Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

AUTOmating MATerial modeling for composable and learnable behaviors

Descrizione del progetto

Modellizzazione avanzata dei materiali per comportamenti complessi

I modelli costitutivi svolgono un ruolo importante nella previsione del comportamento dei materiali. Tuttavia, l’approccio convenzionale è limitato, soprattutto nel caso di comportamenti complessi dei materiali. Il progetto AUTOMATIX, finanziato dal CER, si concentra sul miglioramento della modellizzazione dei materiali utilizzando il concetto di apprendimento automatico e i principi della meccanica solida. Introdurrà le reti neurali informate sui materiali (MINN), che incorporeranno dati empirici insieme a concetti matematici. Il progetto svilupperà una libreria modulare open-source per la modellizzazione di comportamenti complessi dei materiali, come la plasticità e la meccanica del danno. Con un focus sul calcestruzzo rinforzato con fibre stampato in 3D, il progetto affronterà le questioni dell’anisotropia e dell’indurimento. L’obiettivo generale è garantire la disponibilità di strumenti affidabili per la previsione accurata del comportamento dei materiali.

Obiettivo

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.

Campo scientifico (EuroSciVoc)

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

HORIZON-ERC - HORIZON ERC Grants

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) ERC-2025-COG

Vedi tutti i progetti finanziati nell’ambito del bando

Istituzione ospitante

ECOLE NATIONALE DES PONTS ET CHAUSSEES
Contributo netto dell'UE
€ 1 912 415,50
Indirizzo
AVENUE BLAISE PASCAL-CITE DESCARTES-CHAMPS-SUR-MARNE 6-8
77455 Marne La Vallee Cedex 2
Francia
Regione
Ile-de-France Ile-de-France Seine-et-Marne
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
€ 1 928 198,00

Beneficiari (2)