机器学习和深度学习算法在AI的应用研究

 

由于对具有优异机械性能和多种功能的材料的高需求，设计复合材料是材料开发中不可或缺的一部分。然而，由于复合材料的异质性和复杂性，对性能的测量和最佳结构的设计往往在实验或计算上难以实现。在这里，我们报告了基于深度学习方法的给定输入复合材料几何形状的完整应变和应力张量预测。该模型不仅准确预测了所有应变和应力张量分量，而且遵守了严格的连续介质力学原理。此外，通过调整数据统计，即使在处理具有不同组成比和分层几何形状的材料微观结构方面有少量数据，模型性能也会得到提高。该方法大大提高了预测复合材料综合力学行为的效率，为多功能复合材料设计和分层结构优化等设计问题提供了强有力的工具。

 

 

 

代表性体积单元（RVE）通常用于根据纤维增强复合材料的重复微观结构以及组成纤维和基体的性能来分析其有效性能。从本质上讲，即使制造过程受到严格控制，复合材料中也存在纤维分布的随机性。这种微观结构的不确定性本质上使复合材料的强度具有随机性，难以表征。在这项研究中，开发了一个基于物理的深度学习框架，用于分析复合材料强度随微观结构不确定性的变化。采用随机纤维堆积算法对RVE图像进行采样，随后使用有限元法对其进行复合渐进损伤分析。从第一原理分析中获得的输入-输出关系被用作训练数据，以促进深度学习，从而能够基于RVE图像直接预测复合物强度。建立了两种神经网络架构，一种定制的卷积神经网络（CNN）和一种VGG16迁移学习神经网络，以期在小数据量下释放深度学习的力量。这一新框架大大加快了不确定性分析。它可以直接考虑RVE中的空间不确定性，优于其他不确定性量化方法。进行了系统的案例调查，其中统计交叉验证证实了该方法的有效性。由于仿真效率高，可以进一步对不确定性量化进行收敛分析。结果清楚地表明了所提出的复合材料强度预测新框架的有效性和能力。该框架是通用的，可以潜在地扩展到其他复合材料性能的不确定性量化。

 

 

 

 

 

从纳米尺度到宏观尺度，生物组织在空间上是异质的。即使对组织行为有了很好的了解，材料特性的具体对象空间分布也往往是未知的。而且，在开发生物组织的计算模型时，为每个感兴趣的问题模拟材料特性的每一个合理的空间分布通常在计算上代价高昂。因此，开发生物组织精确计算模型的主要挑战之一是捕捉这种空间异质性的潜在影响。最近，基于机器学习的元模型作为一种计算上易于处理的方法来克服这个问题，因为它们可以根据有限数量的直接模拟运行进行预测，因此越来越受欢迎。这些元模型很有前景，但它们通常仍需要大量的直接模拟来实现可接受的性能。在这里，我们展示了迁移学习，一种将解决一个问题时获得的知识转移到解决另一个不同但相关的问题的策略，可以帮助克服这一局限性。至关重要的是，迁移学习可用于利用低保真度仿真数据和解决不同但相关的机械问题的仿真数据。在本文中，我们扩展了Mechanical MNIST，这是我们在大变形下异质材料的开源基准数据集，包括一系列低保真度模拟结果，这些结果需要大约2-4个数量级的CPU时间来运行。然后，我们证明，转移存储在基于这些低保真度仿真结果训练的元模型中的知识可以大大提高用于预测高保真度仿真结果的元模型的性能。在最引人注目的例子中，在100个高保真模拟上训练但在60000个低保真度模拟上预先训练的元模型，其测试误差几乎与在60000个高保真度模拟上训练的元模块相同（平均绝对百分比误差为1-1.5%）。此外，我们还表明，迁移学习是一种有效的方法，可以利用来自不同负载情况的数据，并利用低保真度二维模拟来预测高保真度三维模拟的结果。展望未来，我们预计迁移学习将使我们能够更好地捕捉组织空间异质性对生物材料在多个不同领域的力学行为的影响。

 

 

 

 

近年来，基于注意力的变压器神经网络产生了重大影响。然而，它们对物理系统行为建模的适用性尚未得到广泛探索。这部分是由于非常深的模型的非线性缩放导致的高计算负担，阻碍了对一系列物理系统的应用，特别是复杂的现场数据。在这里，我们报告了一种基于注意力的通用深度神经网络模型的开发，该模型使用多头自注意力方法FieldPercever，能够有效地预测物理场数据，如应力场、能量场和位移场，以及预测整体材料特性，这些特性表征了施加载荷和裂纹缺陷引起的应力分布的统计数据，仅基于描述性输入，该输入基于一组相互作用的构建块来表征材料微观结构，同时捕捉极端的短期和长期关系。不使用图像作为输入，而是实现了材料的神经网络描述，其中分类是通过多头注意力学习的，该模型在公式中没有领域知识，不使用卷积层，可以很好地扩展到非常大的尺寸，并且不知道材料构建块的特定属性。具体来说，当应用于这里考虑的断裂力学问题时，该模型能够捕捉裂纹问题的尺寸、方向和几何效应，用于近场和远场预测，为基于语言建模的材料失效建模提供了一种替代方法，而不需要类似问题中常用的任何卷积层。我们表明，FieldPercever可以在一个通用的框架中使用，在这个框架中，模型可以使用在初始的通用训练阶段学到的见解来微调新场景的预测，即使只使用少量的额外数据集，也能揭示其广泛的概化能力。一旦经过训练，该模型可以在短短几分钟的计算时间内预测数千种场景。例如，使用分子动力学模拟计算类似的输出需要几十个小时、几天或几个月的时间。

 

 

 

 

 

预测砌体结构的局部和全局力学响应或估算其原位性能对于这些结构的设计或评估至关重要且具有挑战性。本文提出了一种快速预测/评估模型，该模型使用条件生成对抗神经网络（cGAN）来解决这一挑战。该模型首次显示出能够建立砌体微观结构特征与全场局部/全局力学响应之间的关系，反之亦然，克服了非线性力学问题的路径依赖性。砌体板的应变图和反作用力是根据砌体板的图像在任何载荷水平下预测的，这些图像仅以颜色嵌入了有关材料特性和载荷情况的信息，而不需要事先了解材料特性和本构定律，也不需要在之前的载荷水平下访问这些字段。此外，研究表明，使用开发的模型，可以从全场应变图和加载场景中预测砌体成分的力学性能。这有望成为昂贵的砌体有限元模拟的革命性元模型，或支持砌体材料特性识别的现场/实验室实验测试。