Feb, 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

PDF
TL;DR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。
发现论文，激发创造
  • 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

    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。

    Jul, 2023

  • ForceGen: 基于非线性力学展开响应的蛋白质语言扩散模型的端到端全新蛋白质生成

    通过深度学习的生成模型，预测蛋白质设计以满足复杂的非线性力学特性设计目标，并通过分子模拟验证展示出设计的蛋白质在力学性质方面的新颖性和达到的目标力学特性，为探索巨大的力学生物学蛋白质序列空间提供了快速的途径。

    Oct, 2023

  • 增强力学性能的蜘蛛丝蛋白序列的生成模型、设计和分析

    利用定制生成式大语言模型，为蛛丝蛋白序列的设计提供可能，以满足复杂的目标力学特性组合，拓展蛛丝样本库，建立合成蛛丝设计和优化的基础。

    Sep, 2023

  • 深度学习方法用于粘弹性纤维复合材料的动态力学分析

    利用深度神经网络将微结构映射到其机械特性，加速过程，并允许根据所需特性生成微结构。

    Oct, 2023

  • 一般性用途的无机材料属性预测机器学习框架

    该研究论文介绍了一种新的机器学习框架，用于从现有的材料数据中提取预测模型，方法是使用具有化学多样性的属性列表，并将数据集分成相似材料组，提高预测准确度，可用于预测晶态和非晶材料的多种属性。

    Jun, 2016

  • 基于元启发式人工神经网络预测碳纤维增强聚合物对混凝土强度的约束效应

    使用基于元启发式人工神经网络的方法，预测碳纤维增强聚合物（CFRPs）对混凝土圆柱体强度的束缚效应。研究结果表明，PSO 模型和 GWO 模型能够准确预测 CFRP 受限混凝土圆柱体的强度，为避免耗时且昂贵的实验测试提供了可靠的解决方案。

    Dec, 2023

  • 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

  • HomoGenius: 利用神经算子快速预测有效力学性能的均质化基础模型

    基于操作符学习的数值均匀化模型 HomoGenius，可快速提供任意几何、材料和分辨率的均匀化结果，比传统数值均匀化方法效率提高了 80 倍，且具有高精度、超高效和学习能力。

    Mar, 2024

  • 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

  • 利用深度学习自动化细纤维材料显微图像中的木材种类检测与分类

    我们开发了一种用于系统生成大型显微纤维材料的图像数据集的方法，基于此方法，我们生成了用于九种硬木属的图像数据。这是首次通过深度学习自动化识别显微图像中的硬木物种的实质性方法的基础。我们的方法包括一种灵活的管道，用于容易地注释管胞要素。我们比较了不同的神经网络架构和超参数的性能。我们提出的方法与人类专家的表现相似。这将来将改善对全球木纤维产品流动的控制，以保护森林。

    Jul, 2023