The mechanics and physics of tofu: understanding hydrated soft solids through feature networks

Boes, Birte; Simon, Jaan-Willem; Holthusen, Hagen et al. · 2025 · bioRxiv (preprint)

Metadata

Authors: Boes, Birte; Simon, Jaan-Willem; Holthusen, Hagen; Kuhl, Ellen

DOI: 10.1101/2025.12.10.693552

Tags: #continuum-mechanics #physics-informed-neural-network

🔬 Deep Note📄 Quick Note

概述（Overview）

摘要概述

本文以豆腐为水合软固体的最小模型系统，通过 108 个受控压缩实验（silken/firm/extrafirm 三种类型，三种加载幅度和五种加载速率）研究含水量如何决定力学行为。观察到强非线性、显著黏弹性和含水量仅降低 6% 即导致峰值应力增加 10 倍以上。通过 inelastic constitutive artificial neural network（非弹性本构神经网络）自动发现本构律：弹性响应主要由第二等容不变量 Ĩ₂ 驱动，非弹性响应由第二和第三偏量不变量 J₂ 和 J₃ 的组合驱动——这一函数形式在三种豆腐类型中通用但幅度随含水量缩放。特征网络揭示含水量-力学关系是高度非线性的，不同于传统双相理论的线性体积分数假设。最大限制是预印本未经同行评审，silken tofu 的统一模型预测高估峰值应力约 2 倍。

建模问题与尺度

• 目标问题：如何从压缩实验数据中自动发现水合软固体的非弹性本构律，并揭示含水量对力学行为的非线性调制关系？
• 空间尺度：圆柱试样（直径 8 mm，厚度 10 mm），宏观连续介质尺度
• 时间尺度：加载速率 0.2–0.6/s，单次测试约 10 秒；应力松弛在 0.5–1.0 s 保持阶段观测
• 状态变量与输出量：变形梯度 F（弹性 Fᵉ 和非弹性 Fⁱ 分解）、右 Cauchy-Green 张量 C（及弹性 Cᵉ）、第二 Piola-Kirchhoff 应力 S；含水量 α = ν_F（流体体积分数）作为特征输入
• 与已有模型的差异：传统豆腐流变学使用 Burgers 模型（四元件 Maxwell）等预设模型并按参数变化适配；本文通过 constitutive neural network 从 512 种可能项组合中自动发现最优稀疏模型，不预设函数形式。文献 ref 30（Holthusen et al. 2025, G&R 中的本构 ML）是同一团队的前序工作。

假设与数学表述

核心假设

• 物理或生物假设：豆腐是各向同性非弹性固体；含水量是区分不同豆腐类型的唯一特征变量；流体相（自由水）在受限压缩中不逃逸，应力松弛主要源于固体相的黏弹性而非流体流动。§ 6 Discussion 明确说明"confined compression setup imposes non-permeable boundaries that prevent water from escaping... stress relaxation arises primarily from the viscoelastic behavior of the solid"。
• 闭合假设：非弹性变形是各向同性且体积保持的（Jⁱ = det(Fⁱ) = 1），所有体积变化归因于弹性变形（Jᵉ = λ）。
• 数值便利假设：流体和固体密度分别为 ρ_f = 1.0 g/ml 和 ρ_s = 1.3 g/ml（Table 1 脚注）；脂质以液滴形式存在且在力学加载中不自由移动。

Governing equations

• 方程定位：Eq. (1)–(22)
• 方程与耦合关系：变形梯度乘法分解 F = Fᵉ·Fⁱ（Eq. 1）；右 Cauchy-Green 张量 C, Cᵉ, Cⁱ（Eq. 2）；等容/体积不变量 Ĩ₁, Ĩ₂, I₃ 及弹性版本（Eq. 3-4）；Helmholtz 自由能 ψ = ψᵉq(C) + ψⁿᵉq(Cᵉ)（Eq. 5）；Clausius-Planck 不等式 → 第二 PK 应力 S = Sᵉq + Sⁿᵉq（Eq. 7-9）；Mandel 应力 Σ 驱动耗散，偏量不变量 J₂ᢾ, J₃ᢾ（Eq. 10-11）；耗散势 ϕ(Σ) → 非弹性变形率 Dⁱ = ∂ϕ/∂Σ（Eq. 12-14）；时间离散指数更新 Cⁿ⁺¹ᵢ（Eq. 15）；受限压缩运动学 λ_r = λ_θ = 1, λ_z = λ（Eq. 17-22）
• 变形梯度乘法分解：F = Fᵉ · Fⁱ（Eq. 1）
• 右 Cauchy-Green 张量及弹性/非弹性分量：C = FᵗF, Cᵉ = FᵉᵗFᵉ, Cⁱ = FⁱᵗFⁱ（Eq. 2）
• 等容不变量 Ĩ₁ᶜ, Ĩ₂ᶜ, 体积不变量 I₃ᶜ（Eq. 3）及弹性版本（Eq. 4）
• Helmholtz 自由能分解：ψ = ψᵉq(C) + ψⁿᵉq(Cᵉ)（Eq. 5），分别依赖总 C 和弹性 Cᵉ 的不变量
• Clausius-Planck 不等式 → 第二 PK 应力 S = Sᵉq + Sⁿᵉq（Eq. 7-9）
• Mandel 应力 Σ 驱动耗散，其偏量不变量 J₂ᢾ 和 J₃ᢾ（Eq. 10-11）
• 耗散势 ϕ(Σ) → 非弹性变形率 Dⁱ = ∂ϕ/∂Σ（Eq. 12-14），保证 D_red ≥ 0
• 时间离散：指数更新 Cⁿ⁺¹ᵢ = (Fⁿᵢ)ᵗ · exp(2Δt Dⁿᵢ) · Fⁿᵢ（Eq. 15）
• 受限圆柱压缩的运动学：主伸长 λ_r = λ_θ = 1, λ_z = λ（Eq. 17-22）
• 守恒量或约束：非弹性变形体积保持 Jⁱ = 1；权重非负约束保证多凸性；耗散势凸、非负、零点为零保证热力学一致性

