💻 computer science

Discovering the mechanics of ultra-low density elastomeric foams in elite-level racing shoes

该研究结合机械测试与机器学习，揭示了精英竞速鞋中超低密度弹性泡沫独特的力学行为（如拉压不对称性和近零泊松比），并构建了高精度、可解释的唯象本构模型，为优化跑步表现、评估损伤风险及推动软体机器人等应用提供了关键理论工具。

原作者： Jeremy A. McCulloch, Scott L. Delp, Ellen Kuhl

发布于 2026-02-18

📖 1 分钟阅读☕ 轻松阅读

原作者： Jeremy A. McCulloch, Scott L. Delp, Ellen Kuhl

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文就像是一次**“顶级跑鞋的 X 光透视”**。

想象一下，现在的顶级马拉松跑鞋（比如亚瑟士的 Metaspeed 系列）之所以能让人跑得更快、更省力，主要归功于鞋子里那层超轻、超软的泡沫。这层泡沫就像鞋子的“心脏”，负责在脚落地时吸收冲击（像弹簧一样），在脚蹬地时把能量弹回去（像蹦床一样）。

但是，科学家们一直有个难题：这层泡沫太神奇了，它的内部结构像迷宫一样复杂，而且它**“软硬不均”**——你从上面压它（压缩）和从侧面拉它（拉伸），它的反应完全不同。以前的数学模型就像是用“一把钥匙开所有的锁”，根本解不开这层泡沫的脾气，导致我们无法精准地模拟跑步时的受力情况，也就很难预测会不会受伤。

这篇论文就是为了解决这个问题，斯坦福大学的团队做了一件很酷的事：他们把“物理实验”和“人工智能”结合在了一起，给这两种神秘泡沫“把脉”，并写出了一个能精准描述它们行为的“新公式”。

以下是这篇论文的通俗解读：

1. 实验过程：给泡沫做“全身检查”

研究人员从亚瑟士的两款顶级跑鞋（Metaspeed Sky 和 Edge）里，小心翼翼地取出了两种不同的泡沫材料（分别叫 FF LEAP 和 FF TURBO）。

他们像对待精密仪器一样，对这两种泡沫做了四种“体检”：

拉伸测试：像拉橡皮筋一样把它们拉长。
压缩测试：像踩在海绵上一样把它们压扁（分两种：自由压和限制住不让它变宽的压）。
剪切测试：像切豆腐一样，让泡沫发生侧向滑动。

发现了一个惊人的秘密：
这两种泡沫都有一个共同点：它们几乎不会变宽或变窄。

比喻：普通的泡沫（比如你家里的沙发垫）被压扁时，会向两边鼓出来（像挤牙膏）。但这两种跑鞋泡沫，被压扁时就像被压缩的弹簧，只变短，不鼓包。这意味着它们的“横向泊松比”接近于零。这在材料界非常罕见，也是它们能高效回弹的关键。

2. 两种泡沫的“性格差异”

虽然它们都是超轻泡沫，但性格截然不同：

FF LEAP（像温柔的弹簧）：比较软，抗拉伸能力一般，抗剪切（侧向滑动）的能力也较弱。
- 适合场景：适合直道冲刺，因为软，所以落地舒服，回弹快。
FF TURBO（像强壮的弹簧）：它比 LEAP 硬得多！特别是抗拉伸和抗侧向滑动的能力几乎是 LEAP 的两倍。
- 适合场景：适合弯道或复杂地形。因为它“侧向”很稳，不容易在转弯时把脚扭伤。

关键点：以前大家以为跑鞋里的泡沫都一样，现在发现，“软硬搭配”才是王道。亚瑟士把这两种泡沫上下叠放（有的鞋是软在上硬在下，有的反过来），就是为了针对不同跑姿（步频型 vs 步幅型）进行微调。

3. 核心突破：AI 发现了“新公式”

以前，科学家试图用传统的数学公式（像解方程）来描述这些泡沫，但总是算不准，尤其是当泡沫被拉伸时，公式就失效了。

这次，他们用了**“构成神经网络”（Constitutive Neural Networks）**。

比喻：想象你在教一个 AI 厨师做菜。以前你只给它看“盐”和“糖”（传统公式里的单一变量），它做出来的菜味道不对。
这次，研究人员告诉 AI：“你可以用盐、糖，还可以用‘盐和糖混合后的特殊反应’（混合不变量），或者直接用‘主食材’（主拉伸）来调味。”
结果：AI 通过成千上万次的试错，自己“发现”了最精简、最准确的三个成分组成的公式。
- 这个公式不仅能完美拟合拉伸、压缩和剪切的数据（准确率高达 99% 以上），而且非常简洁，没有一堆复杂的废话。

