This thesis focuses on understanding the mechanical behavior of fiber-based materials by utilizing various modeling approaches. Particular emphasis is placed on their structural variability, anisotropic properties, and damage behavior. Furthermore, the study explores moisture diffusion phenomena within these materials, leveraging machine learning techniques. The research employs a blend of multiscale modeling, experimental investigation, machine learning, and continuum modeling to enhance the predictive capabilities for modelling fiber-based materials.

In Paper I, the work investigates the impact of stochastic variations in the structural properties of thin fiber networks on their mechanical performance. A multiscale approach that includes modeling, numerical simulation, and experimental measurements is proposed to assess this relationship. The research also considers the influence of drying conditions during production on fiber properties. The study finds that spatial variability in density has a significant impact on local strain fields, while fiber orientation angle with respect to drying restraints is a key influencer of the mechanical response. In Paper II, the research delves into the investigation of anisotropic properties and pressure sensitivity of fiber network materials. It draws a comparison between the Hoffman yield criterion and the Xia model, which are widely utilized for simulating the mechanical response in fiber-based materials. The study performs a detailed analysis of these models under bi-axial loading conditions, assessing their numerical stability and calibration flexibility. Further supporting the research community, the paper provides open-source access to the user material implementations of both models and introduces a calibration tool specifically for the Xia model, thereby promoting ease of usage and facilitating further research in this domain. In Paper III a novel thermodynamically consistent continuum damage model for fiber-based materials is introduced. Through the integration of elastoplasticity and damage mechanisms, the model employs non-quadratic surfaces comprised of multi sub-surfaces, augmented with an enhanced gradient damage approach. The model’s capability is demonstrated by predicting the nonlinear mechanical behavior under in-plane loading. This study provides valuable insights into the damage behavior of fiber-based materials, showcasing a range of failure modes from brittle-like to ductile. In Paper IV, the study examines moisture penetration in fiber-based materials and the resultant out-of-plane deformation, known as curl deformation, using a combination of traditional experiments, machine learning techniques, and continuum modeling. The paper compares the effectiveness of two machine learning models, a Feedforward Neural Network (FNN) and a Recurrent Neural Network (RNN), in predicting the gradient of the moisture profile history. The study finds that the RNN model, which accounts for temporal dependencies, provides superior accuracy. The predicted gradient moisture profile enables simulating the curl response, offering a deeper understanding of the relationship between moisture penetration and paper curling.

Denna avhandling fokuserar på att förstå det mekaniska beteendet hos fiberbaserade material genom att använda olika modelleringsmetoder. Särskild vikt läggs på deras strukturella variationer, anisotropa egenskaper och skadebeteende. Dessutom utforskar denna studie fuktdiffusionsfenomen inom dessa material, med hjälp av maskininlärningstekniker. Forskningen använder en blandning av flerskalemodellering, experimentell undersökning, maskininlärning och kontinuummodellering för att förbättra den prediktiva förmågan för fiberbaserade material.

Artikel I undersöker effekten av stokastiska variationer i strukturella egenskaper hos tunna fibernätverk på mekaniska prestanda. Ett flerskaligt tillvägagångssätt som inkluderar modellering, numerisk simulering och experimentella mätningar föreslås för att studera detta samband. Denna metodik tar också hänsyn till inverkan av torkningsförhållanden under produktionen på fiberegenskaper. Studien visar att spatiala variationer i densitet har en betydande inverkan på lokala töjningsfält, medan fiberorienteringsvinkeln med avseende på hur arket är inspänt under torkningsförloppet är en viktig faktor för den mekaniska responsen. I Artikel II utförs en fördjupad undersökningen av anisotropa egenskaper och tryckkänslighet hos fibernätverk. En jämförelse utförs mellan Hoffmans flytkriterium och Xia-modellen, som används i stor utsträckning för att simulera den mekaniska responsen i fiberbaserade material. Studien innehåller en detaljerad analys av dessa modeller under biaxiala belastningsförhållanden, och bedömer deras numeriska stabilitet och kalibreringsflexibilitet. För att stödja forskarsamhället ytterligare, ges åtkomst till öppen källkod till implementeringen av båda materialmodellerna samt introducerar ett kalibreringsverktyg specifikt för Xia-modellen, vilket främjar användarvänligheten och underlättar ytterligare forskning inom denna domän. I Artikel III introduceras en ny termodynamiskt konsekvent kontinuumskademodell för fiberbaserade material. Genom integreringen av elasto-plasticitet och skademekanismer, använder modellen icke-kvadratiska ytor som består av flera underytor, utökad med en förbättrad gradientskademodell. Modellens förmåga demonstreras genom att förutsäga det olinjära mekaniska beteendet under belastning i planet. Den här studien ger värdefulla insikter i skadebeteendet hos fiberbaserade material, och visar en rad brottmoder som sträcker sig från spröda till sega brott. I Artikel IV studeras fuktinträngning i fiberbaserade material och den resulterande deformationen ut ur planet, känd som curldeformation, med hjälp av en kombination av traditionella experiment, maskininlärningstekniker och kontinuummodellering. Studien jämför effektiviteten hos två maskininlärningsmodeller, ett Feedforward Neural Network (FNN) och ett Recurrent Neural Network (RNN), för att förutsäga fuktprofilhistoriken. Studien finner att RNN-modellen, som tar hänsyn till tidsberoenden, ger en bättre noggrannhet. De predikterade fuktprofilerna används för att simulera curlresponsen, vilket ger en djupare förståelse för sambandet mellan fuktinträngning och curldeformation i papper.