初始条件、边界条件与约束

• 初始间隙调整确保接触且力 < 0.05 N（§ 2 Sample testing）
• 受限压缩：侧向变形约束（λ_r = λ_θ = 1），仅轴向位移控制
• 三重压缩训练协议：λ = 0.7↔0.9，三个速率 λ̇ = {0.2, 0.4, 0.6}/s，中间保持 0.5 s
• 双重压缩测试协议：λ → 0.8（λ̇ = 0.3/s）→ 保持 1.0 s → λ → 0.7（λ̇ = 0.5/s）→ 保持 1.0 s

参数及来源

参数	含义与单位	数值或范围	来源	可识别性或敏感性
μ₇ (silken)	平衡势能第二不变量项刚度 (kPa)	0.158	神经网络发现	L1 正则化筛选后保留
μ₅ (silken)	非平衡势能第二不变量项刚度 (kPa)	1.179	神经网络发现	L1 正则化筛选后保留
α₉ (silken)	体积对数项系数 (kPa)	0.052	神经网络发现	L1 正则化筛选后保留
β₉ (silken)	体积对数项指数	5.507	神经网络发现	L1 正则化筛选后保留
μ₅ (extrafirm)	非平衡势能第二不变量项刚度 (kPa)	8.160	神经网络发现	含水量从 0.92→0.86 时增加 ~7 倍

数值方法与计算流程

• 离散化、求解器、网格与时间步：指数时间积分（Eq. 15），显式更新非弹性 Cᵢ；神经网络训练使用 Adam 优化器，平衡网络 5000 epochs（lr = 10⁻³），非平衡网络 15000 epochs（lr = 10⁻⁴），耗散网络 10000 epochs（lr = 10⁻⁴），clip norm = 0.001
• 收敛性、稳定性与误差控制：两阶段训练策略——阶段一仅用第一循环前 50 数据点，阶段二全部循环 + L1/L2 正则化（α₁ = α₂ = 0.0001）；特征网络在合成数据上训练，避免直接在实验数据上训练完整循环网络
• 软件、版本和计算成本：数据采集 HR20 Discovery Hybrid Rheometer (TA Instruments)；数据平滑使用 Matlab R2022b imgausfilt（σ_gauss = {8, 3, 3}）；代码开源（Zenodo DOI 10.5281/zenodo.16993236）；计算成本未报告

校准、验证与不确定性

• 校准数据与目标函数：三重压缩测试（3 种速率 × ≥8 样本/种）作为训练数据；目标函数为 MSE + L1/L2 正则化（Eq. 23）
• 验证数据：双重压缩测试（中间速率 λ̇ = 0.3/s → 0.5/s）作为独立测试数据；Fig. 10 显示模型预测与实验在训练和测试数据上均吻合
• Identifiability/sensitivity：特征网络 Fig. 15 揭示 8 个模型项中 6 个依赖含水量（4 个增加、2 个减少），2 个独立于含水量——表明不同力学项对含水量有不同敏感性
• 不确定性量化：实验报告均值 ± 标准差（如 silken 峰值应力 -3.74±0.86 kPa），但模型参数的置信区间未报告
• 未验证部分：silken tofu 统一模型预测高估峰值应力约 2 倍；模型在拉伸/剪切加载下的泛化性未验证（仅压缩测试）

核心结果与证据

主要发现 1：弹性响应由第二等容不变量主导

• 模型结论或预测：三种豆腐类型的平衡和非平衡势能均以第二等容不变量 Ĩ₂ 为主项（6 个势能中 7 个项含 Ĩ₂），第一不变量仅在 firm tofu 的平衡势能中出现一次，指数项完全缺席。
• 证据定位：§ 5 Results（三种模型的显式 ψᵉq 和 ψⁿᵉq 公式）；文献 ref 39（Kuhl & Goriely 2024, "I too love I₂"）
• 参数条件：三种含水量（ν_F = 0.92, 0.87, 0.86），三种加载速率（0.2-0.6/s）
• 验证程度：部分验证——第二不变量主导性与人脑（ref 44）和植物肉（ref 46）的发现一致，但指数项缺席仅在豆腐中验证（因不含弹性蛋白/胶原纤维），生物组织的指数项可能在拉伸加载下出现
• 替代解释：指数项缺席可能是压缩-only 数据的限制——拉伸测试可能激活不同的不变量组合

主要发现 2：非弹性响应由第二和第三偏量不变量联合驱动

• 模型结论或预测：三种豆腐的耗散势均为单一项含 J₂ 和 J₃ 的加权和嵌入双重嵌套指数函数；体积不变量 I₁ᢾ 完全缺席——表明豆腐是压力不敏感的（不同于 Drucker-Prager 模型）但具有 Lode 角敏感性（不同于 von Mises 模型）。
• 证据定位：Figs. 11-13（三种豆腐的耗散网络权重）；§ 6 Discussion
• 参数条件：silken ϕ ∝ |−0.058(J₂)^{1/2} + 0.148(J₃)^{1/3}|^{0.14}；firm ϕ ∝ |0.457(J₂)^{1/2}|^{0.036}；extrafirm ϕ ∝ |0.156(J₃)^{1/3}|^{1.42}
• 验证程度：部分验证——J₃ 的出现区分了纯剪切、拉伸-剪切和压缩-剪切，但这一区分仅在压缩数据上验证；Lode 角敏感性是模型的推断而非直接实验对比
• 替代解释：J₃ 的出现可能是压缩-only 加载路径的产物——多轴加载测试可能改变不变量贡献