4. 为什么这很重要？（对普通人的意义）

对运动员：这就像有了“数字孪生”技术。未来，我们可以把某个具体运动员的脚型、跑姿输入电脑，结合这个新公式，模拟出他穿这双鞋在马拉松最后几公里会发生什么。是跑得更快了？还是脚踝受力过大容易受伤？我们可以在虚拟世界里先跑一遍，从而定制最完美的跑鞋。
对鞋企：不再需要盲目地“试错”研发新泡沫。有了这个模型，设计师可以像搭积木一样，精确调整泡沫的配方，制造出既轻、又弹、还稳的鞋子。
对科学界：这证明了，对于这种超轻、多孔的材料，传统的“一刀切”理论不管用了，必须用这种**“物理 + 数据驱动”**的新方法来理解它们。

总结

这篇论文就像给顶级跑鞋里的“神秘泡沫”拍了一张高清 CT 片，并写了一本**“性格说明书”**。

它告诉我们：

这两种泡沫只压缩不鼓包，回弹效率极高。
它们一软一硬，分别擅长直道和弯道。
我们终于用AI 找到了描述它们行为的完美数学公式。

这不仅是为了解释为什么现在的跑鞋能破纪录，更是为了未来能设计出更安全、更智能、更适合每个人的运动装备，甚至可能应用到软体机器人和可穿戴设备上。简单来说，这就是让鞋子变得更“懂”你的开始。

这是一份关于《发现精英级竞速跑鞋中超低密度弹性泡沫的力学机制》（Discovering the mechanics of ultra-low density elastomeric foams in elite-level racing shoes）论文的详细技术总结。

1. 研究背景与问题 (Problem)

背景： 现代精英级竞速跑鞋（如 Nike Alphafly, Asics Metaspeed 系列）通过结合碳纤维板和超低密度弹性泡沫（Ultra-low-density elastomeric foams）显著提升了跑步表现。这些泡沫提供了轻量化、高缓震和高效能量回馈。
核心问题：
1. 力学行为复杂： 这些泡沫具有高度可压缩性、非线性弹性、微观结构非均匀性以及显著的拉压不对称性（Tension-Compression Asymmetry）。传统的本构模型难以准确描述其行为。
2. 缺乏公开数据： 泡沫的具体力学性能（如刚度、能量回馈）是厂商的机密，导致科学界对其理解不足。
3. 建模与模拟的缺失： 现有的步态模拟和损伤风险评估模型往往忽略了鞋底泡沫的精确力学特性，导致预测误差大。
4. 设计权衡： 泡沫设计需要在性能（能量回馈）、稳定性（抗剪切）和耐用性之间取得平衡。例如，过低的剪切刚度可能在转弯时增加受伤风险。

2. 方法论 (Methodology)

本研究采用机械测试与**机器学习（本构神经网络）**相结合的方法，对 Asics Metaspeed 系列跑鞋中的两种泡沫（FF LEAP™ 和 FF TURBO™ PLUS）进行了全面表征和建模。

2.1 实验测试 (Mechanical Testing)

样本来源： 从 Asics Metaspeed Sky 和 Edge 跑鞋中提取泡沫样本，去除外底和碳纤维板，制备成标准试样。
测试模式： 对每种泡沫的 5 个样本进行了四种力学测试：
1. 单轴拉伸 (Uniaxial Tension)
2. 无约束压缩 (Unconfined Compression)
3. 受约束压缩 (Confined Compression)
4. 简单剪切 (Simple Shear)
数据处理： 将载荷 - 位移数据转换为应力 - 拉伸比（Piola 应力 vs. 拉伸比/剪切应变）曲线，计算线性弹性刚度（拉伸、压缩、剪切）和相对能量回馈率（ $\eta$ ）。

2.2 本构神经网络发现 (Automated Model Discovery)

架构设计： 构建了一个本构神经网络 (Constitutive Neural Network)，输入为应变不变量（ $\bar{I}_1, \bar{I}_2, J$ ）或主拉伸比（ $\lambda_1, \lambda_2, \lambda_3$ ），输出为应变能函数 $\psi$ 。
模型组成： 应变能函数由 14 个候选项组成，包括：
- 单不变量项 (Single-invariant terms)
- 混合不变量项 (Mixed-invariant terms, 如 $\bar{I}_1$ 与 $J$ 的耦合)
- 主拉伸项 (Principal-stretch terms)
优化策略： 使用稀疏回归 (Sparse Regression) 和 $L_{0.5}$ 正则化，从大量候选项中自动筛选出最精简、可解释且拟合度最高的模型组合。
物理约束： 确保模型满足零应力初始条件，并尽可能满足多凸性 (Polyconvexity) 以保证物理合理性。

