攻克高温部件疲劳断裂难题，实现从机理建模到全寿命预测的工程跨越

近年来，深度学习技术在多个工程领域取得了显著突破，特别是在疲劳与断裂分析中的应用。传统的疲劳分析方法依赖于物理模型和实验数据，然而，随着结构复杂性的增加和多物理场交互的挑战，传统方法的计算成本和准确性已无法满足高精度要求。深度学习通过强大的数据处理和模式识别能力，能够有效地从大量复杂数据中提取特征，进而提供更高效、更精准的分析。特别是在疲劳寿命预测、裂纹检测与扩展、以及多物理场耦合分析等方面，深度学习展现了巨大的潜力，能够弥补传统方法的不足，提升工程分析的效率与可靠性。

材料力学的传统分析方法在面对多维度、多物理场的复杂问题时，往往需要大量的实验数据支持，并且计算过程繁琐。而人工智能，特别是深度学习的应用，正在推动材料科学领域的革命。通过将物理学定律与深度学习模型结合，如物理信息神经网络（PINN），工程师可以实现更为精确的疲劳与断裂分析。AI技术的引入，不仅使得传统的疲劳与断裂分析方法更为高效，而且能够自动处理非结构化数据，如图像、传感器数据等，打破了传统方法的限制，提升了预测的精度和应用的广泛性。

随着航空航天、风电、桥梁等关键基础设施领域对安全性和可靠性要求的提高，在工程实践中的前沿趋势与挑战方面，深度学习在疲劳与断裂分析中的应用正日益重要。在这些领域，传统的疲劳分析方法面临着复杂负载谱、材料不均匀性和裂纹扩展行为等多方面的挑战，急需更高效、更智能的解决方案。深度学习，尤其是卷积神经网络（CNN）和生成对抗网络（GAN）的引入，为实时监测、裂纹扩展预测和疲劳寿命评估提供了新的方向。未来，结合深度学习与传统方法的混合分析模型，将在智能化、自动化的工程决策过程中扮演越来越重要的角色，推动结构安全与维护管理向更高水平发展。

课程一、深度学习助力高性能材料疲劳分析与断裂应用研究

课程二、人工智能技术助力增材制造

课程三、深度学习PINN+大模型辅助编程

本课程旨在为学员提供深度学习驱动的疲劳与断裂分析的深入知识，结合材料力学、断裂力学以及深度学习技术，帮助学员理解如何将深度学习应用于工程中的疲劳与断裂问题。课程内容涵盖了深度学习基础、疲劳与断裂力学基础理论、疲劳裂纹扩展与断裂分析、以及深度学习在航空、新能源领域等工程中的应用。课程通过理论讲解、实际操作与案例分析相结合的方式，深入探讨了疲劳寿命预测、裂纹检测、损伤识别等技术，并结合实际工程问题，展示了深度学习在不同领域中的应用。      

课程的前两天将聚焦于深度学习和疲劳断裂分析的基础理论，介绍深度学习的基本概念、神经网络架构及其在疲劳与断裂分析中的应用，帮助学员建立深度学习的理论框架，并通过Python编程实现疲劳寿命预测模型。第三天的课程将重点探讨疲劳与断裂分析在航空与新能源工程中的实际应用，包括裂纹扩展、疲劳寿命预测等问题，展示深度学习如何提升分析精度和效率。第四天将通过讲解腐蚀疲劳和复合材料寿命预测的基本理论及应用，探讨材料在恶劣环境下的疲劳行为，并利用深度学习方法优化分析过程。最后一天，课程将通过实际案例和操作，帮助学员掌握深度学习驱动的疲劳与断裂分析技术，能够在不同工程背景下灵活应用。同时，课程将介绍DeepSeek技术，展示如何利用其智能分析工具，进一步提高疲劳与断裂问题的诊断精度和处理速度。通过这项技术，学员将了解如何在复杂工程环境中进行高效的数据分析和预测。

本课程的教学目标是通过理论讲解与实践操作，帮助学员全面掌握深度学习在疲劳与断裂分析中的应用，并将所学知识有效应用于工程实践中。首先，学员将深入理解深度学习的基本原理和常见算法，掌握神经网络、卷积神经网络等模型的应用，能够在疲劳与断裂分析中灵活运用深度学习方法。其次，学员将掌握疲劳与断裂力学的基本理论，理解疲劳裂纹扩展、断裂韧性、疲劳寿命预测等关键内容，并能够结合深度学习技术，提升分析的精度和效率。课程还将培养学员进行智能裂纹检测与寿命预测的能力，学员将能够利用深度学习进行裂纹分类与检测，预测疲劳寿命，并通过实际案例进行应用，提升数据驱动的分析能力。此外，学员将在实际工程应用中，运用深度学习方法解决航空结构、风电装备、桥梁等领域的疲劳与断裂问题，提高分析效率与精度。最后，通过编程实践，学员将能够利用Python和深度学习框架（如PyTorch）构建与训练疲劳与断裂分析模型，完成疲劳寿命预测、裂纹检测等任务，掌握深度学习驱动的端到端分析方法，同时掌握如何将DeepSeek技术与传统分析方法相结合，以实现更高效、更精准的疲劳与断裂分析。

   

深度学习基础与应用概述

深度学习概述：介绍深度学习的基本概念、历史背景及其在工程与材料科学中的应用前景。

神经网络基础：

神经网络架构与工作原理：深入讲解神经元模型、前馈神经网络、激活函数等基本概念。（实操+源码）

反向传播算法与梯度下降：讨论深度学习的训练过程，如何通过反向传播优化模型。

常见深度学习网络结构：包括全连接神经网络（ANN）、卷积神经网络（CNN）和递归神经网络（RNN）。

深度学习优化技术：学习常见的优化算法（如Adam、SGD）以及其在疲劳与断裂分析中的应用。

物理信息神经网络(PINN)原理剖析（实操+源码）

   

深度学习在疲劳与断裂分析中的应用

深度学习与材料疲劳研究的结合：探讨如何利用深度学习分析疲劳现象，包括裂纹检测、裂纹扩展预测及寿命分析等。

数据驱动的疲劳寿命预测模型：如何通过深度学习模型处理和分析疲劳数据（如S-N曲线、载荷谱），提升寿命预测精度。（实操+源码）

深度学习在断裂力学中的应用：通过深度学习优化应力强度因子计算、裂纹尖端应力场预测等。

基于深度学习的损伤识别与分析：利用深度学习技术自动识别材料损伤、裂纹位置和发展趋势。

DeepSeek大模型如何有效应用在疲劳与断裂的科研领域

   

材料力学、弹性力学基础与Workbench实操仿真

胡克定律与材料本构关系推导：深入讲解弹性力学中材料本构模型的建立与推导。

Workbench实操仿真、应力应变分析：实操仿真、材料在加载下的应力、应变关系及其在断裂分析中的重要性。

平面应力/应变问题解析解推导：基于经典的平面应力和应变理论进行实例推导与分析。

断裂力学基础：应力强度因子计算：使用J积分法进行应力强度因子计算，理解裂纹尖端应力场。（实操+源码）

DeepSeek大模型如何有效提升料力学与弹性力学方仿真效率

   