主要发现 3：含水量-力学关系高度非线性，体积分数线性假设失效

• 模型结论或预测：含水量仅变化 6%（ν_F: 0.92→0.86）导致峰值应力增加 10 倍以上（-3.74→-42.84 kPa），传统双相理论的线性体积分数缩放 S = ν_s·Sᵉq + ν_f·Sⁿᵉq 无法解释这一非线性——特征网络揭示 8 个模型项中 6 个以不同方式（增/减/不变）依赖含水量。
• 证据定位：Fig. 15（含水量依赖图）；§ 6 Discussion（体积分数线性假设的失效分析）
• 参数条件：三种含水量，特征网络在三种模型的合成数据上训练
• 验证程度：部分验证——统一模型对 firm 和 extrafirm 预测良好但 silken 高估 2 倍；体积分数线性假设的失效通过峰值应力 10 倍变化 vs 体积分数 6% 变化的对比间接验证
• 替代解释：silken 的预测高估可能因含水量最高时流固耦合更强，纯黏弹性模型不足——可能需要孔隙弹性模型（作者在 Discussion 中提出但未实现）

关键图表

• 图表定位：Fig. 14
• 展示内容：三种豆腐在 60%/s 应变率下的预测应力和非弹性变形率：第一行施加伸长 λ；第二行总应力 S（分平衡 Sᵉq 和非平衡 Sⁿᵉq）；第三行非弹性右 Cauchy-Green 张量率 Ċᵢ。颜色区分三个不变量 {Ĩ₁, Ĩ₂, I₃} 等的贡献。
• 支持的结论：平衡应力 Sᵉq 在总应力中的占比随含水量降低而减小（silken 1/3 → extrafirm 1/12），暗示高含水量豆腐更接近流体（Maxwell 元素特性）；非弹性变形完全偏量（仅 J₂ 和 J₃ 贡献）。
• 适用参数区间：λ = 0.7–1.0，λ̇ = 0.2–0.6/s，ν_F = 0.82–0.92

局限与适用边界

• 数据支持的结论：弹性第二不变量主导、非弹性偏量驱动、含水量非线性调制——这些在三种豆腐类型的压缩测试数据上一致出现
• 依赖假设的结论：非弹性体积保持假设（Jⁱ = 1）意味着模型无法捕捉可能的水分挤出/渗透效应；受限压缩边界不透水假设使模型适用于短期加载但可能不适用于长期蠕变
• 模型失效条件：拉伸或剪切加载下不变量贡献可能改变；含水量超出 0.82–0.92 范围时特征网络外推不可靠；长期加载（孔隙流体迁移显著）需孔隙弹性扩展
• 最大不确定性：silken tofu 统一模型高估 2 倍——可能因高含水量下流固耦合不可忽略，纯黏弹性不足以描述近流体行为

个人批注

可迁移的方程、算法或参数

ine lastic constitutive neural network 框架可直接迁移到血管壁 G&R 本构——从实验/仿真数据自动发现 G&R 的 constitutive 形式而非人为假设。具体可迁移组件：(1) F = Fᵉ·Fⁱ 的乘法分解用于分离弹性变形和 G&R 不可逆变形；(2) Helmholtz 自由能 ψ = ψᵉq + ψⁿᵉq 的分解对应弹性+G&R 贡献；(3) 耗散势 ϕ(Σ) 的 Mandel 应力驱动机制；(4) 特征网络框架——将含水量替换为血管壁的 ECM 组成（胶原/弹性蛋白比例）或患者特征作为输入特征。ref 30（Holthusen et al. 2025, G&R 中的本构 ML）是同一团队已将此框架应用于 G&R 的前序工作。

与我的模型的接口

弹性/非弹性分离对应 G&R 模型中"可逆弹性变形 vs 不可逆生长/重塑变形"的分解——ψⁿᵉq 可对应 G&R 的生长势能。不变量分解（弹性依赖 Ĩ₂，非弹性依赖 J₂+J₃）为血管壁本构提供了"哪些不变量驱动弹性 vs 哪些驱动 G&R"的具体参考。特征网络的水含量→权重映射可迁移为"ECM 组成→G&R 参数"的数据驱动映射。

疑问与复现实验

1. 疑问：将 inelastic constitutive neural network 应用于血管壁数据时，G&R 的"非弹性"部分（生长/重塑）与豆腐的"非弹性"部分（黏弹性松弛）在物理上不同——G&R 的非弹性是体积改变的（生长），而本文假设 Jⁱ = 1（体积保持）。如何修改框架以允许非弹性体积变化？
2. 复现实验：使用 Zenodo 开源代码（DOI 10.5281/zenodo.16993236），将血管壁的 inflation-extension 测试数据替换豆腐压缩数据，训练 constitutive neural network 发现血管壁的弹性+G&R 本构律，检查是否同样以第二不变量为主项。

与上下文的关系

本文建立在

inelastic constitutive artificial neural network 框架建立在 Holthusen et al. 2024（ref 28, 理论与实现）和 2025（ref 31, JAX 实现）上。constitutive artificial neural networks 框架由 Linka & Kuhl 2023（ref 43）建立。G&R 中的应用由 Holthusen et al. 2025（ref 30, "Automated model discovery for tensional homeostasis"）建立。第二不变量主导性的理论基础由 Kuhl & Goriely 2024（ref 39, "I too love I₂"）建立。

已核实的后续引用

本次未检索

同类模型对比

本次未核实

与本地论文队列的关系

与本地 2021-PIML-Karniadakis 互补：Karniadakis 将物理定律（PDE）嵌入 ML 的 loss 函数（learning bias），Boes 将物理定律（热力学一致性、多凸性）嵌入 ML 的网络架构（inductive bias）——两者分别代表"软约束"和"硬约束"两种物理嵌入路径。与 2025-vSMC-Phenotypic-Frausto 的关联在于：Frausto 综述的 vSMC 表型转换涉及 ECM 组成变化（laminin→fibronectin）改变力学性质，Boes 的特征网络框架可用于建模"ECM 组成→力学参数"的非线性映射。