3. 关键发现与结果 (Key Results)

3.1 力学性能表征

拉压不对称性： 两种泡沫均表现出极强的拉压不对称性。拉伸刚度显著高于压缩刚度（FF TURBO™ PLUS 拉伸刚度比压缩刚度高出约 3.3 倍）。
泊松比： 无约束与受约束压缩测试结果高度一致，表明侧向应变极小，有效泊松比接近于零 ( $\nu \approx 0$ )。
能量回馈： 两种泡沫在拉伸和压缩方向均表现出低滞后（高能量回馈），拉伸能量回馈率分别为 90.7% (FF LEAP) 和 94.3% (FF TURBO)。
两种泡沫的对比：
- FF LEAP™: 压缩刚度 ~299 kPa，拉伸刚度 ~624 kPa，剪切刚度 ~117 kPa。
- FF TURBO™ PLUS: 压缩刚度 ~~268 kPa（与 LEAP 相当），但拉伸刚度高出 42% (~~884 kPa)，剪切刚度几乎是 LEAP 的两倍 (~219 kPa)。
- 结论： FF TURBO™ PLUS 在提供相同垂直缓震的同时，提供了显著更强的侧向稳定性。

3.2 模型发现结果

单不变量模型失效： 仅使用单不变量项（ $\bar{I}_1, \bar{I}_2, J$ ）的模型无法准确捕捉拉压不对称性，拟合度低（ $R^2$ 在拉伸方向仅为 0.20-0.24）。
混合不变量模型 (SI+MI)： 引入混合不变量项（如 $J^k(\bar{I}_1-3)$ $J^{k} (\overset{ˉ}{I}_{1} - 3)$ ）后，模型能完美拟合所有加载模式（ $R^2 > 0.98$ $R^{2} > 0.98$ ）。该模型仅需 3 个参数项，具有高度可解释性。
- 在压缩中，单不变量项主导应力；在拉伸和剪切中，混合不变量项主导应力。
主拉伸模型 (SI+PS)： 引入主拉伸项也能获得高拟合度，但在压缩曲线的初始硬化阶段表现略逊于混合不变量模型。
最终模型： 研究提出了紧凑的、基于物理的解析表达式，能够精确描述这两种泡沫在复杂加载下的行为。

4. 主要贡献 (Key Contributions)

数据公开与表征： 首次通过系统实验量化了两种顶级竞速跑鞋泡沫（FF LEAP™ 和 FF TURBO™ PLUS）在拉伸、压缩和剪切下的完整力学响应，揭示了其独特的“零泊松比”和“强拉压不对称”特征。
方法论创新： 成功将本构神经网络与稀疏回归结合，用于发现超轻泡沫的力学模型。这种方法克服了传统试错法选择模型的局限性，自动导出了物理意义明确且数学形式紧凑的本构方程。
设计洞察： 证实了 Asics Metaspeed 系列中双泡沫架构（Edge 和 Sky 的不同堆叠顺序）的力学依据。FF TURBO™ PLUS 的高剪切刚度解释了其为何更适合需要侧向稳定性的跑法或地形，而 FF LEAP™ 的低剪切刚度可能更适合直线竞速但存在转弯稳定性风险。
模型适用性： 证明了对于高度可压缩材料，必须引入混合不变量或主拉伸项来准确描述其拉压不对称性，传统的单不变量超弹性模型（如 Neo-Hookean）在此类材料上失效。

5. 意义与影响 (Significance)

对运动科学的贡献： 这些精确的本构模型使得有限元分析 (FEA) 和步态模拟成为可能。研究人员可以量化不同跑鞋设计对个体运动员的跑步经济性、性能提升及受伤风险（特别是足部骨骼位移和受力）的影响，实现个性化的装备评估。
对材料科学的贡献： 建立了一个可扩展的框架，用于建模高度可压缩的超轻弹性材料。这超越了传统泡沫理论，为软体机器人、可穿戴技术和高效移动系统的设计提供了理论基础。
对工程设计的启示： 揭示了在追求极致轻量化的同时，如何通过微观结构设计（如调整剪切刚度）来平衡缓震与稳定性，为下一代跑鞋及防护装备的设计提供了明确的指导方向。

总结： 该研究通过实验与 AI 驱动的建模，不仅解开了顶级竞速跑鞋泡沫的力学之谜，还建立了一套通用的、可解释的建模范式，将材料科学、机器学习和生物力学紧密连接，为未来高性能运动装备的理性设计奠定了基础。