Identifiering av konstitutiva modeller genom fysikbaserade neurala nätverk

Forskningsprojekt, 2026 – 2030

Forskningen handlar om att ta fram nya metoder för att beskriva hur material beter sig under belastning – något som är avgörande när vi vill utveckla starkare, lättare och mer hållbara produkter. I fokus står så kallade materialmodeller, matematiska beskrivningar som talar om hur ett material deformeras eller förändras när det utsätts för olika typer av påfrestningar, till exempel tryck, drag eller värme. Projektet kombinerar maskininlärning med fysikaliska principer för att automatisera utvecklingen av sådana modeller, med särskilt fokus på plastiska deformationer, där materialet får en varaktig formförändring.Det är viktigt att forska om detta eftersom moderna högpresterande material ofta har ett mycket komplext beteende, och det är både svårt och tidskrävande att skapa modeller som kan beskriva dem på ett tillförlitligt sätt. Traditionellt krävs stora mängder experiment och expertkunskap för varje nytt material. Genom att koppla samman fysik och maskininlärning vill projektet minska behovet av omfattande tester, och göra det möjligt att snabbt ta fram modeller som ändå är fysiskt korrekta och generaliserbara.Den nya kunskapen kan få stor betydelse inom många teknikområden där avancerade material används – från flyg och fordon till medicinteknik och biomekanik. Den gör det enklare att använda nya material på ett säkert och effektivt sätt, även när tillgången till experimentella data är begränsad. På sikt kan detta förändra hur vi utvecklar materialmodeller, och bana väg för mer intelligenta, automatiserade metoder i framtida forskning och industri.