逐章节笔记（Section-by-Section Notes）

Introduction

段落 1：豆腐作为水合软固体最小模型系统

• 核心论点：豆腐由大豆和水两种成分组成，其质感从 silken 到 extrafirm 几乎完全由含水量决定，这种简单性使其成为测试自动模型发现方法的理想原型材料。
• 支撑论据：
• 豆腐养活全球超过十亿人超过两千年（refs 63, 74）
• 材料本身极简：豆奶+矿物凝固剂→水合蛋白凝胶，仅两种基本成分（refs 38, 77）
• 质感范围从 silken 到 extrafirm，几乎完全由含水量和凝固工艺决定（Fig. 1, refs 12, 75）
• 这种简单性使豆腐成为测试、验证和揭示自动模型发现方法的理想原型
• 我的分析：这段将豆腐从食品重新定位为材料科学的模型系统——"两种成分"的极简性是关键优势，因为单一变量（含水量）的变化可清晰归因于力学行为的差异。Fig. 1 的五种豆腐类型展示了成分微变导致的质感巨变——这是"非线性含水量-力学关系"的视觉前奏。

段落 2：传统质地剖面分析 vs 力学方法

• 核心论点：传统食品质地剖面分析（TPA）缺乏标准化协议且根植于食品科学而非材料科学，需要用经典力学方法从实验数据中提取基本材料性质。
• 支撑论据：
• TPA 是食品科学量化食质感的金标准超过半世纪（ref 26），通过双压缩模拟咀嚼（ref 5）
• 可提取刚度、硬度、凝聚性、弹性、回复性和咀嚼性（ref 22）
• 但 TPA 缺乏标准化测试协议，限制跨研究/实验室可比性（ref 62）
• TPA 曲线解释根植于食品科学而非材料科学，尽管测试本质上包含力学信息
• 力学测试可从实验数据直接提取基本材料参数（刚度、黏度、松弛时间）（ref 66, ref 11）
• 关键问题：能否通过稳健的本构模型可靠重现实验数据并预测不同加载条件的效果？
• 我的分析：这段提出了从"食品科学"到"材料科学"的方法论转变——将 TPA 的经验参数替换为本构模型的物理参数。这一转变的核心问题是"可靠重现+自信预测"——后者是本构建模的终极目标，也是自动模型发现的动机。

段落 3：自动模型发现的动机与框架

• 核心论点：食品材料的非线性和率依赖响应挑战传统建模技术，需要自动模型发现框架从数据中直接推断本构关系而不预设函数形式。
• 支撑论据：
• 食品材料是新兴的复杂异质系统，挑战传统建模（ref 17）
• 非线性、率依赖响应需要能直接从数据识别控制方程的新方法（ref 40）
• 数据驱动力学框架自动发现本构关系而不预设函数形式（ref 43, ref 28）
• constitutive artificial neural networks 将连续介质力学原理硬编码进网络架构（ref 42），确保模型物理合理且可解释（ref 43）
• 稀疏网络结构平衡精度和可解释性
• 已成功应用于皮肤（ref 45）、动脉（ref 71）、心脏（ref 48）、脑（refs 33, 44）和植物/动物肉（ref 65）
• 多数研究聚焦弹性行为，但大加载幅度和速率下需含非弹性效应
• 非弹性 constitutive neural networks 同时发现弹性 Helmholtz 自由能和非弹性对偶势（ref 28），保持热力学一致性
• 已应用于黏弹性（ref 29）、生长建模（ref 30）和塑性（refs 4, 70）
• 网络自动判断非弹性效应是否必要，减少不必要的模型复杂度（ref 31）
• 我的分析：这段系统介绍了 constitutive neural networks 的发展脉络——从弹性到非弹性、从单一材料到多材料。关键创新是"inductive bias"——物理约束（多凸性、热力学一致性）嵌入网络架构而非 loss 函数，使输出必然满足物理定律。ref 30 的 G&R 应用是同一团队的前序工作，暗示该框架已从食品扩展到血管壁 G&R。

段落 4：研究目标与文章结构

• 核心论点：用非弹性 constitutive neural network 发现三种豆腐类型的个体本构模型，然后用特征网络整合含水量为统一模型，揭示组成-力学关系。
• 支撑论据：
• 用 inelastic constitutive neural network 发现个体本构模型并识别主导机制
• 假设含水量是区分所有个体模型的唯一特征
• 设计第二个网络以含水量为输入，输出调制非弹性本构网络的特征向量
• 实现组成到力学行为的灵活无偏映射
• 产生单一统一模型预测含水量变化对质感的影响
• 我的分析：这段明确了两阶段策略——先发现个体模型（证明框架有效性），再发现统一模型（证明特征网络的跨材料泛化能力）。"特征向量调制本构网络"的乘法耦合设计是关键创新——它允许含水量非线性地缩放每个模型项，而非简单线性缩放整个模型。

Methods

段落 1：实验设计与含水量估算

• 核心论点：对三种豆腐（silken/firm/extrafirm）进行 108 个试样的受控压缩测试，含水量通过营养成分表估算。
• 支撑论据：
• n = 108 样本，三种含水量 × 三种加载幅度 × 五种速率
• 三种豆腐的营养成分（Table 1）：silken 水分 76g/85g（w_f = 0.89, ν_f = 0.92）；firm 71g/85g（0.84, 0.87）；extrafirm 70g/85g（0.82, 0.86）
• 水分估算：总质量减去脂肪/碳水/蛋白/灰分
• 脂质假设为不自由移动的液滴
• 密度假设：ρ_f = 1.0, ρ_s = 1.3 g/ml
• 试样制备：10 mm 厚块→8 mm 直径圆柱活检穿孔
• 测试仪器：HR20 Discovery Hybrid Rheometer
• 受限压缩：侧向变形约束，轴向位移控制
• 初始接触力 < 0.05 N
• 我的分析：这段的实验设计严谨——108 样本提供了足够的统计功效。含水量估算方法（营养成分表反推）是近似但实用的——直接测量含水量的误差可能更小但更耗时。密度假设 ρ_s = 1.3 g/ml 对蛋白凝胶合理但可能有 ±0.1 的不确定性，这会影响体积分数计算。受限压缩的设计选择是关键——不透水边界使应力松弛归因于固体相黏弹性而非流体迁移，简化了模型但限制了适用范围。

