Séminaire Clément Jailin

On the learning of hyperelasticity

Les PANNs (Physics-Augmented Neural Networks) ont émergé dans la communauté numérique comme une approche puissante pour l’apprentissage des lois de comportement. En intégrant des principes thermodynamiques et des contraintes de convexité dans l’architecture des réseaux de neurones, les PANNs lient la flexibilité des modèles fondés sur les données avec la robustesse des formulations physiques. Bien que la majorité des développements demeurent numériques, je présenterai un transfert vers l’apprentissage expérimental à l’aide du cadre EUCLID, qui exploite les conditions d’équilibre ainsi que des données de déplacements et de forces en champ complet. Appliquée à des échantillons en TPU imprimés en 3D, cette approche permet de découvrir des comportements hyperélastiques au-delà des modèles standards tels que ceux Neo-Hookéen ou de Saint-Venant–Kirchhoff. Enfin, j’aborderai les extensions vers l’apprentissage multi-matériaux avec les Material-Embedding PANNs, qui visent à capturer des classes entières de comportements plutôt qu’une seule réponse.