人工智能—无损多尺度本构弹性关系

材料的弹性性质通过刚性模量表示，在三个维度上是一个四阶张量。在微观尺度下，描述的材料微观结构通常非常复杂，包括了不同的结构特征和缺陷性质。一些微观结构特征不会明显改变宏观刚度，或仅以相当适度和线性的方式改变宏观刚度，但其它的一些微观结构特征会导致材料弹性响应发生剧烈的变化。比如材料的孔隙率，描述材料的体积分数、分散性和连通性。计算纳米多孔材料真实弹性刚度的一种直接方法是进行原子计算，但该方法在研究大材料系统的机械性能时变得不可行，这个问题常也被称为材料力学中的多尺度和多物理挑战。多尺度建模既需要考虑各种物理现象在较低尺度上得准确预测，也需要方法在不同尺度间传递信息。因此，如何实现在不同尺度中保持信息量并达到计算成本之间的平衡，成为了关键问题。

来自德国马普学会微观结构物理和合金设计研究所的Jaber Rezaei Mianroodi等，提出了一种无损且有效的方法，使用人工智能技术来研究具有复杂纳米结构得材料弹性响应问题。作者将纳米多孔材料的结构图像作为输入，将原子模拟直接计算的弹性张量作为输出，训练了卷积神经网络模型。经过原子数据训练后的模型，可以直接从原子尺度捕获表面和尺寸效应，并且实现了从微观尺度到宏观尺度的无损转移。研究发现，经过训练的卷积神经网络可以捕获完整原子细节（如孔隙表面效应），同时比原子计算快几个数量级。该研究为高效而准确的逆向设计策略开辟了途径，未来可以扩展到研究具有复杂固有孔隙率特征的相似工程材料中，如超材料、生物物质、增材制造材料、电池或泡沫等。

该文近期发表于npj Computational Materials 8：67(2022)，英文标题与摘要如下，点击左下角“阅读原文”可以自由获取论文PDF。

转自：“知社学术圈”微信公众号

如有侵权，请联系本站删除！