段落 2：加载协议与数据处理

• 核心论点：三重压缩用于训练（三个速率），双重压缩用于测试（中间速率），数据用高斯滤波平滑后转换为伸长和第二 PK 应力。
• 支撑论据：
• 三重压缩：λ = 0.7↔0.9，λ̇ = {0.2, 0.4, 0.6}/s，保持 0.5 s
• 双重压缩：λ → 0.8（0.3/s）→ 保持 1.0 s → λ → 0.7（0.5/s）→ 保持 1.0 s
• 每组 ≥8 样本
• 记录间隙 l 和力 F，高斯滤波平滑（σ_gauss = {8, 3, 3}）
• 轴向伸长 λ = l/L；第二 PK 应力 S = F/(Aλ)，A = π(4mm)²
• 我的分析：训练/测试分离设计合理——三重压缩覆盖三种速率（训练），双重压缩使用中间速率和新加载历史（测试）。λ = 0.7 意味着 30% 压缩——对软固体是较大变形但仍在非破坏范围。高斯滤波的 σ 差异（silken σ=8 vs firm/extrafirm σ=3）反映了 silken 信号噪声更高（更软的材料力信号更弱）。

3. Physics-based model

段落 1：运动学——乘法分解与不变量

• 核心论点：采用 F = Fᵉ·Fⁱ 乘法分解和等容/体积不变量 {Ĩ₁, Ĩ₂, I₃} 参数化各向同性非弹性固体的弹性与非弹性势能。
• 支撑论据：
• 变形梯度乘法分解 F = Fᵉ·Fⁱ（Eq. 1）
• 右 Cauchy-Green 张量及弹性/非弹性分量（Eq. 2）
• 等容不变量 Ĩ₁ = I₁/(I₃)^{1/3}, Ĩ₂ = I₂/(I₃)^{2/3} 和体积不变量 I₃ = det(C)（Eq. 3-4）
• Ĩ₁ 测量等容伸长，Ĩ₂ 测量等容面积变化，I₃ 测量体积变化
• 我的分析：乘法分解 F = Fᵉ·Fⁱ 是有限应变黏弹性的标准框架（Simo 1987, ref 64; Reese & Govindjee 1998, ref 60）。不变量参数化的选择是后续 constitutive neural network 输入设计的基础——网络将学习这些不变量的哪些组合最优描述材料行为。

段落 2：Helmholtz 自由能与热力学一致性

• 核心论点：总自由能分解为平衡（弹性）ψᵉq(C) 和非平衡（非弹性）ψⁿᵉq(Cᵉ)，通过 Clausius-Planck 不等式推导应力和耗散，保证热力学一致性。
• 支撑论据：
• ψ = ψᵉq(C) + ψⁿᵉq(Cᵉ) = ψᵉq(Ĩ₁, Ĩ₂, I₃) + ψⁿᵉq(Ĩ₁ᵉ, Ĩ₂ᵉ, I₃ᵉ)（Eq. 5）
• Clausius-Planck 不等式 D := S:½ Ċ − ψ̇ ≥ 0（Eq. 6）
• 第二 PK 应力 S = Sᵉq + Sⁿᵉq（Eq. 7-9），各项为势能对不变量的偏导
• Mandel 应力 Σ = 2Cᵉ·∂ψⁿᵉq/∂Cᵉ 驱动耗散（Eq. 10）
• 耗散势 ϕ(Σ) = ϕ(I₁ᢾ, J₂ᢾ, J₃ᢾ) 凸、非负、零点为零 → Dⁱ = ∂ϕ/∂Σ 保证 D_red ≥ 0（Eq. 12-14）
• 我的分析：这段是全文的理论核心。自由能分解为平衡+非平衡对应了广义 Maxwell 模型的连续介质表述——平衡部分是弹簧，非平衡部分是 Maxwell 元素（弹簧+阻尼器）。Clausius-Planck 不等式是热力学第一和第二定律的结合——通过构造保证满足。耗散势的凸性要求是非负耗散的充分条件——这一约束被编码进网络的激活函数选择中（max/exp 非负）。

段落 3：时间离散与受限压缩运动学

• 核心论点：指数时间积分更新非弹性 Cᵢ；受限圆柱压缩假设非弹性各向同性体积保持，所有体积变化归因于弹性。
• 支撑论据：
• 指数更新：Cⁿ⁺¹ᵢ = (Fⁿᵢ)ᵗ · exp(2Δt Dⁿᵢ) · Fⁿᵢ（Eq. 15）
• 受限压缩：λ_r = λ_θ = 1, λ_z = λ（Eq. 17）
• 非弹性体积保持 Jⁱ = 1 → Fᵉ 和 Fⁱ 的显式表达（Eq. 18）
• C 和 Cᵉ 的显式表达及不变量（Eq. 19-20）
• 轴向平衡和非平衡应力的显式表达（Eq. 21-22），仅依赖 λ, λᵢ 和势能偏导
• 我的分析：指数更新是刚体旋转下客观的积分方案——优于简单欧拉积分。非弹性体积保持 Jⁱ = 1 的假设简化了模型但限制了适用范围——如果豆腐在压缩中排出水分（体积变化），这一假设失效。受限压缩的运动学简化（对角张量，无剪切）使所有方程可显式表达——但这意味着模型仅在压缩下验证，剪切和拉伸的外推不可靠。

