（21 个 GMR/GT 项 + 500 个 Ogden 项）。
• 优化问题：
  • 基于局部数据：利用平衡方程的弱形式和边界条件构建线性方程组 $A\theta = b$。通过最小化平衡残差和边界约束残差，并引入 LASSO (L1 正则化) 来促进稀疏性，从而筛选出非零参数。
  • 基于全局数据：将实验测得的应力 - 拉伸曲线与模型预测值进行拟合，同样采用稀疏回归。
• 超参数选择：通过帕累托分析（Pareto analysis）在模型复杂度（MCP）和均方误差（MSE）之间寻找平衡，自动确定正则化参数 $\lambda_p$。

2.3 验证与评估

• 对比基准：将 EUCLID 的结果与传统方法（预先选定 GMR、Ogden 等模型形式，仅进行参数识别）进行对比。
• 泛化能力测试：使用在 UT 和 PS 数据上训练/发现的模型，预测复杂几何试样（TTa-TTf）的全局力 - 位移响应和局部全场位移/应变。
• 误差度量：使用相对 $L_2$ 误差评估全局响应，使用局部相对误差评估全场数据。

3. 关键贡献 (Key Contributions)

1. 首次大规模实验验证：将 EUCLID 从之前的合成数据（有限元模拟加噪声）验证扩展到真实的天然橡胶实验数据，证明了其在处理真实噪声和复杂边界条件下的有效性。
2. 全局与局部数据的对比分析：系统性地比较了仅使用全局数据（传统简单测试）与使用局部全场数据（DIC）对模型发现的影响。
3. 几何复杂性与状态空间覆盖：通过引入带有孔洞的复杂几何试样，量化了不同几何形状对材料状态空间（应变不变量平面）的覆盖程度，证明了复杂几何能提供更丰富的多轴应变状态。
4. 自动化模型发现流程：展示了无需人工干预即可自动发现包含 Ogden 项和 GT 对数项的混合模型，且无需预先假设模型形式。

4. 主要结果 (Results)

4.1 模型发现与识别精度

• 最佳模型：在所有数据集（UT+PS 全局、UT+PS 局部、UT+TTf 局部）中，2 项 Ogden 模型（2-term Ogden）在传统参数识别中表现最稳健，误差最低。
• EUCLID 表现：EUCLID 自动发现的模型（通常结合了 GMR 和 GT 项，或直接发现 Ogden 项）在预测精度上匹配甚至优于最佳的预选模型（如 2 项 Ogden）。
  • 例如，使用 UT+PS 全局数据时，EUCLID 发现模型的 $L_2$ 误差为 0.16%，优于 2 项 Ogden 的 0.22% 和 3 阶 GMR 的 0.48%。
  • 使用 UT+TTf 局部数据时，EUCLID 和 2 项 Ogden 均取得了极低的误差（约 0.17%-0.19%）。

4.2 数据源的影响

• 局部数据 vs 全局数据：基于局部数据（全场位移）的识别/发现通常能提供更准确的局部预测，尤其是在复杂几何试样上。
• 数据集难度排序：
  1. UT + TTf 局部数据（最具挑战性）：提供了大拉伸范围（来自 UT）和多样化的多轴应力状态（来自 TTf 孔洞周围），模型在此数据集上表现最好，泛化能力最强。
  2. UT + PS 局部数据。
  3. UT + PS 全局数据（要求最低）。
• 结论：在更具挑战性的数据集上表现良好的模型，在较简单的数据集上也能表现良好；反之则不成立。

4.3 泛化能力

• 在未见过的复杂几何试样（TTa-TTf）上，EUCLID 发现的模型能够准确预测全局力 - 位移曲线和局部位移/应变场。
• 误差主要集中在孔洞边界附近，这主要归因于 DIC 测量在边界处的精度下降以及该区域高度多轴的应力状态（未完全包含在训练数据中），但整体误差保持在较低水平。

4.4 计算效率

• EUCLID 将问题转化为凸优化问题（稀疏回归），计算效率高且能保证全局最优解。
• 相比之下，传统方法中的多参数 Ogden 模型识别涉及非线性、非凸优化，需要多次尝试不同的初始猜测以避免陷入局部极小值，计算成本更高且不稳定。

5. 意义与结论 (Significance & Conclusions)

• 范式转变：该研究证明了从“人工选择模型 + 参数拟合”向“数据驱动的自动模型发现”转变的可行性。EUCLID 消除了模型选择的主观性，能够自动发现最适合数据的物理模型形式。
• 实验设计指导：研究指出，为了获得最佳的模型发现效果，实验设计应兼顾大变形范围（如单轴拉伸）和多轴应力状态的多样性（如复杂几何试样）。简单的单轴测试不足以全面表征材料行为。
• 工程应用价值：EUCLID 提供了一种高效、鲁棒且无需先验知识的工具，特别适用于新型材料或复杂材料行为的建模，能够显著减少材料表征的时间和成本。
• 未来展望：虽然目前基于单轴加载的复杂几何试样已足够发现天然橡胶的本构律，但未来可探索双轴拉伸或拉扭组合加载，以进一步扩展状态空间覆盖。

总结：本文通过详尽的实验验证，确立了 EUCLID 作为一种强大的数据驱动工具，能够从真实、有噪声的实验数据中自动、准确地发现超弹性材料的本构定律，其性能优于或等同于传统方法，且具有更高的计算效率和灵活性。