Isotrope und anisotrope Viskoelastizität bei finiten Deformationen: Modellierung mittels neuronaler Netze und Kalibrierung anhand von experimentellen Daten

Viele Polymere und biologische Gewebe zeigen unter großen Deformationen ein ausgeprägt ratenabhängiges Verhalten. Biomaterialien oder 3D-gedruckte Polymere sind zudem anisotrop. Ihre Beschreibung erfordert daher präzise Modelle der (an)isotropen Viskoelastizität bei finiten Deformationen. Da Formulierung und Kalibrierung klassischer Stoffgleichungen für derart komplexes Materialverhalten aufwendig sind, gewinnen datenbasierte Methoden zunehmend an Bedeutung, insbesondere solche, die in einen strikten physikalischen Rahmen eingebettet sind. Eine zentrale Hürde bleibt jedoch die Verfügbarkeit einer ausreichend umfangreichen experimentellen Datenbasis.

Ziel ist die Entwicklung eines durchgängigen datengetriebenen Frameworks zur Modellierung des (an)isotropen viskoelastischen Verhaltens weicher Materialien. Kern ist ein Physics-Augmented Neural Network (PANN), dessen Architektur physikalische und thermodynamische Prinzipien explizit berücksichtigt. Die Kalibrierung erfolgt auf Basis flächiger Verschiebungsfelder aus Digital Image Correlation (DIC) in Kombination mit der Virtual Fields Method (VFM). Die zunächst an synthetischen Daten validierte Methodik wird anschließend auf reale Polymerdaten übertragen und ermöglicht so eine physikalisch fundierte, teilautomatisierte Materialmodellierung.