Des matériaux numériques fabriqués par impression 3D multi-matériaux peuvent combiner des constituants rigides et souples afin d’obtenir des réponses mécaniques très variées. Selon les auteurs, ces mélanges présentent des comportements fortement non linéaires, dépendants à la fois de la composition et de la vitesse de sollicitation, avec des écarts de rigidité apparente de plus d’un ordre de grandeur.
L’article, publié sur arXiv, s’attaque à une limite des modèles viscoélastiques classiques à grandes déformations. Ces derniers reposent généralement sur des fonctions analytiques fermées pour représenter l’énergie de déformation, les contraintes d’équilibre et hors équilibre, ainsi que l’évolution de variables internes. Or, cette structure peut manquer de souplesse lorsqu’un même modèle doit couvrir plusieurs matériaux et plusieurs régimes de chargement.
Les auteurs proposent un cadre de découverte de lois constitutives fondé sur les données, dans la continuité de la formulation de Bergström-Boyce. L’architecture conserve les bases physiques du modèle classique — cinématique multiplicative, fonctions d’énergie basées sur des invariants et loi d’évolution dissipative scalaire — mais y ajoute des mécanismes d’apprentissage. Pour la branche d’équilibre, le système peut soit prédire directement des paramètres analytiques en fonction de la composition, soit construire automatiquement une fonction d’énergie polyconvexe à l’aide de neural ordinary differential equations (NODEs).
Pour la branche hors équilibre, la cinétique est apprise de manière comparable, via l’identification de paramètres fermés ou par des réseaux de neurones contraints. D’après le résumé, les essais de compression uniaxiale à plusieurs vitesses et sur plusieurs compositions montrent que le cadre capture la rigidité dépendante du taux de chargement ainsi que l’hystérésis, tout en préservant la cohérence thermodynamique. À ce stade, ces résultats proviennent d’un preprint arXiv et devront être appréciés à la lumière d’évaluations complémentaires.