Skip to main content
Ir a la página de inicio de la Comisión Europea (se abrirá en una nueva ventana)
español es
CORDIS - Resultados de investigaciones de la UE
CORDIS

AUTOmating MATerial modeling for composable and learnable behaviors

Descripción del proyecto

Modelización mejorada de materiales para comportamientos complejos

Los modelos constitutivos desempeñan un papel importante en la predicción del comportamiento de los materiales. Sin embargo, el enfoque convencional es limitado, especialmente para el comportamiento de materiales complejos. El proyecto AUTOMATIX, financiado por el Consejo Europeo de Investigación, se centra en la mejora de la modelización de materiales utilizando el concepto de aprendizaje automático junto con los principios de la mecánica de sólidos. Se introducirán las redes neuronales basadas en materiales que combinarán datos empíricos con conceptos matemáticos. El proyecto desarrollará una biblioteca modular de código abierto para la modelización del comportamiento de materiales complejos, como la plasticidad y la mecánica del daño. Centrándose en el hormigón reforzado con fibra impreso tridimensionalmente, el proyecto abordará las cuestiones de la anisotropía y el curado. El objetivo general es garantizar la disponibilidad de herramientas fiables para la predicción precisa del comportamiento de los materiales.

Objetivo

AUTOMATIX addresses challenges in constitutive material modeling by integrating machine learning with existing material knowledge in solid mechanics. Constitutive models are crucial for predicting material behavior under various loading and environmental conditions, yet traditional approaches often struggle to represent complex, non-linear, and time-dependent behaviors, limiting their accuracy across engineering applications. This project aims to bridge this gap by developing Material-Informed Neural Networks (MINNs), which combine empirical data with established mathematical structures to enhance interpretability, data efficiency, and predictive accuracy. By creating a modular, high-performance open-source library, the project will enable flexible modeling of complex material behaviors like plasticity, viscoelasticity, and damage mechanics. To improve generalizability and data efficiency compared to black-box ML models, the AUTOMATIX framework incorporates mathematical structures and partial material knowledge directly into a modern machine learning architecture. This gray-box approach allows MINNs to require less data while providing interpretable predictions aligned with known physical principles like thermodynamics. The framework is expected to enhance modeling accuracy in civil and mechanical engineering while advancing data-driven material modeling in multiphysics and multiscale systems. The project will test its approach on real-world applications of 3D printed fiber-reinforced concrete, which presents distinct challenges like layer-wise anisotropy, complex curing conditions, and various damage mechanisms, necessitating models that capture both microstructural and macroscale responses. By merging innovations from machine learning with material knowledge, the project aims to provide a reliable framework for improved material behavior prediction, offering valuable tools for researchers and engineers across multiple fields.

Ámbito científico (EuroSciVoc)

Palabras clave

Programa(s)

Tema(s)

Régimen de financiación

HORIZON-ERC - HORIZON ERC Grants

Ver todos los proyectos financiados en el marco de este régimen de financiación

Convocatoria de propuestas

(se abrirá en una nueva ventana) ERC-2025-COG

Ver todos los proyectos financiados en el marco de esta convocatoria

Institución de acogida

ECOLE NATIONALE DES PONTS ET CHAUSSEES
Aportación neta de la UEn
€ 1 912 415,50
Dirección
AVENUE BLAISE PASCAL-CITE DESCARTES-CHAMPS-SUR-MARNE 6-8
77455 Marne La Vallee Cedex 2
Francia
Región
Ile-de-France Ile-de-France Seine-et-Marne
Tipo de actividad
Higher or Secondary Education Establishments
Enlaces
Coste total
€ 1 928 198,00

Beneficiarios (2)