疲劳力学与寿命预测理论

疲劳现象与疲劳断裂特征：描述材料在反复载荷作用下的疲劳裂纹扩展与最终断裂。

疲劳寿命的描述方法：S-N曲线与矿物法则：解释疲劳寿命的建模与预测。

概率疲劳建模与应用：介绍蒙特卡洛模拟在疲劳寿命预测应用。（实操+源码）

疲劳断裂行为与局部塑性化：分析疲劳过程中局部塑性变形的作用及其与疲劳裂纹扩展的关系。

代码实操：Python实现Weibull分布疲劳寿命预测

利用Python实现经典的Weibull分布进行疲劳寿命预测，理解概率分布与实际疲劳寿命预测的关系。（实操+源码）

   

裂纹扩展与断裂力学模型（实操+源码）

应力强度因子与裂纹扩展准则：讲解不同类型的裂纹扩展准则（如Paris法则、Logan法则）。

裂纹的多尺度分析方法：从微观到宏观对裂纹扩展的多尺度分析。

断裂韧性与疲劳裂纹的关系：探讨材料断裂韧性与疲劳裂纹扩展的关系。

损伤力学与裂纹萌生理论：介绍损伤力学中的裂纹萌生模型及其与疲劳寿命的关系。

智能裂纹检测与分析（实操+源码）

数字图像相关(DIC)技术与裂纹分析结合：使用DIC技术提取裂纹信息，并结合深度学习模型进行分析。

U-Net深度学习算法在裂纹检测中的应用：基于U-Net网络架构进行裂纹自动分割。

ResNet在裂纹阶段分类中的应用：使用ResNet对裂纹阶段进行分类和预测。

基于深度学习的裂纹特征提取方法：通过深度学习提取裂纹的微观特征，辅助分析裂纹发展过程。

实操：PyTorch构建裂纹检测模型

使用PyTorch框架搭建并训练裂纹检测模型，进行裂纹检测与分类任务。

   

航空结构的疲劳与断裂分析

飞机蒙皮裂纹多尺度分析框架：结合微观与宏观分析方法进行航空结构疲劳裂纹的多尺度建模。

超分辨率重建技术在裂纹检测中的应用：通过显微图像超分辨率重建提升裂纹检测精度。

裂纹尖端应力场预测与分析：运用有限元与深度学习结合的方法，预测裂纹尖端应力场。

疲劳寿命预测模型与数据驱动方法：构建数据驱动的疲劳寿命预测模型。（实操+源码）

   

风电装备寿命预测、桥梁裂纹寿命预测

风电主轴承疲劳分析与寿命预测：分析风电主轴承的疲劳行为，构建寿命预测模型。

物理信息神经网络(PINN)在疲劳分析中的应用：结合物理信息神经网络进行风电装备的疲劳寿命预测。（实操+源码）

载荷谱分析与多物理场耦合模型：探讨风电设备在复杂载荷谱下的疲劳行为。

数据驱动疲劳分析方法的创新与挑战：讨论数据驱动方法在风电装备疲劳分析中的应用和挑战。

实操：PyTorch实现寿命的端到端预测、桥梁裂纹寿命预测

通过PyTorch框架实现疲劳寿命的端到端预测。

   

腐蚀疲劳分析

腐蚀-疲劳耦合的基本理论：探讨腐蚀与疲劳相互作用下的损伤过程。

电化学-力学耦合分析方法：结合电化学与力学模型，分析腐蚀疲劳过程。

迁移学习在腐蚀疲劳分析中的应用：利用迁移学习方法提升腐蚀疲劳预测模型的泛化能力。

腐蚀疲劳模型的实验验证：结合实际数据，验证腐蚀疲劳预测模型的准确性。

复合材料疲劳与损伤分析

复合材料疲劳损伤机理：从微观结构上分析复合材料的疲劳损伤行为。

应变分配图像的CNN特征提取技术：通过卷积神经网络（CNN）提取复合材料疲劳损伤过程中的应变图像特征。（实操+源码）

复合材料疲劳寿命的预测方法：建立复合材料疲劳寿命的预测模型，结合物理与数据驱动方法。

多场耦合分析与疲劳预测：综合考虑热、力、电等多场耦合效应，预测复合材料的疲劳寿命。

实操：Keras构建复合材料疲劳寿命预测模型

使用Keras搭建复合材料疲劳寿命预测模型，进行基于数据的疲劳分析。

   

Day 5：高温/极端环境下的金属疲劳与多尺度疲劳分析

高温/极端环境下的金属疲劳

高温疲劳机理与特征：讨论温度对金属材料循环变形行为的影响（如蠕变-疲劳交互作用）

蠕变金属疲劳：利用物理信息神经网络预测金属蠕变-疲劳寿命

蠕变金属材料的多尺度损伤分析方法：结合微观与宏观分析，研究蠕变金属的疲劳与断裂机制。

   

多尺度疲劳分析方法

宏-微观数据传递的GAN架构：利用生成对抗网络（GAN）进行多尺度疲劳分析数据的生成与处理。（实操+源码）

跨尺度疲劳仿真工作流设计：设计跨尺度的疲劳仿真工作流，提升仿真精度与计算效率。

多尺度损伤累积模型：结合材料的微观结构特征，构建多尺度损伤累积模型。

深度学习与传统方法的融合：将深度学习技术与传统疲劳分析方法相结合，提升疲劳预测精度。（实操+源码）

补充：Joule期刊最新疲劳与断裂研究论文解析

讨论最新的疲劳与断裂研究成果，并解析相关科研论文的框架和应用。

   

本课程的主讲老师来自国内985重点高校，拥有两年海外留学经历，并专注于计算物理与计算材料的研究。老师的学术背景深厚，长期从事复合材料计算与深度学习方法的结合研究，涉及的研究领域包括量子力学、材料科学、仿真技术、人工智能技术等。作为学术团队的一员，老师参与了多项国家自然科学基金面上项目，在国际学术界具有广泛的影响力。老师的研究方向主要集中在深度学习方法应用于第一性原理计算的领域，尤其是在神经网络势函数（NNF）和分子动力学模拟（MD）等领域取得了突破性的成果。凭借扎实的理论功底和丰富的实践经验，老师在如何高效地结合深度学习与材料科学进行分析应用，研究成果被广泛应用于材料设计、能源催化、电子结构计算等多个领域。老师在国际顶级期刊上发表多篇高水平论文，这些论文涉及计算材料、量子力学、机器学习与材料科学的交叉领域，得到了国内外学术界的广泛认可和引用。除此之外，老师还参与了多项学术交流活动，并在多个国际学术会议上做过专题报告，积累了丰富的学术交流和研究合作经验。在教学方面，老师秉承“理论与实践并重”的教学理念，注重将深奥的理论知识与实际应用紧密结合。在本次培训课程中，老师将通过系统的讲解和丰富的实操案例，帮助学员深入理解深度学习方法如何在复合材料中使用，从基础的量子力学原理、密度泛函理论（DFT）到神经网络势函数的应用，再到如何用机器学习方法加速材料模拟，课程内容涉及面广，理论深度与实践操作并行，旨在让学员能够全面掌握并运用相关技术。除了学术与教学的成就，老师在编程与软件工具方面也有着丰富的经验，能够灵活运用Python、Pytorch等编程工具进行大规模计算与数据分析。老师的多项研究成果和编程经验为学员提供了一个独特的学习平台，使得课程内容更加贴近实际需求，帮助学员快速掌握从理论到实践的核心技术。

