Deep Learning（深度学习）与材料科学（Material Science）的交叉研究
文一：
不确定条件下三维编织复合材料弹性性能预测的神经网络辅助多尺度分析
摘要：
在过去的20年里，纺织复合材料的刚度预测得到了深入的研究。正是复杂的纱线结构增加了特殊的性能，但也需要计算昂贵的方法来精确解决均匀化问题。编织复合材料在航空航天和汽车工业中具有特殊的兴趣，因此引起了许多研究人员的注意，研究和开发了提取有效弹性性能的分析和数值方法。本文旨在研究自动化制造过程引起的不确定性对编织复合材料弹性行为的影响。在这个方向上，提出了一种基于FEM的快速多尺度算法，允许在蒙特卡洛框架内引入不确定性并计算三维编织复合材料的宏观尺度特性的响应可变性。人工神经网络被用于进一步减少计算工作量，因为它们允许在训练时快速生成大样本。使用这种方法，可以应用基于方差的全局灵敏度分析，以便通过代价高昂的Sobol指数来识别最关键的不确定参数。所提出的方法简单、准确，突出了现实不确定性量化的重要性。
图：单层前馈网络和神经元结构的体系结构。
图：拟议方法的流程图。
图：三轴编织图案：（a）俯视图，（b）侧视图（横截面）。
图：具有代表性的单元中尺度模式。
图：有效力学性能和最佳拟合的直方图。
文二：
doi:10.1016/j.compstruct.2003.10.019
使用PVDF传感器识别GFRP的失效模式：人工神经网络方法
摘要：
声发射（AE）是一种很有前途的复合材料评价技术。为了使用聚偏氟乙烯（PVDF）薄膜传感器进行可靠的自动损伤监测，在存在噪声的情况下识别与基体和纤维故障相关的AE信号是很重要的。在所进行的实验中，用三种不同的堆叠顺序（0/0、0/90和±45）制备了多层玻璃纤维增强塑料（GFRP）复合材料，并用表面安装的PVDF膜在静态拉伸载荷下拾取AE信号。使用人工神经网络（ANN）对AE信号进行分类。结果表明，人工神经网络可以表征复合材料的不同失效机制。
图：具有隐藏层的多层感知器。
图：Kohonen自组织特征图。
文三：
使用深度学习方法预测纤维增强复合材料的应力场
摘要：
应力分析是材料系统设计中的一个重要步骤，有限元法是对复杂材料系统中的应力进行计算分析的标准方法。与多尺度FEM分析相关的巨大成本促使FEM被更快的基于数据驱动的机器学习方法所取代。在这项研究中，我们考虑将深度学习工具应用于纤维增强基体复合材料系统的局部应力场预测，作为FEM的有效替代方案。第一个挑战是预测具有固定数量纤维和不同空间配置的复合材料横截面的应力场图。具体而言，通过使用卷积神经网络（CNN），特别是U-Net架构，实现了纤维的空间排列和相应的von Mises应力场之间的映射。使用与目标系统具有相同数量光纤的数据来训练CNN。鲁棒性分析使用训练样本的不同初始化来发现预测精度随着训练样本数量的增加而变化。具有大量纤维的系统通常需要更精细的有限元网格离散化，这导致计算成本的增加。因此，这里的第二个目标是使用细胞神经网络来预测具有较大纤维数量的系统的应力场，细胞神经网络是对来自具有较小纤维数量的相对较便宜系统的数据进行预训练的。
图：由嵌入矩阵中的圆形纤维组成的二维复合材料系统，以及有限元法（FEM）模拟后的边界和载荷条件（左）和相应的von Mises应力场（右）。
图：U-Net架构。
图：通过图像翻转进行4倍数据扩充。
图：基于6纤维复合材料系统传递学习的20纤维和50纤维复合材料预测。
文四：
深度学习方法在材料科学中的最新进展和应用
摘要：
深度学习（DL）是材料数据科学中增长最快的主题之一，其应用迅速出现，涵盖原子、基于图像、光谱和文本数据模式。DL允许分析非结构化数据和自动识别特征。最近大型材料数据库的发展推动了DL方法在原子预测中的应用。相比之下，图像和光谱数据的进步在很大程度上利用了高质量前向模型以及生成无监督DL方法所实现的合成数据。在这篇文章中，我们对深度学习方法进行了高级概述，然后详细讨论了深度学习在原子模拟、材料成像、光谱分析和自然语言处理方面的最新发展。对于每种模式，我们讨论了涉及理论和实验数据的应用，典型的建模方法及其优势和局限性，以及相关的公开可用软件和数据集。最后，我们讨论了该领域与不确定性量化相关的最新交叉工作，并简要展望了材料科学中DL方法的局限性、挑战和潜在增长领域。
图：示意图显示了人工智能（AI）、机器学习（ML）和深度学习（DL）方法及其在材料科学和工程中的应用概述。深度学习被认为是机器学习的一部分，包含在一个总括术语人工智能中。
图：以图形形式表示原子结构的示意图。
图：深度学习在光谱数据中的应用示例。
图：基于深度学习的原子位点分类算法。
图：显示Word2vec的跳格变体在预测上下文单词中的应用的示意图。
文五：
从模拟数据集中挖掘高对比度复合材料结构-性能联系的深度学习方法
摘要：
数据驱动方法 正在成为研究多尺度、多物理和材料现象的重要工具集。更具体地说，数据挖掘和机器学习方法提供了一个有效的工具集，用于提取和管理控制这些高价值降阶形式的多尺度材料现象的重要相关性，称为过程-结构-性质（PSP）联系。传统的机器学习方法通常依赖于密集的特征工程，并且在建立所需的PSP链接方面取得了一些成功。相比之下，深度学习方法提供了一个具有高学习能力的无特征工程框架。在这项工作中，设计并实现了一种深度学习方法，用于对高对比度复合材料系统中的弹性均化结构-性能链接进行建模。更具体地说，所提出的深度学习模型用于捕捉三维材料微观结构与其宏观（有效）刚度之间的非线性映射。研究表明，这种端到端的框架可以预测具有广泛微观结构的高对比度弹性复合材料的有效刚度，同时为新的评估显示出高精度和低计算成本。
图：通过将不同的3-D高斯滤波器应用于随机数字段而生成的选定MVE的可视化。
图：三维卷积神经网络的示例架构。
图：传统机器学习方法和深度学习方法之间的比较框架。（a） 简单的基于物理的方法（即混合规则方法）。（b） 复杂的物理启发方法（即两点统计方法）。（c） 深度学习方法。
图：CNN的奇偶图和复杂的物理启发方法。顶行和底行分别描述了训练和测试数据的结果。专栏分别代表CNN和复杂的物理启发方法。