4. Neural network model

段落 1：四网络架构总览

• 核心论点：四个 constitutive neural networks 联合工作——平衡网络 ψᵉq、非平衡网络 ψⁿᵉq、耗散网络 ϕ 和特征网络 F^max——前三个发现本构律，第四个学习含水量调制。
• 支撑论据：
• 平衡/非平衡：前馈网络，输入不变量，输出势能（Fig. 3）
• 耗散：循环网络（RNN），输入 Mandel 应力不变量，输出耗散势（Fig. 4）
• 特征：前馈网络，输入含水量 α，输出权重向量 F^max（Fig. 5）
• 耦合：机械网络和特征网络在最终层乘法耦合 Ψ(A, α) = Σ f^max_i(A)·F^max_i(α)（Fig. 6）
• 乘法耦合保证非负输出和零机械输出时的零总输出
• 乘积保持多凸性
• 我的分析：四网络架构的设计精巧——机械网络学习"力学→势能"映射，特征网络学习"含水量→权重"映射，两者乘法耦合实现"含水量调制每个力学项"。乘法耦合的优势是物理上合理：零含水量时仍有固体响应（F^max ≠ 0 但可能不同），零应变时力学项为零（f^max = 0 → 总输出零）。这一架构可直接迁移到血管壁：将含水量替换为 ECM 组成比（胶原/弹性蛋白），特征网络学习"ECM 组成→G&R 参数权重"。

段落 2：弹性网络——稀疏激活函数与正则化

• 核心论点：弹性网络使用第一/二次幂和恒等/指数/对数作为激活函数，非负权重 + L1 正则化保证多凸性和稀疏性，从 512 种可能项组合中筛选最优。
• 支撑论据：
• 两隐藏层，第一层激活 {x¹, x²}，第二层 {x, exp(x)-1, x-1-ln(x)}（Fig. 3）
• 权重非负 + L1 正则化最终层
• a priori 满足多凸性、增长性和归一化（refs 4, 31, 43）
• 两网络输入独立但通过导数耦合
• 我的分析：激活函数的选择是物理驱动的——{x, x²} 对应线性/二次项，{exp(x)-1, x-1-ln(x)} 对应纤维应变硬化（指数）和体积压缩（对数）。L1 正则化是稀疏性的关键——它使不重要的项权重趋零，自动选择最相关的不变量组合。512 = 2⁹ 种组合对应 9 个节点的两层网络——这一搜索空间对 3 个不变量 × 3 种激活 × 2 种幂级是合理的。

段落 3：耗散网络与特征网络

• 核心论点：耗散网络使用可训练幂 + max/exp 激活保证非负凸性；特征网络使用 max/identity/tanh/softplus 激活学习含水量到权重的非线性映射。
• 支撑论据：
• 耗散网络：RNN，输入 Mandel 应力不变量的根 {I₁ᢾ^{1/q}, J₂ᢾ^{1/2q}, J₃ᢾ^{1/3q}}，三层 {18, 8, 8} 节点
• 第一层可训练幂 |x|^p+1，第二/三层 max/exp（Fig. 4）
• 非负凸零点保证 D_red ≥ 0
• 特征网络：输入含水量 α，三层 {14,15,11}/{13,17,15,9}/{20,6,6} 节点
• 激活 {max(0,x), x, tanh(x²), softplus(x)} → 输出 max(0,x) 保证非负（Fig. 5）
• 最终层节点数匹配机械网络（弹性 9, 耗散 8）
• 我的分析：耗散网络使用 RNN 而非前馈是因为耗散是路径依赖的——需要记忆历史变形状态。可训练幂 |x|^p+1 的设计巧妙——幂指数 p 从数据学习而非预设，使模型能自适应发现最优的非线性度。特征网络的 tanh(x²) 激活允许非单调含水量依赖——某些项可能先增后减，这在 Fig. 15 中得到验证（4 个项增加、2 个减少）。

Results

段落 1：力学测试结果

• 核心论点：三种豆腐均显示强非线性、率依赖和水含量依赖的应力响应——extrafirm 最硬，silken 最软，峰值应力随含水量降 6% 增 10 倍。
• 支撑论据：
• Figs. 8-9：108 样本的伸长和应力历史
• 高重复性确认稳健记录
• 非线性应力响应 + 保持阶段松弛（时间依赖）
• 连续循环峰值递减→应力松弛
• 率依赖：高应变率→更高刚度和峰值应力
• 水含量依赖：extrafirm 最硬 → firm → silken 最软
• 峰值应力：silken -3.74±0.86 kPa, firm -18.91±5.50 kPa, extrafirm -42.84±16.22 kPa
• 我的分析：峰值应力 10 倍变化 vs 体积分数 6% 变化的悬殊是全文最引人注目的发现——它直接挑战了线性体积分数假设。标准差较大（extrafirm σ = 16.22 kPa，约均值的 38%）反映了生物材料的固有异质性。

段落 2：三个个体模型——弹性部分

• 核心论点：三种豆腐的弹性势能均以第二等容不变量 Ĩ₂ 为主项，指数项完全缺席——弹性响应的函数形式在三种类型间共享但参数值随含水量缩放。
• 支撑论据：
• silken ψᵉq: ½μ₇[(Ĩ₂)^{3/2} - 3^{3/2}]² + α₉[(I₃)^{β₉-1} - β₉ln(I₃)]，μ₇ = 0.158 kPa
• firm ψᵉq: ½μ₃[Ĩ₁-3]² + ½μ₅[(Ĩ₂)^{3/2}-3^{3/2}]，μ₃ = 5.250 kPa
• extrafirm ψᵉq: ½μ₇[(Ĩ₂)^{3/2}-3^{3/2}]² + α₉[(I₃)^{β₉-1}-β₉ln(I₃)]，μ₇ = 0.151 kPa
• 第二不变量在 6 个势能中 7 个项出现，第一不变量仅 1 次，指数项 0 次
• 指数项缺席与豆腐不含弹性蛋白/胶原纤维一致（指数项代表纤维应变硬化, ref 32）
• 第二不变量主导与人脑（ref 44）和植物肉（ref 46）一致
• 我的分析：第二不变量主导是一个跨材料的共性发现——人脑、植物肉和豆腐共享这一特征，暗示水合软固体的弹性可能普遍由等容面积变化驱动而非伸长。但指数项缺席可能是压缩-only 数据的限制——生物组织在拉伸下通常显示指数应变硬化（胶原纤维展开）。对血管壁：拉伸是主要加载模式（环向拉伸），因此血管壁本构可能需要指数项——这是豆腐与血管壁的关键差异。

