論文の概要: Data-Driven Discovery of Composition-Dependent Constitutive Models for Hyperelasticity and Viscoelasticity of Digital Materials

• arxiv url: http://arxiv.org/abs/2609.04541v2
• Date: Mon, 07 Sep 2026 17:58:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-09 14:43:41.96475
• Title: Data-Driven Discovery of Composition-Dependent Constitutive Models for Hyperelasticity and Viscoelasticity of Digital Materials
• Title（参考訳）: ディジタル材料の超弾性と粘弾性に対する組成依存構成モデルのデータ駆動的発見
• Authors: Josué García-Ávila, Beijun Shen, Manuel K. Rausch, Mary C. Boyce, Adrián Buganza-Tepole,
• Abstract要約: 多材料3Dプリンティングで作製したデジタル材料は、固形適合成分の制御混合物として設計されている。 本稿では,Bergstrm と Boyce によるデータ駆動型マルチマテリアルモデリングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.619878493203305
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Digital materials fabricated by multi-material 3D printing are designed as controlled mixtures of stiff and compliant constituents, yielding effective responses that span more than an order of magnitude in apparent stiffness and exhibit strongly nonlinear, composition-dependent, and rate-dependent dissipative behavior. Classical finite-strain viscoelastic models represent such behavior with closed-form strain energy functions for equilibrium and non-equilibrium stresses as well as evolution of internal variables, which may limit flexibility when a single constitutive model is expected to generalize across materials and loading rates. Here, we present a data-driven multi-material constitutive modeling framework that generalizes a formulation by Bergström and Boyce. The proposed framework retains the structure of the classical model, namely multiplicative kinematics, invariant-based strain-energy functions, and a scalar dissipative evolution law directed along the normalized nonequilibrium deviatoric stress. For the equilibrium branch, the data-driven discovery framework either directly predicts closed-form model parameters as functions of composition or automatically constructs a polyconvex strain-energy function using neural ordinary differential equations (NODEs). The nonequilibrium branch kinetics are learned similarly, either by directly identifying closed-form parameters across compositions or by using appropriately constrained artificial neural networks. Using multi-rate uniaxial compression data across multiple material compositions, we show that the proposed formulation captures rate-dependent stiffness and hysteresis across compositions while preserving thermodynamic consistency.
• Abstract（参考訳）: 多材料3Dプリンティングにより作製されたデジタル材料は、硬質成分と順応成分の制御混合物として設計され、見かけの硬さの桁を超える効果的な応答を示し、強い非線形、組成依存、速度依存的な散逸挙動を示す。 古典的有限ひずみ粘弾性モデルは、平衡および非平衡応力に対する閉形式ひずみエネルギー関数と内部変数の進化を表現し、単一の構成モデルが材料や載荷速度にわたって一般化されると柔軟性を制限する。 本稿では,Bergström と Boyce による定式化を一般化する,データ駆動型多材料構成モデリングフレームワークを提案する。 提案手法は, 古典的モデル, すなわち乗法的キネマティクス, 不変ひずみエネルギー関数, 正規化された非平衡振動子応力に沿って誘導されるスカラー散逸的進化則の構造を保持する。 平衡分岐について、データ駆動探索フレームワークは、構成関数として閉形式モデルパラメータを直接予測するか、ニューラル常微分方程式(NODE)を用いてポリ凸ひずみエネルギー関数を自動構築する。 非平衡分岐運動学も同様に、組成をまたいだ閉形式パラメータを直接同定するか、適切に制約された人工ニューラルネットワークを用いて学習する。 複数の材料組成にまたがるマルチレート一軸圧縮データを用いて, この定式化は熱力学的一貫性を維持しつつ, 組成間の速度依存性の剛性とヒステリシスを捕捉することを示した。

関連論文リスト

• Mixed formulation and structure-preserving discretization of Cosserat rod dynamics in a port-Hamiltonian framework [0.0]
  空間コセラットロッドの大きな変位と回転を受ける非線形力学に対して,エネルギーに基づくモデリングフレームワークを提案する。 混合定式化は、独立な変位、速度および応力変数を特徴とし、さらに客観的かつロックフリーである。 この枠組みは、有限回転を含む計算力学におけるエネルギー-運動量一貫した定式化への新しいアプローチを確立する。
  論文  参考訳（メタデータ） (2025-12-22T14:04:03Z)
• Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization [49.34452620841728]
  本稿では, ソフト材料の動的挙動を捉えるために, 分数次微分方程式(FODE)に基づく革新的なモデリング手法を提案する。 提案手法は,ソフトアクチュエータに固有の複雑な変形現象を効果的に表現する。
  論文  参考訳（メタデータ） (2025-12-20T04:46:25Z)
• Fully data-driven inverse hyperelasticity with hyper-network neural ODE fields [0.0]
  閉形方程式を使わずに異種材料の力学特性を同定するための新しい枠組みを提案する。 通常のニューラル微分方程式(NODE)に基づいて構築された物理に基づくデータ駆動法を用いて方程式を探索する。 提案手法は、非常に少数の仮定で異種物質の力学的性質を同定する上で、堅牢で一般的なものである。
  論文  参考訳（メタデータ） (2025-06-09T18:50:14Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• Data-driven anisotropic finite viscoelasticity using neural ordinary differential equations [0.0]
  本研究では, ニューラル常微分方程式をビルディングブロックとして用いた, 異方性有限粘弾性の完全なデータ駆動モデルを構築した。 我々は、ヘルムホルツ自由エネルギー関数と散逸ポテンシャルを、物理に基づく制約を満たすデータ駆動関数に置き換える。 本モデルは,脳組織,血液凝固物,天然ゴム,ヒト心筋などの生体および合成材料のストレス-ひずみデータを用いて訓練する。
  論文  参考訳（メタデータ） (2023-01-11T17:03:46Z)
• Evolution TANN and the discovery of the internal variables and evolution equations in solid mechanics [0.0]
  材料表現をインクリメンタルな定式化から切り離す新しい手法を提案する。 熱力学に基づくニューラルネットワーク(TANN)と内部変数の理論にインスパイアされた進化 TANN(eTANN)は、連続時間である。 提案手法の主な特徴は、通常の微分方程式の形で内部変数の進化方程式の発見である。
  論文  参考訳（メタデータ） (2022-09-27T09:25:55Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Polyconvex anisotropic hyperelasticity with neural networks [1.7616042687330642]
  有限変形に対する凸機械学習に基づくモデルを提案する。 モデルは立方体格子メタマテリアルの非常に困難なシミュレーションデータで校正される。 データアプローチのデータは、機械的な考慮に基づいており、追加の実験やシミュレーション機能を必要としない。
  論文  参考訳（メタデータ） (2021-06-20T15:33:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。