通过神经网络生成的隐式描述概率分布的三维图像数据集，我们成功地比较了不同尺度多孔介质的特性，并发现对比传统的图像重建随机方法，此隐式表示的数据分布可以快速存储并重复生成多个孔隙结构的实现。

Apr, 2017

利用并行多尺度模型比单尺度模拟可以更准确地模拟先进材料的力学响应，但是计算成本是该方法实际应用的障碍。本研究提出了一种备选的代理建模策略，允许保持问题的多尺度特性，并可与有限元求解器交替使用。通过使用图神经网络 (GNN) 预测完全场微观应变，并保留微观本构材料模型以获得应力，我们在弹塑性材料上实现了这一点。这种基于数据和物理的图形方法避免了预测完全场响应所产生的高维度，并允许非局部性产生。通过对各种网格进行训练，GNN 学习了对未见过的网格的泛化，使单个模型可以用于一系列的微结构。GNN 中嵌入的微观本构模型隐式地跟踪历史依赖变量，并提高了准确性。我们证明了对于几个具有挑战性的情景，代理模型能够预测复杂的宏观应力 - 应变路径。由于我们的方法的计算时间与微结构中的元素数量相比的呈良好的缩放规律，因此我们的方法可以显著加速 FE2 模拟。

Feb, 2024

基于机器学习的应力场预测和不确定性量化方法，以及对多样材料微观结构的系统比较和推断算法的不确定性估计。

Jun, 2024

本研究使用深度学习的数据驱动方法，通过训练卷积神经网络来预测二维核燃料微结构图像中的瞬时裂变气体释放通量，结果表明这种方法具有高度的预测能力和稳定性，可在非常低的瞬时释放通量值上提供卓越的准确性（4.4% 的平均绝对百分比误差）。

Oct, 2023

本研究使用 3D-patch pipeline，以可接受的计算要求，改进并扩展了最近的有监督和无监督 DL 模型，以处理 AM 样本的孔隙率分析。最好的受监督模型是 MSS-UNet，平均精度为 0.808±0.013；最好的无监督模型是后处理的 ceVAE，平均精度为 0.935±0.001。VAE/ceVAE 模型表现出卓越的功能，特别是在利用后处理技术时。

May, 2023

该论文提出了一个深度学习替代模型，用于快速模拟高维频率选择性表面。通过引入物理洞察力到模型中，它可以在使用缩小数据集进行训练后，准确预测某种结构的 S 参数。该模型非常多功能，可用于任何类型的频率选择性表面，无论是基于任意几何形状的孔洞还是贴片。通过数值示例，展示了基于矩形孔洞屏幕组成的频率选择性表面的预测性能与全波模拟器的结果之间的优秀一致性。

Sep, 2023

本文采用卷积神经网络 (CNN) 来预测多孔介质的基本属性。该文分两项任务，第一项任务是利用几何分析来预测孔隙率和有效扩散系数，第二项任务则是通过重构系统的几何和浓度图来完成。其中，本文提出了两种不同种类的 CNN 模型，分别为 C-Net 和 U-Net。此外，U-Net 能够准确地重构浓度场，而且在各种数据类型上都表现出了良好的性能。

Apr, 2023

通过神经网络架构解决高维参数依赖的偏微分方程问题，借助自适应有限元方法提高训练效率并控制逼近误差，并利用可靠的残差估计器测量观察误差，使网络输出只需要少量参数进行逼近，从而实现在局部细化网格上适应问题的解表示及稀疏图像的处理。

Mar, 2024

本研究开发了一种有限元分析的替代模型，可以准确、高效地预测不考虑复杂几何形状和边界条件下的动脉壁应力应变场。

Aug, 2023

本研究开发了一个基于机器学习的结构设计模型，从逆问题的角度进行研究。通过明确前向、优化和逆向机器学习运算符之间的区别，提出了一种基于最近开发的影响区概念的新方法，相对于传统的结构设计方法，该方法代表了一种基本的转变方式。该方法的目标是构思一个非迭代的结构设计模型，以预测任意系统规模的连续梁系统的截面要求。在生成已知解的数据集后，确定了适当的神经网络架构，并对未见数据进行训练和测试。结果显示截面性能预测的平均绝对百分比测试误差为 1.6%，神经网络具有较好的泛化能力，能够良好地适用于变尺寸的结构系统。本研究生成的 CBeamXP 数据集以及相关的基于 Python 的神经网络训练脚本已经在开源数据存储库中提供，以便重现结果并鼓励进一步研究。

Mar, 2024