Jul, 2023

使用多层合成有限元模拟预测碳纳米管（CNT）图像的机械性能

PDF
TL;DR本文提出了一种基于人工智能的材料发现的深度学习模型管道，用于预测垂直定向碳纳米管林图像的机械性能，并结合使用多层合成的图像和基于物理的模型来估算这些图像的机械属性，从而实现对碳纳米管制备过程的了解与控制。
发现论文，激发创造
  • 基于人工神经网络的石墨烯可靠机器学习势

    本文介绍了一种基于神经网络的分子动力学模拟与机器学习结合的方法，用于准确计算和预测石墨烯的热力学性质和力学性能，从而可用于石墨烯材料的设计。

    Jun, 2023

  • 高分辨透射电子显微镜 (HRTEM) 机器学习的稳健合成数据生成框架

    使用机器学习技术结合高分辨率透射电子显微镜等方法进行纳米材料表征的研究，通过构建复杂的纳米尺度原子结构，生成大规模的模拟数据库用于训练神经网络，实现对纳米颗粒的分割并探索数据整理过程中不同因素对模型性能的影响。使用纯合成数据能够在实验基准上取得业内领先的纳米颗粒分割性能，并通过实验结果提出了在实验设置中稳定实现高性能的机器学习策略。

    Sep, 2023

  • 可解释的集成学习在材料性质预测中的应用：以碳为例

    我们提出了一种基于集成学习的方法，用于预测晶体材料的形成能量和弹性常数，通过分子动力学计算的物性作为输入，集成学习结果比传统的原子势能方法更准确。

    Jul, 2023

  • 多晶微结构神经网络加速的过程设计

    探索计算实验在优化材料结构以获得期望性能方面的应用，并利用多尺度方法研究处理 - 微观结构 - 材料性能的相互作用，开发基于神经网络的方法来减轻预测微观结构演变的计算负担，同时实现更快速且更优的材料优化。

    Apr, 2023

  • 短切纤维 / 聚合物纳米复合材料的热力学一致的基于物理信息的深度学习材料模型

    本文提出了一种基于物理约束的深度学习（PIDL）的本构模型，用于研究不同环境条件下短纤维增强纳米填充环氧的粘弹性 - 粘塑性行为。深度学习模型通过强制施加热力学原理来训练，从而得到一个热力学一致的本构模型。通过将长短期记忆网络与前馈神经网络相结合，预测用于表征纳米复合材料内耗的内部变量。此外，还使用了另一个前馈神经网络来指示自由能函数，从而定义整个系统的热力学状态。PIDL 模型首先针对三维情况进行开发，通过从经典本构模型生成合成数据来训练模型，然后通过从循环加载 - 卸载实验测试中直接提取数据进行训练。数值实例表明，PIDL 模型可以准确预测不同纤维和纳米颗粒体积分数下基于环氧树脂的纳米复合材料在各种湿热条件下的力学行为。

    Mar, 2024

  • 基于机器学习进行优化断裂韧性的复合材料设计

    通过机器学习技术优化 2D 和 3D 复合结构，研究断裂韧性和裂纹扩展在双悬臂梁（DCB）试验中的应用，揭示微观结构排列与复合材料宏观性能之间的复杂关系，证明了机器学习作为强大工具在设计优化过程中的潜力，相较于传统有限元分析具有明显优势。研究包含四个不同案例，分别检查 2D 和 3D 复合模型中的裂纹扩展和断裂韧性。通过应用机器学习算法，研究展示了在复合材料设计中对庞大设计空间进行快速准确探索的能力。研究结果强调了机器学习在有限训练数据下预测机械行为的效率，为复合材料设计和优化的广泛应用铺平了道路。该研究对提高复合材料设计过程中机器学习的效率做出了贡献。

    Jun, 2024

  • 演化基因规划树模型用于预测绿色纤维力学性能，以改进生物复合材料

    使用创新的进化遗传程序树模型，基于多种固有的化学和物理特性，预测天然纤维的力学性能，以提高以人工智能为基础的预测整体力学性能，促进开发更好的绿色复合材料应用于各种工业应用。

    Feb, 2024

  • 机器学习加速的模拟使得无启发式表面重建成为可能

    使用机器学习插值位能函数和 Markov-chain Monte Carlo 采样方法，加快了多组分材料表面相图预测中的能量和统计抽样方法，可模拟复杂的材料表面并发现以前未报告的表面终止。

    May, 2023

  • 无监督学习纳米压痕数据以推测复杂材料的细微结构细节

    通过纳米压痕研究了 Cu-Cr 复合材料，使用无监督学习的高斯混合模型分析大量数据集，确定了多个机械相和相应的机械性能，并引入交叉验证方法来解决在材料科学机器学习中常遇到的数据数量和可靠预测问题。

    Sep, 2023

  • 机器学习在金属增材制造中用于机械性能预测

    本文介绍了一种基于机器学习的综合框架，用于金属增材制造过程中机械性能的预测，并提出了利用 SHAP 分析对机器学习模型预测结果进行解释和解读的方法，同时比较了数据驱动的显式模型相对于机器学习模型更具可解释性。

    Aug, 2022