引领增材制造智能化浪潮，掌握前沿交叉技术        

在全球制造业迈向智能化的浪潮中，增材制造（Additive Manufacturing, AM）因其灵活性和高定制化潜力，成为航空航天、医疗器械、汽车制造等领域的核心技术。然而，工艺复杂性、缺陷控制难度和材料优化挑战限制了其进一步发展。人工智能（AI）作为突破这些瓶颈的关键，正推动增材制造进入全新阶段。本课程聚焦AI在增材制造中的前沿应用，涵盖激光粉末床熔融（LPBF）、定向能量沉积（DED）、光敏聚合物制造等多种工艺，旨在帮助学员掌握从过程监控到材料设计的完整技术链。学员将深入学习监督学习、深度学习、自监督学习、对比学习、迁移学习等多种AI模型，理解它们如何优化制造流程。例如，通过深度学习分析声发射数据实现LPBF的实时监控，或利用视听特征融合技术提升DED缺陷检测精度。此外，课程探索AI在4D打印材料设计和热场预测中的应用，揭示智能材料和复杂结构的未来潜力。通过系统化的理论讲解和行业案例分析，学员将站在技术前沿，掌握引领增材制造智能化革命的核心能力，为航空航天、医疗、汽车等高价值行业创造竞争优势。      

实践驱动学习，产出行业级项目成果        

本课程以实践为核心，80%的课程时间专注于动手操作，确保学员将理论转化为实际开发能力。课程设计了从基础数据处理到复杂模型部署的递进式实践环节，覆盖增材制造的真实场景，如过程监控、缺陷检测、材料优化和后处理自动化。学员将通过Python、Matlab等工具，完成多个贴近行业需求的案例：构建LPBF过程监控系统以分析工艺稳定性，训练DED缺陷检测模型以识别微小裂纹，优化4D打印材料以实现智能响应，自动化后处理流程以提升生产效率。课程的高 潮是一个综合项目，学员将整合所学技术，设计并实现一个LPBF综合监控与优化系统，涵盖声发射分析、缺陷检测、热场预测和后处理自动化。项目完成后，学员将提交代码和报告，并在团队展示中获得专家反馈，强化技术能力和团队协作经验。课程提供预配置的数据集、项目模板和详细实践指南，确保初学者也能快速上手。完成课程的学员将产出可直接应用于工作或研究的行业级项目成果，提升职业竞争力，并获得结业证书作为能力证明。      

独家资源与持续支持，赋能职业与研究突破        

本课程提供独家资源和持续支持体系，助力学员在增材制造领域实现职业与研究的双重突破。学员将获得基于全球顶级研究机构和行业项目的丰富资源，包括高水平学术论文、全面的课程讲义和预配置的数据集。这些资源覆盖增材制造的最新进展，如过程-结构-性能关系、跨材料工艺优化、实时质量控制等，为学员提供坚实的理论和实践基础。课程配备详细的环境配置教程和调试技巧，确保学员高效掌握复杂技术。此外，课程的实践设计紧密贴合行业需求，所学技术可直接应用于航空航天（如高精度零件制造）、医疗（如定制化植入物）、汽车（如轻量化结构）等高薪领域。为确保学习效果的持续性，课程提供线上答疑支持，学员可在课程结束后通过线上平台咨询技术问题、获取项目指导，解决实际应用中的难题。这种独家资源与持续支持的结合，不仅加速学员的技术掌握，还助力他们在快速发展的增材制造行业中脱颖而出，成为具备全球竞争力的专业人才。

掌握AI技术在增材制造中的核心应用        

本课程旨在帮助学员系统掌握人工智能（AI）在增材制造（AM）中的核心技术，涵盖激光粉末床熔融（LPBF）、定向能量沉积（DED）、光敏聚合物制造等多种工艺。学员将学习多种AI模型，包括监督学习、深度学习、自监督学习、对比学习、迁移学习、半监督学习、流形学习和迭代学习，理解它们在解决增材制造关键挑战中的作用，如过程监控、缺陷检测、材料优化和后处理自动化。通过深入剖析AI如何提升制造精度、效率和稳定性，学员将能够将理论知识转化为实际应用。例如，学员将探索如何通过深度学习分析声发射数据以监控LPBF工艺动态，或利用视听特征融合技术实现DED中的实时缺陷检测。这些技术不仅代表增材制造的前沿趋势，还直接响应航空航天、医疗器械、汽车制造等行业对高性能制造的需求。课程通过结构化的理论讲解和案例分析，确保学员全面理解AI在增材制造中的潜力，为后续实践奠定坚实基础。      

精通基于独家资源的实践开发能力        

课程的目标之一是培养学员基于独家资源开发AI驱动增材制造解决方案的实践能力。学员将通过提供的30+代码库和3篇高水平学术论文，完成从数据预处理到模型部署的全流程实践。这些资源覆盖过程监控（如声发射分析）、缺陷检测（如熔池特征预测）、材料设计（如4D打印材料优化）和后处理自动化（如晶格结构分析）等多个领域。学员将使用Python、Matlab和Abaqus等工具，运行真实案例，如构建LPBF过程监控系统、训练DED缺陷检测模型、优化4D打印材料设计等。课程特别设计了递进式实践环节，从简单的数据分箱与可视化到复杂的综合项目，确保学员逐步精通技术开发。此外，课程提供预配置的数据集、项目模板和详细的实践指南，降低学习门槛，让初学者也能快速上手。通过这些实践，学员将掌握将AI技术应用于增材制造的开发能力，产出可直接用于工作或研究的可交付成果。      

打造行业竞争力和持续支持体系        

本课程致力于提升学员在增材制造领域的行业竞争力，帮助他们在职业和研究中实现突破。通过学习AI与增材制造的交叉技术，学员将具备开发高精度、高效率制造解决方案的能力，适用于航空航天（如高强度零件制造）、医疗（如定制化植入物）、汽车（如轻量化结构）等高需求领域。课程的综合项目要求学员设计并实现一个LPBF综合监控与优化系统，整合声发射分析、缺陷检测、热场预测和后处理自动化，培养跨领域协作和问题解决能力。完成课程的学员将获得结业证书，证明其在AI驱动增材制造领域的专业能力。为确保学习效果的持续性，课程提供线上答疑支持，学员可在课程结束后通过线上平台咨询技术问题、获取项目指导，解决实际应用中的难题。这种持续支持体系确保学员能够将所学知识无缝应用于工作或研究场景，从而在快速发展的增材制造行业中保持领先地位。