段落 3：三个个体模型——耗散部分

• 核心论点：三种豆腐的耗散势均为单一项含 J₂ 和 J₃ 嵌套双重指数——体积不变量 I₁ᢾ 缺席表示压力不敏感性，J₃ 出现表示 Lode 角敏感性。
• 支撑论据：
• silken ϕ = max(1.653[exp(1.770·exp(1.837·|−0.058(J₂)^{1/2}+0.148(J₃)^{1/3}|^{0.14})−1)−1], 0)（Fig. 11）
• firm ϕ = max(0.780[exp(0.814·exp(0.857·|0.457(J₂)^{1/2}|^{0.036})−1)−1], 0)（Fig. 12）
• extrafirm ϕ = max(1.698[exp(1.710·exp(1.717·|0.156(J₃)^{1/3}|^{1.42})−1)−1], 0)（Fig. 13）
• 共性：单一项、加权 J₂ 和 J₃、嵌套双重指数、无 I₁ᢾ、无偏差
• I₁ᢾ 缺席 → 压力不敏感（不同于 Drucker-Prager, ref 21）
• J₂ 存在 → 剪切敏感（同 von Mises, ref 52）
• J₃ 存在 → 应力比敏感/Lode 角敏感（同 Tresca ref 67, Mohr-Coulomb refs 16, 53）
• 我的分析：三种豆腐的耗散势结构惊人一致——单一项嵌套双重指数——但 J₂/J₃ 权重不同（silken 含两者, firm 仅 J₂, extrafirm 仅 J₃）。这一差异暗示含水量影响剪切模式偏好：高含水量（silken）对多种剪切模式敏感，低含水量趋向单一模式。Lode 角敏感性（J₃ 出现）的发现超越了传统 von Mises 假设——简单凝胶通常假设 J₃ = 0，但数据驱动的发现表明这不够。对血管壁：血管壁的屈服/损伤可能也需要 J₃——狭窄处的应力状态是三轴不等压缩，Lode 角 ≠ 0。

段落 4：统一模型与含水量依赖

• 核心论点：特征网络成功将三种豆腐整合为单一统一模型，8 个项中 6 个依赖含水量且依赖方式不同（增/减/不变）——证实含水量-力学关系的非线性。
• 支撑论据：
• 平衡势能：2 项不依赖含水量（Ī₁ 二次和 I₃ 对数），2 项依赖（Ī₂ 线性增加+二次减少）
• 非平衡势能：2 项依赖含水量（Ī₁ᵉ 二次+Ī₂ᵉ 线性，均增加）
• 耗散势：2 项依赖含水量（J₂ᢾ 指数增加+J₃ᢾ 指数减少）
• 统一模型对 firm 和 extrafirm 预测良好（Fig. 16）
• silken 高估峰值应力约 2 倍
• 传统双相理论 S = ν_s·Sᵉq + ν_f·Sⁿᵉq 失效：体积分数仅变 6% 但应力变 10 倍
• 我的分析：6/8 项依赖含水量但方式不同（4 增 2 减 2 不变）是"非线性含水量-力学关系"的直接证据——如果关系是线性的，所有项应同比例缩放。silken 高估 2 倍的失败模式暗示高含水量下需要孔隙弹性模型——流体相的迁移不再可忽略。对血管壁 G&R 的启示是：ECM 组成变化（如胶原含量增加）对 G&R 参数的影响也可能是高度非线性的——线性缩放 G&R 参数（如简单的体积分数加权）可能严重低估某些参数的变化幅度。

Discussion

段落 1：豆腐是黏弹性材料

• 核心论点：受限压缩的不透水边界使应力松弛源于固体相黏弹性而非流体流动——有限黏弹性理论足以描述。
• 支撑论据：
• 非线性、时间依赖、历史依赖的响应
• 不透水边界→水不逃逸→松弛源于固体（ref 9 vs ref 25）
• 采用有限黏弹性理论（refs 60, 64）
• 我的分析：不透水边界假设是关键——它将问题从孔隙黏弹性简化为纯黏弹性。对血管壁：血管壁是透水的（血管壁允许水分迁移），因此纯黏弹性可能不足——需要孔隙弹性扩展。但短期加载（心动周期 ~1s）下水迁移可能可忽略，黏弹性近似合理。

段落 2：弹性/非弹性分离与流体化趋势

• 核心论点：网络自主分离弹性（平衡）和非弹性（非平衡）效应——随含水量增加，平衡应力占比从 1/3 降至 1/12，反映从固体到流体的渐变。
• 支撑论据：
• 平衡应力 Sᵉq：silken -1.26 kPa, firm -2.44 kPa, extrafirm -2.76 kPa（增加但不剧烈）
• 非平衡应力 Sⁿᵉq 占比随含水量增加而增大
• silken Sᵉq 占总应力 1/3，extrafirm 仅 1/12
• 趋势符合流体力学——完美流体不支持剪切应力（无弹簧仅 Maxwell 元素）
• 多种流变模型（单 Maxwell、广义 Maxwell、四元件）被提出解释豆腐松弛（ref 13）
• 自动发现捕获 Maxwell 型特征（ref 29）并自然重现黏弹性固体到近流体的渐变
• 我的分析：弹性/非弹性比例作为"固体度"指标的洞见有启发性——平衡应力占比越高越像固体。对血管壁：健康血管壁的弹性/非弹性比例应较高（固体行为为主），而动脉粥样硬化中 ECM 重塑和 vSMC 表型转换可能降低比例（更多黏性/不可逆变形）。这一比例可作为 G&R 模型的"组织健康度"指标。

段落 3：第二不变量主导的跨材料共性

• 核心论点：第二等容不变量 Ĩ₂ 在弹性势能中的主导性是人脑、植物肉和豆腐的共同特征——暗示水合软固体共享流变学共性。
• 支撑论据：
• 所有三种豆腐的弹性势能均以 Ĩ₂ 为主
• 人脑（ref 44）和植物肉（ref 46）同样显示 Ĩ₂ 主导
• 指数项缺席因不含弹性蛋白/胶原纤维
• 经典本构建模中单一模型+参数变化描述材料家族（如 Burgers 模型对豆腐, ref 14）
• 发现的模型自然反映这一原理：参数变化但函数形式不变
• 我的分析：跨材料共性（脑/肉/豆腐）暗示第二不变量主导可能是水合软固体的普适特征——这对血管壁有参考价值但需谨慎：血管壁含胶原和弹性蛋白（有纤维），因此指数项可能不缺席。ref 39（Kuhl & Goriely 2024, "I too love I₂"）提供了第二不变量主导的理论基础。