第1天：AI模型与增材制造应用

目标：汇总后面四天用到的 AI 模型，介绍其在增材制造中的应用，建立理论基础。

内容：

上午：AI模型与增材制造背景

增材制造挑战：过程稳定性、缺陷控制、材料优化。

增材制造AI 模型概览：

监督学习： 增材制造中的不锈钢相对密度预测、电弧增材制造熔融效率预测。

不锈钢相对密度预测：本研究通过比较七种监督机器学习算法（支持向量机、决策树、随机森林、梯度提升、高斯过程、K近邻、多层感知器），预测了选择性激光熔化工艺制造的316L不锈钢3D打印件的相对密度，旨在优化工艺参数以提高零件密度。SLM技术可加工复杂几何形状，但层间孔隙导致各向异性和零件磨损。

   

   

电弧增材制造熔融效率预测：利用机器学习方法预测电弧增材制造（WAAM）的熔化效率，WAAM因其高生产率和加工大型航空零件的能力而备受关注。熔化效率是评估工艺能量利用和稳定性的关键参数，传统测量需破坏性测试或专用设备。本研究基于线径、送丝速度、移动速度和净功率等工艺参数，采用高斯过程回归器预测熔化效率，并开发简化的解析模型进行对比。

   

   

深度学习：视听特征融合缺陷检测、时间分辨激光吸收率预测的深度学习方法（ResNet-50、ConvNeXt-T 激光吸收预测）、深度学习缩进方法（材料机械性能提取）。

利用机器学习实现增材制造在激光定向能量沉积中的音视特征融合，用于缺陷检测和质量预测。通过融合声学信号和同轴熔池图像，提出多传感器融合数字孪生框架，显著提升局部质量预测精度。研究探索了音视特征的跨模态相关性，利用混合CNN直接融合原始数据，实现高精度缺陷检测。此外，通过声学信号和机器人运动数据推断熔池视觉特性，提出基于麦克风的低成本监控方法。数据集和代码公开，支持高效的LDED工艺优化。

   

异步增材制造实时、同步吸收和高速 X 射线成像用于激光能量吸收率预测和关键孔分割的模型训练。end_to_end_approach包含ResNet-50和ConvNeXt-T训练代码，ConvNeXt-T在吸收率数据集上表现最佳，平均L1损失为2.35±0.35。semantic_segmentation提供关键孔分割模型训练代码，UNet模型mIoU达90.4±0.6。opencv_segmentation使用OpenCV实现关键孔阈值分割，keyhole_feature_extraction提取分割掩模的几何特征。预训练模型权重可通过Google Drive获取，数据见官方网站，支持下游任务优化。

通过深度学习从仪器化压痕实验中提取材料力学性能，利用多保真神经网络和多保真高斯过程回归，基于DeepXDE框架（v1.1.2）处理压痕数据，拟合材料应变硬化指数等力学参数。代码包括数据读取、神经网络模型、拟合函数等模块。用户需根据案例调整硬编码参数。代码和数据公开，支持学术研究，引用需标注相关论文。

   

自监督学习：增材制造自监督学习同轴DED工艺区成像（DED 同轴成像）、增材制造自监督贝叶斯表示学习声发射（声发射监控）。

基于深度学习的无监督域适应技术，通过声发射信号监测激光粉末床熔融（LPBF）过程，解决不同工艺参数空间下数据分布变化问题。利用卷积神经网络（CNN）从无标签数据推断类别标签，连接源域与目标域的潜在特征，有效减少特征空间失配。研究提升了LPBF实时质量验证的鲁棒性，降低传统检测成本，支持工艺优化

   

深度学习无监督域适应技术，通过声发射监测激光粉末床熔融（LPBF），解决工艺参数变化引起的数据分布偏移。利用CNN从无标签数据推断类别，连接源域与目标域特征，增强模型鲁棒性，降低检测成本。

对比学习：基于深度对比学习的质量监控方法，应用于定向能量沉积（L-DED）工艺，通过同轴成像分析熔池光发射，实时监控Ti6Al4V零件质量。采用对比学习和三元组损失训练CNN，提取低维特征表示，提升跨工艺空间的分类和监控能力

   

   

迁移学习：激光粉末床熔融（LPBF）实时监控，利用声发射（AE）和可解释机器学习（CNN、XGBoost、SVM）分析316L不锈钢工艺动态，识别低于40kHz的关键频率范围，区分缺熔、传导模式和关键孔缺陷。采用EMD分解AE信号，通过显著性图和特征重要性分析优化传感器选择。

   

半监督学习：半监督学习策略，利用声发射（AE）监控激光粉末床熔融（LPBF）工艺，通过变分自编码器（VAE）和生成对抗网络（GAN）区分Inconel粉末无缺陷状态与异常。仅用无缺陷声学签名训练生成模型，实现实时缺陷检测。

流形学习：基于深度学习的流形学习方法，通过同轴CCD相机捕获的熔池图像，实时监控定向能量沉积（DED）工艺。利用自编码器和生成对抗网络（GAN）学习熔池形态的流形特征，结合单类SVM分类六种工艺条件，区分理想质量与缺陷，分类精度达97%。

   

迭代学习：提供迭代机器学习框架，使用极端随机森林预测增材制造中的温度分布。核心代码在课程中展示，支持邻域信息整合。包含三个Jupyter笔记本用于温度预测。数据集公开，需Scikit-Learn、Numpy、Pandas、XGBoost支持。

第三方工具与仿真环境：Python、Matlab（光聚合物增材制造母版的实时干涉测量控制）、Abaqus应用增材制造。

一个用于选择性激光熔化和增材制造的Python库，支持切片、填充、支撑结构生成及机器文件导出。基于Trimesh和Clipper2，提供高效的网格处理和扫描矢量生成，适用于SLM、DMLS等工艺。

下午：AI 应用场景与数据处理

应用场景：加载激光粉末床熔融（LPBF）数据集及基准模型，包含3DResnet、SlowFast、MViT等，用于从轴上视频重构激光参数。数据集支持帧提取与视频识别模型预处理。DED、光敏聚合物制造。

数据类型：声发射、图像、热场、X 射线 CT。

实践：

安装 Python 环境，grouch项目提供增材制造数据分箱分析工具，基于numba库，通过DataBins对象和process_dataframe函数，将测量变量（如光电二极管强度、飞溅）按坐标（如空间位置、扫描方向）分箱。可视化方式包括均值、计数或标准差。

   

第2天：过程监控与声发射分析

目标：应用 AI 进行增材制造过程监控，重点分析声发射数据。

内容：

上午：声发射监控理论

增材制造传感器应用：声发射在 LPBF 和 DED 中的作用。

   

特征工程：经验模态分解、特征提取。研究激光粉末床熔融（LPBF）过程中声发射（AE）特征，支持316L不锈钢工艺监控。分析时间、频率和时频域特征，识别传导、关键孔等模式的失效机制，结合机器学习实现原位分类。提出数据采集与预处理策略，构建综合监控系统。

   

下午：实践与案例

数据预处理：使用增材制造声学半监督学习主要内容处理声发射数据。

模型训练：实现半监督学习模型，分析 LPBF 过程动态增材制造传感器选择声发射。

结果可视化：使用 grouch展示声发射特征分布。

案例：选择性激光熔化（SLM）过程的技术视觉监控Python系统，实时处理3D打印机日志文件和相机图像，分析层间偏差与3D模型的符合度。，监控金属零件制造质量。成果：掌握声发射数据处理与建模，完成 LPBF 过程监控案例。

第3天：缺陷检测与质量预测

目标：利用深度学习和混合模型进行增材制造中的缺陷检测和质量预测。

内容：

上午：缺陷检测与质量预测理论

视听特征融合： LDED 缺陷检测。

深度学习模型：时间分辨激光吸收率预测的深度学习方法（ResNet-50、ConvNeXt-T）、混合机器学习框架。

熔池特征预测：预测金属增材制造（MAM）熔池和熔覆几何特性，优化工艺。采用神经网络、高斯过程、支持向量机和梯度提升决策树，基于文献数据生成通用模型。探讨GAN数据增强，展示回归与分类结果，支持工艺图生成。需TensorFlow、Scikit-Learn等运行。

质量控制：一个AI驱动的视觉检测系统，专为3D打印零件表面缺陷实时检测设计。利用YOLOv8进行精准缺陷识别，结合UiPath的RPA自动化缺陷跟踪与维护调度，通过Pandas生成Excel报告和Matplotlib可视化缺陷趋势。

   

下午：实践与案例

数据准备：处理 LDED 图像和声学数据。

模型训练：训练 FusionNet 模型进行缺陷分类。

案例：预测 316L 不锈钢相对密度。成果：完成 LDED 缺陷检测模型训练，生成质量预测报告。

第4天：材料设计、热场预测与后处理

目标：应用 AI 优化材料设计、热场预测和后处理自动化。

内容：

上午：理论与方法

材料设计：

AI 辅助增材制造 4D 打印材料设计：通过机器学习设计新型马氏体时效钢，用于高效4D打印，利用热力学软件Thermo-Calc生成数据，优化Ni3Ti沉淀相和Laves相含量。随机森林模型表现最佳，确定最佳成分Fe-20.8Ni-6.2Ti-1.7Al（wt%）。代码包括代理建模与成分优化，需Python 3.9.12。。

   

金属聚电解质凝胶：支持增材制造金属聚电解质材料的分子控制研究，包含生成相图的均场理论代码（Clapeyron）、Kremer-Grest分子动力学模拟（LAMMPS）和密度泛函理论计算（ORCA）。

   

热场预测：

FEM 仿真与机器学习：提供机器学习代码，预测增材制造中热场，基于Abaqus FEM模拟数据。包括数据收集、预处理（特征提取与改进）和机器学习建模。

   

后处理与分析：

后处理自动化：研究增材制造后处理的自动化，涉及热处理、支撑移除和抛光，基于Universal Robots UR5e机器人、Robotiq夹具和Vzense 3D相机，使用Python3和ROS2开发。包含AM Vision（相机点云处理）、UR Path Planning（路径规划）、VCU UR Driver（机器人控制）和AM Post-Processing Interfaces（数据接口）四个包，优化生产效率。

晶格结构分析：一个MATLAB工具，用于分析增材制造晶格结构的支柱形态和表面粗糙度。支持MATLAB Runtime（R2020b）运行可执行安装程序，或通过MATLAB和iso2mesh工具箱运行源代码。需安装MATLAB（R2020b及以上）及iso2mesh，分析晶格结构特性，优化增材制造设计。

过程-结构-性能关系。

下午：实践与案例

数据处理：生成 4D 打印材料数据集

模型训练：预测温度曲线。

后处理实践

仿真分析：使用 jax模拟 LPBF 过程，结合 Abaqus 插件.zip 进行有限元建模。成果：完成 4D 打印材料设计案例，生成热场预测和后处理优化结果。

第5天：综合应用与项目实践

目标：整合前四天知识，完成综合增材制造 AI 项目。

内容：

上午：综合应用框架

跨材料迁移学习：算法模型创新点提高技巧。

流形学习与对比学习：算法模型创新点提高技巧。

X 射线 CT 表征：算法模型创新点提高技巧。

质量控制系统：算法模型创新点提高技巧。

可变时间尺度分析：一种混合深度学习模型（CNN-LSTM），用于激光粉末床熔融（LPBF）过程的实时监控，支持0.5ms至4ms的可变时间尺度。通过融合光学和声发射信号，结合X射线成像指导，模型实现复杂工具路径的实时质量检测，分类精度高。。

下午：项目实践

项目任务：

声发射分析：算法模型创新点提高技巧。

缺陷检测：算法模型创新点提高技巧。

热场预测与材料优化：算法模型创新点提高技巧。

实现步骤：

数据收集与预处理：特征提取创新点提高技巧。

模型训练：整合算法模型创新点提高技巧。

后处理与可视化：使用技巧提高技巧。

   

学员获取的课程资料

独家代码库（30+ ZIP 文件）：

过程监控

缺陷检测

材料设计

热场与仿真

数据处理与分析

基准测试

学术论文（20+ 篇）

课程讲义与实践指南：

包含 AI 模型理论、代码实现步骤、案例分析和调试技巧。

提供 Python/Matlab 环境配置教程，确保学员快速上手。

项目模板与数据集：

预配置的数据集，用于声发射分析、缺陷检测和热场预测实践。

项目模板代码，方便学员快速开发综合项目。

学员答疑

增材制造相关项目中需要安装的软件和环境配置要求的更新汇总表格      

（未指定  根据上课情况进行调整）      

环境配置要求：      

操作系统：支持Windows、Mac OS X、Linux（PySLM、SLM监控等项目明确支持跨平台）。

MATLAB Runtime：R2020b（用于StrutSurf可执行文件）。

CUDA：需检查CUDA版本以支持GPU加速（PyTorch安装需匹配cudatoolkit 11.0）。

Conda：Anaconda3推荐用于管理Python环境（如LDED-FusionNet使用Conda创建torch环境）。通过conda install安装Shapely、Rtree、networkx、scikit-image、Trimesh等依赖。

OpenGL：支撑结构生成需OpenGL环境（通过vispy和PyQt5支持）。

硬件：部分项目需相机（如Vzense DCAM560CPro）、机器人（如UR5e）或3D打印机支持。

网络：部分项目需联网下载数据集或依赖（如PySLM、RAISE-LPBF-Laser）。

安装说明：

Anaconda3：安装Anaconda3后，使用conda create创建虚拟环境（如conda create --name torch python=3.8.10），并通过conda install -c conda-forge shapely rtree networkx scikit-image trimesh安装依赖。