段落 4：非线性含水量依赖与体积分数假设失效

• 核心论点：传统双相理论的线性体积分数缩放在高度水合材料中失效——6% 含水量变化导致 10 倍应力变化，需要特征网络捕捉非线性映射。
• 支撑论据：
• 体积分数 ν_f 仅变 6%（0.92→0.86），峰值应力变 10 倍
• 双相理论 S = ν_s·Sᵉq + ν_f·Sⁿᵉq 预测线性缩放
• 线性缩放在低-中含水量可能适用（ref 19）但高度水合材料需要非线性映射
• 特征网络提供灵活性建模复杂流变
• 多模态数据（含水量、密度、温度、纤维角度）可整合为特征
• 我的分析：这段的结论对血管壁 G&R 有直接启示——ECM 组成变化（如胶原含量从 30%→36%，6% 变化）对 G&R 参数的影响也可能是高度非线性的。特征网络框架可用于建模"ECM 组成→G&R 参数"的非线性映射，替代传统的线性体积分数假设。ref 30（同一团队的 G&R 应用）可能已开始这一方向。

Conclusion

段落 1：总结与展望

• 核心论点：自动模型发现成功识别豆腐的非弹性本构律——弹性由 Ĩ₂ 主导、非弹性由 J₂+J₃ 驱动、含水量非线性调制——定位豆腐为非线性孔隙黏弹性固体的定量基准，并展示了物理信息 ML 如何揭示水合软材料的本构结构。
• 支撑论据：
• 108 样本压缩实验揭示强非线性、显著松弛、10 倍应力变化
• 发现的本构模型准确解释训练和测试数据
• 自主分离弹性/非弹性并揭示不变量贡献
• 弹性 Ĩ₂ 主导、非弹性 J₂+J₃ 驱动
• 含水量调制幅度但不改变函数形式
• 特征-力学网络可建模复杂多物理行为
• 适用范围：生物聚合物水凝胶、工程蛋白网络、水合多孔复合材料
• 我的分析：结论的核心洞见是"函数形式通用，参数随含水量缩放"——这与经典本构建模中"单一模型+参数变化"的理念一致，但参数变化方式是非线性的（通过特征网络学习）。对血管壁 G&R 的最终启示是：不同血管（健康/病变/不同部位）的 G&R 本构可能共享相同函数形式但参数值不同——constitutive neural network 可从患者特异性数据自动发现这些参数差异。

快速判断

• 一句话结论：以豆腐为最小模型系统研究水合软固体的力学，通过 100+ 次压缩实验和自动模型发现（automated model discovery）揭示弹性依赖第二等容不变量、非弹性依赖第二/第三偏量不变量的本构结构，并证明含水量与力学性质呈高度非线性关系。
• 阅读范围：仅 metadata、first page、abstract、最多 3 个 figure/table captions 和 conclusion；未通读正文
• 处理决定：升级 deep
• 决定理由：自动模型发现（physics-informed ML）用于本构律推导的方法论与 G&R 模型参数标定直接相关；不变量分解（弹性/非弹性分离）对血管壁本构建模有直接参考价值

摘要概述

本文以豆腐为水合软固体的最小模型系统，通过 100+ 次受控压缩实验（silken/firm/extrafirm）研究含水量如何决定力学行为。观察到强非线性、显著黏弹性和含水量仅降低 6% 即导致应力增加 10 倍以上。通过自动模型发现识别出非弹性本构律，能跨多个加载幅度和速率准确捕捉这些特性——弹性主要依赖第二等容不变量，非弹性依赖第二和第三偏量不变量的组合。该函数形式在三种豆腐类型中通用，但幅度随含水量缩放。基于含水量的特征网络揭示含水量-力学关系是非线性的（不同于传统双相理论的线性假设）。最大限制是 quick 模式未检测到结论。

关键证据

• 证据 1（定位）：Abstract
• 展示或报告：100+ 次压缩实验，含水量仅降 6% 即导致应力增 10 倍以上
• 支持的结论：豆腐水合软固体的含水量对力学行为的敏感性远超传统线性预期

• 注意事项：实验条件（加载速率、应变范围）的细节需正文核实

• 证据 2（定位）：Abstract

• 展示或报告：自动模型发现识别弹性依赖第二等容不变量（I2），非弹性依赖第二和第三偏量不变量组合
• 支持的结论：本构结构可通过 ML 自动发现，且弹性/非弹性机制可自主分离

• 注意事项：模型发现的搜索空间和约束条件需正文核实

• 证据 3（定位）：First page

• 展示或报告：含水量-力学关系是非线性的，不同于传统双相理论的线性假设
• 支持的结论：传统双相孔隙弹性理论可能低估了含水量对软固体力学的影响
• 注意事项：非线性程度的具体量化需正文

局限与未核实项

• 最大局限：Conclusion 未检测到——无法确认作者对未来方向的最终判断
• 未核实项：自动模型发现的具体算法（是否基于 SINDy 或其他符号回归）；不变量分解的物理可解释性

与我的关联

• 可复用点：自动模型发现用于本构律推导的方法论可迁移到血管壁 G&R 本构——从实验/仿真数据自动发现 G&R 的 constitutive 形式而非人为假设；弹性/非弹性的不变量分离对区分血管壁的弹性响应和 G&R 不可逆变形有参考价值
• 关联的当前问题：G&R 模型的本构形式如何从数据中推断而非人为假设
• 下一步动作：升级 deep，重点精读自动模型发现的方法论部分和不变量分解的数学推导