大多数项目提供requirements.txt，通过pip install -r requirements.txt安装pip依赖。

PySLM需额外安装libSLM以支持商业机器文件格式。

Abaqus需单独安装并配置Python接口。

Thermo-Calc需购买许可证以生成材料设计数据。

建议在干净的Conda环境中安装numba以避免依赖冲突。

课程主讲老师毕业于国内顶尖985高校，拥有两年海外研究经历，专注于人工智能（AI）与增材制造（AM）的深度融合，研究领域横跨机器学习、材料科学及制造工艺优化。老师学术成果斐然，长期致力于AI在激光粉末床熔融（LPBF）、定向能量沉积（DED）和4D打印中的创新应用，特别是在实时过程监控、缺陷检测、热场预测及智能材料设计方面取得显著突破。作为核心研究者，老师参与多项国家重点科研项目，研究影响力辐射国际学术圈。老师在Additive Manufacturing、Advanced Science等权威期刊发表多篇高水平论文，涵盖AI驱动的AM工艺优化与材料设计，并在国际学术会议上频频受邀作报告，分享前沿洞见。在教学方面，老师以“实践导向、理论扎实”为原则，通过动手实践与系统化讲解，带领学员深入探索AI在AM中的应用，从声发射分析、视听融合缺陷检测到后处理自动化，内容兼具技术前沿性与行业实用性。老师熟练掌握Python、Abaqus等工具，结合30+独家代码库、顶级论文与预配置数据集，为学员打造沉浸式学习体验。课程紧密贴合航空航天、医疗、汽车等高需求行业，助力学员快速掌握AI与AM交叉技术，产出可直接应用的行业级成果，开启职业与研究新篇章。

1. 物理信息神经网络（PINN）的兴起
近年来，物理信息神经网络（Physics-Informed Neural Networks, PINN）成为计算科学与人工智能交叉领域的前沿方向。传统数值方法（如有限差分法、有限单元法）在高维、强非线性或反演问题中面临计算效率低、网格依赖性强等瓶颈。PINN通过将控制方程、边界条件等物理先验嵌入神经网络，以无网格方式实现微分方程求解，在流体力学、固体力学、传热学等领域展现出突破性潜力。其核心论文（引用超13,000次）开创了物理驱动深度学习的范式，成为Nature、CMAME等顶刊的研究热点。      

2. 传统数值方法与机器学习的融合需求
有限差分法（FDM）和有限单元法（FEM）虽成熟但依赖离散化，难以处理复杂几何与多物理场耦合问题。机器学习（如CNN、GNN）虽具备强大的数据拟合能力，但缺乏物理可解释性。PINN通过融合物理定律与数据驱动，显著减少训练数据需求，提升泛化性能，并在参数反演、方程发现等逆问题中展现独特优势。此外，深度能量法（DEM）等变体进一步结合能量变分原理，为固体力学问题提供高效解决方案。      

3. 大模型赋能科学计算的新机遇
以DeepSeek、ChatGPT为代表的大模型技术，正在颠覆传统科学编程模式。通过自然语言交互生成PINN代码，可加速复杂瞬态问题的求解流程。本课程结合大模型辅助编程，探索其在微分方程求解、代码调试及多任务优化中的应用，推动“AI for Science”的工程化落地。

1. 掌握PINN理论与传统数值方法的核心联系

1.1.理解固体力学、流体力学、传热学中的典型偏微分方程（如Navier-Stokes方程、弹性本构方程）及其数学分类（椭圆/抛物/双曲型）。

1.2.对比有限差分法、有限单元法与PINN的底层原理，揭示物理约束与数据驱动的协同机制。

2. 构建PINN与深度能量法的实践能力

2.1.从零实现一维谐振子、渗流、弹塑性力学等案例的PINN求解代码（基于PyTorch/DeepXDE/SciANN）。

2.2.掌握能量驱动损失函数设计、自动微分等关键技术，复现中科院一区顶刊（如CMAME）中的创新方法。

3. 探索多领域工业级应用场景

3.1.流体力学：层流模拟、涡旋捕捉与Nature子刊级diffusion-reaction模拟。

3.2.固体力学：超弹性材料大变形、弹塑性问题与能量法优化。

3.3.反问题：材料参数辨识、隐藏物理规律发现。

4. 精通开源工具链与大模型辅助编程

4.1.熟练使用DeepXDE、SciANN等PINN专用库，配置复杂边界条件与多物理场耦合。

4.2.利用DeepSeek、ChatGPT生成高鲁棒性PINN代码，解决瞬态偏微分方程问题。

5. 培养跨学科研究与创新能力

5.1.通过顶刊论文复现（如CMAME、Computers and Geotechnics）与代码对比，深化对物理编码、因果约束、混合变量方案等前沿方向的理解。

5.2.为计算力学、工业仿真、AI辅助设计等领域的科研与工程实践提供方法论支持。

本课程旨在打通物理建模、数值计算与深度学习的知识壁垒，培养兼具理论深度与工程能力的复合型人才，推动智能科学计算在工业4.0与数字孪生中的创新应用。

Day 1 什么是微分方程（固体、流体、传热）？什么是有限差分法和有限单元法？和机器学习有什么联系？        

1. 学会偏微分方程手动推导        

1.1. 固体力学的偏微分方程      

1.1.1. 平衡方程      

1.1.2. 线弹性本构      

1.1.3. 超弹性本构      

1.1.4. 塑性本构      

1.2. 流体力学的偏微分方程      

1.2.1. 无黏、无旋的势流方程        

1.2.2. 忽略黏性效应的欧拉方程      

1.2.3. 不可压缩纳维-斯托克斯方程      

1.3. 传热学的偏微分方程      

1.3.1.稳态热传导      

1.3.2.瞬态热传导      

1.4. 一般形式的偏微分方程      

1.4.1. 椭圆偏微分方程      

1.4.2. 抛物偏微分方程      

1.4.3. 双曲偏微分方程      

2. 偏微分方程数值解        

2.1. 有限差分法原理      

2.2. 有限单元法原理      

2.3. 实战演练：使用COMSOL求解固体力学和渗流，保存数据      

2.4. 实战演练：使用Abaqus求解弹塑性固体力学，保存数据      

3. 使用Python写一个机器学习的程序        

3.1. 如何运行自己的第一个python程序      

3.2. 常用科学计算库：Numpy和Scipy      

3.3. 机器学习的万能python库：scikit-learn      

3.4. 如何在Ubuntu系统上运行python程序      

Day 2 什么是深度学习？什么是物理数据双驱动神经网络PINN？        

4. 数据驱动深度神经网络        

4.1 激活函数      

4.2 神经元      

4.3自动微分方法      

4.4损失函数的构建与正则化      

4.5最优化方法      

4.6. 实践：基于Pytorch建立深度神经网络模型并调优      

5. 深度学习进阶        

5.1 卷积神经网络CNN      

5.2 循环神经网络RNN      

5.2.1. 长短记忆神经网络LSTM      

5.2.2.门控循环单元网络GRU      

5.3. 图神经网络GNN      

5.4. Transformer （Attention is all you need！ ）      

6. PINN=数据+PDE方程，数据需求锐减！泛化性能提升！        

从零开始构建一维谐振子物理信息神经网络（Physics-Informed Neural Networks, PINN）为核心目标，系统讲解如何将物理定律与深度学习结合，实现微分方程的高效求解与物理系统建模。课程从一维谐振子的动力学方程出发，剖析PINN的核心思想：通过神经网络隐式编码控制方程、初始/边界条件等物理约束，将微分方程求解转化为损失函数优化的机器学习问题。学习者将逐步掌握谐振子问题的数学建模方法，利用Python和深度学习框架（如PyTorch）搭建神经网络架构，设计融合数据驱动项与物理残差项（如运动方程残差）的复合损失函数，并通过自动微分技术计算高阶导数，实现从随机初始化到物理规律自洽的模型训练。      

Day 3 PINN引用一万三论文详解+深度能量法+ PINN的python库Deep XDE讲解        

7. 物理信息神经网络：一个用于解决涉及非线性偏微分方程的正问题和逆问题的深度学习框架，一万三千次引用的论文讲解和复现        

PINN开山之作：Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations      

深度剖析PINN这一颠覆性框架如何通过深度融合物理定律与深度学习，开创性地解决复杂偏微分方程（PDE）的正反问题。作为计算科学领域的里程碑式工作，PINN首次系统性地提出将控制方程、初始/边界条件等物理先验知识嵌入神经网络架构，通过构造包含PDE残差项、数据拟合项及边界约束项的多目标损失函数，实现无需网格离散的端到端微分方程求解，其创新性地利用自动微分技术高效计算高阶导数，成功攻克了传统数值方法在高维、强非线性及参数反演问题中的瓶颈。本节课从数学机理与代码实践双视角展开：在理论层面，解析PINN如何通过神经网络的万能逼近特性构建连续时空解空间，探讨正问题（如NS方程、热传导预测）中物理残差最小化的泛化能力，以及反问题（如材料参数辨识、隐藏物理规律发现）中PDE系数的可微学习机制；在实践层面，基于PyTorch/TensorFlow框架手把手实现PINN原型系统进行网络架构设计（激活函数选择、隐层深度优化），并通过Burgers方程激波捕捉、Navier-Stokes流场重构，对比PINN与高精度数值方法。      

8. 通过机器学习求解计算力学偏微分方程的能量方法：概念、实现和应用        

深度能量/深度里兹法物理数据双驱动网络 Deep energy method/Deep Ritz method，DEM，DRM，中科院一区TOP数值计算顶刊CMAME：An energy approach to the solution of partial differential equations in computational mechanics via machine learning: Concepts, implementation and applications      

本小结基于能量原理的机器学习方法在计算力学偏微分方程求解中的创新应用展开，深入解析如何将经典力学中的能量变分原理与深度学习技术结合，构建物理驱动的高效求解框架。作为计算力学与人工智能交叉领域的代表性方法，该框架以能量泛函为核心，通过神经网络直接参数化力学场（如位移场或应力场），将传统基于网格的能量离散优化转化为无网格的损失函数优化问题。课程从理论层面剖析能量极小化原理与深度学习优化目标的数学同构性，例如，通过直接最小化总势能泛函，规避传统有限元法对复杂几何和材料非线性的离散困难；利用自动微分技术精确计算能量泛函梯度，在实现层面，本小节系统讲解能量驱动损失函数的设计逻辑，包括如何应变能主导的物理约束与边界条件，通过弹性力学静动态问题、超弹性材料大变形等典型案例，课程对比能量方法与纯数据驱动模型及传统数值方法的性能差异，验证其在预测精度、计算效率与外推能力上的显著提升。      

9. PINN库：DeepXDE讲解        

以深度掌握开源物理信息神经网络库DeepXDE为核心目标，系统讲解其在一维至多维偏微分方程求解中的高效应用。课程从环境配置与基础API入手，详解如何利用DeepXDE快速搭建PINN求解框架：包括定义计算域几何（Interval、Rectangle等）、设定PDE残差方程（通过Lambda函数或自定义偏微分算子）、编码初始/边界条件（Dirichlet、Neumann），以及配置神经网络架构（深度、激活函数、权重初始化策略）。      

   

Day 4 PINN在流体力学中的应用 + Nature子刊详解        

10. 中科院一区论文与代码复现：渗流        

中科院一区顶刊论文复现，A physics-informed data-driven approach for consolidation analysis      

从数据中识别控制方程并求解它们以获得时空响应对于许多实际问题来说是可取的，但也是极具挑战性的。数据驱动的建模显示出在复杂过程中影响知识发现的巨大潜力。为了证明可行性，本研究开发了一种基于物理信息的数据驱动方法，从测量数据中自动恢复渗流理论并获得相应的解。该过程结合了多种算法，包括稀疏回归和基于先验信息的神经网络（PiNet）、变换的弱形式偏微分方程（PDE）（以降低对噪声测量的敏感性）和蒙特卡洛dropout，以实现预测不确定性的测量。结果表明，使用所提出的方法可以准确地提取固结偏微分方程，该方法也被证明对噪声测量具有鲁棒性。PiNet求解的偏微分方程也被证明与实际结果非常吻合，从而突显了其逆分析的潜力。所提出的方法是通用的，提供了一种辅助方法来验证数据的启发式解释，或直接识别模式并获得解决方案，而不需要专家干预。      

11. 物理信息网络求解不可压缩层流的深度学习问题        

近年来，基于物理的深度学习引起了人们对解决计算物理问题的极大兴趣，其基本概念是嵌入物理定律来约束/通知神经网络，需要更少的数据来训练可靠的模型。这可以通过将物理方程的残差纳入损失函数来实现。通过最小化损失函数，网络可以近似解。本文提出了一种用于流体动力学的物理信息神经网络（PINN）的混合变量方案，并将其应用于模拟低雷诺数下的稳态和瞬态层流。参数研究表明，混合变量方案可以提高PINN的可训练性和求解精度。还将所提出的PINN方法预测的速度场和压力场与参考数值解进行了比较。仿真结果表明，所提出的PINN在高精度流体流动模拟方面具有巨大的潜力。      

https://github.com/Raocp/PINN-laminar-flow/blob/master/PINN_steady/SteadyFlowCylinder_mixed.py      

13. CMAME顶刊：考虑因果关系的流体力学PINN改进+学习用JAX实现PINN        

中科院一区TOP数值计算顶刊CMAME：Respecting causality for training physics-informed neural networks      

虽然物理信息神经网络（PINN）的普及率正在稳步上升，但到目前为止，PINN还没有成功地模拟其解表现出多尺度、混沌或湍流行为的动力系统。在这项工作中，将这一缺点归因于现有的PINN公式无法尊重物理系统进化所固有的时空因果结构，这是一个基本的局限性，也是最终导致PINN模型收敛到错误解的关键误差来源。通过提出一种简单的PINNs损失函数的重新表述来解决这一病理问题，该函数可以明确地解释模型训练过程中的物理因果关系。证明，仅此简单的修改就足以显著提高精度，并为评估PINN模型的收敛性提供了一种实用的定量机制。我们提供了一系列现有PINN公式失败的基准的最新数值结果，包括混沌洛伦兹系统、混沌状态下的Kuramoto-Sivashinsky方程和Navier-Stokes方程。这是PINN首次成功模拟此类系统，为其应用于工业复杂性问题带来了新的机会。      

   

14. 有限差分法转化为神经网络，nature 子刊精讲        

Encoding physics to learn reaction–diffusion processes      

12.1. 物理编码时空学习      

12.2. PDE系统的正演分析      

12.3. PDE系统的反演分析      

12.4. PeRCNN的结构      

12.5. ∏块的普适多项式逼近      

12.6. 方程发现与强泛化能力      

   

Day 5 PINN在固体力学中应用 + PINN的库SciANN讲解 + 大模型辅助编程        

15. PINN和深度能量法的对比        

中科院一区TOP数值计算顶刊Computers and Geotechnics: A Comprehensive Investigation of Physics-Informed Learning in Forward and Inverse Analysis of Elastic and Elastoplastic Footing      

10.1. Footing问题背景与Ritz方法（正问题）      

- 问题背景：Footing问题的物理意义与工程应用      

- 数学模型：Footing问题的数学描述与控制方程      

- Ritz方法：Ritz方法在正演建模中的应用与实现      

- PINN框架：论文中PINN实现的核心思路与框架解读      

10.2. Footing问题的逆问题求解        

- 损失函数构建：PINN中物理驱动损失函数的设计与实现      

- 自适应采样：自适应采样方法的原理与实现细节      

- 指数加速：逆问题求解中的指数加速技术      

- 代码复现与结果分析：代码实现与结果分析（数据集大小、高斯噪声的影响）      

   

   

16. JCP顶刊：混合能量法解决固体力学的应力集中问题        

计算力学顶刊Journal of Computational Physics：The mixed Deep Energy Method for resolving concentration features in finite strain hyperelasticity      

物理知情神经网络（PINN）的引入导致人们对深度神经网络作为固体力学界PDE的通用近似器的兴趣日益浓厚。最近，深能法（DEM）被提出。DEM基于能量最小化原理，与基于PDE残差的PINN相反。DEM的一个显著优点是，与基于强形式残差的公式相比，它需要对低阶导数进行近似。然而，DEM和经典PINN公式都难以解决应力场和位移场的精细特征，例如固体力学应用中的浓度特征。提出了对深能法（DEM）的扩展，以解决有限应变超弹性的这些特征。开发的称为混合深能法（mDEM）的框架引入了应力测量，作为最近引入的纯位移公式的NN的额外输出。使用这种方法，可以更准确地近似Neumann边界条件，并提高通常导致高浓度的空间特征的精度。为了使所提出的方法更加通用，我们引入了一种基于Delaunay积分的数值积分方案，该方案使mDEM框架能够用于具有应力集中的计算域（即具有孔、凹口等的域）通常需要的随机训练点位置集。我们强调了所提出方法的优点，同时展示了经典PINN和DEM公式的缺点。该方法在涉及具有精细几何特征和集中载荷的域的具有挑战性的计算实验的正向计算方面提供了与有限元法（FEM）相当的结果，但还为解决超弹性背景下的逆问题和参数估计提供了独特的能力。      

   

17. PINN库：SciANN讲解与实操        

SciANN是一个高级人工神经网络API，使用Keras和TensorFlow后端用Python编写。它的开发重点是实现不同网络架构的快速实验，并强调科学计算、基于物理的深度学习和反演。能够用几行代码开始深度学习是做好研究的关键。      

   

18. DeepSeek、ChatGPT、Grok生成PINN代码解偏微分方程        

16.1 DeepSeek大模型简介      

16.2. DeepSeek大模型生成PINN代码求解椭圆偏微分方程      

16.2.1. Prompt与任务分解      

16.2.2. 代码运行、可视化和Debug      

16.3. ChatGPT大模型生成PINN代码求解抛物偏微分方程      

16.3.1. Prompt与任务分解      

16.3.2. 代码运行、可视化和Debug      

16.4. DeepSeek、Chat GPT、Grok大模型生成PINN代码效果对比

讲师曾在香港和美国工作和学习，具有计算机和经典数值方法的双重教育背景，在中科院一区Top等计算力学顶刊CMAME以一作发表二十篇SCI论文，包括多篇PINN和传统数值主题的顶刊论文。

2025.6.14-----2025.6.15全天授课(上午9:00-11:30下午13:30-17:00)

2025.6.16-----2025.6.19晚上授课(晚上19:00-22:00)

2025.6.23-----2025.6.24晚上授课(晚上19:00-22:00)

腾讯会议 线上授课（共五天授课时间 提供全程回放视频）

深度学习助力高性能材料疲劳分析与断裂应用研究

2025.6.14-----2025.6.15全天授课(上午9:00-11:30下午13:30-17:00)

2025.6.17-----2025.6.18晚上授课(晚上19:00-22:00)

2025.6.21-----2025.6.22全天授课(上午9:00-11:30下午13:30-17:00)

腾讯会议 线上授课（共五天授课时间 提供全程回放视频）

人工智能技术助力增材制造

2025.6.21-----2025.6.22全天授课(上午9:00-11:30下午13:30-17:00)

2025.6.26-----2025.6.27晚上授课(晚上19:00-22:00)

2025.6.28-----2025.6.29全天授课(上午9:00-11:30下午13:30-17:00)

腾讯会议 线上授课（共五天授课时间 提供全程回放视频）

人工智能技术助力增材制造/深度学习助力高性能材料疲劳分析与断裂应用研究/深度学习PINN+大模型辅助编程

费用：每人每班￥4980元 （含报名费、培训费、资料费）

优惠政策      

优惠一: 两门同报9080元

优惠二：三门同报12800元

优惠三:提前报名缴费学员+转发到朋友圈或者到学术交流群可享受每人300元优惠（仅限15名）

年报优惠：16500元（可在一年内参加我单位举办的任何课程，可获得我单位往期举办的所有录像回放与资料）

报名费用可开具正规报销发票及提供相关缴费证明、邀请函，可提前开具报销发票、文件用于报销

课后学习完毕提供全程录像视频回放，针对与培训课程内容 进行长期答疑，微 信解疑群永不解散，参加本次课程的学员可免费再参加一次本单位后期组织的相同的 专题培训班（任意一期都可以）

                              培训答疑与互动

在培训中进行答疑和问题互动，以帮助学员深入理解课程内容和解决实际问题。

学员可以提出疑问，讲师将提供详细解答，特别是针对技术难点和复杂算法。

通过小组讨论和案例分享，学员将有机会交流经验，获得实时反馈，并进行实践操作演示。

展示学员的学习成果，并提供进一步的提升建议和资源支持，为学员在未来的学习和工作中提供帮助和指导。

授课方式：通过腾讯会议线上直播，从零基础开始讲解，电子PPT和教程＋预习视频提前发送给学员，所有培训使用软件都 会发送给学员，附赠安装教程和指导安装，培训采取开麦共享屏幕和微 信群解疑，学员和老师交流、学员与学员交流，培训完毕后老师针对与培训内容长期解疑，培训群不解散，往期培训学员对于培训质量和授课方式一致评价极高