首页/文章/ 详情

【新文大汇总】超越时代,续SCI后又登上Nature,连续多篇顶级复合材料计算

8月前浏览1566


图片      





















一、机器学习合金设计      





















图片  
背景介绍        


图片        

  机器学习在合金设计中的应用正深刻变革传统材料研发模式。长期以来,合金开发主要依赖"试错法",面临研发周期长(10-20年)、成本高(单次实验达数万美元)等瓶颈,尽管第一性原理计算提供了理论支持,但其计算复杂度随原子数指数级增长,难以处理多组分体系。这一困境随着材料数据革命的到来得到破解:Materials Project等开源数据库已收录超过15万种材料计算数据,结合高通量技术(如组合材料芯片可单次生成10^4-10^5个成分样本),为机器学习提供了坚实基础。通过随机森林、图神经网络(如MEGNet在带隙预测中达90%+准确率)等算法,研究者能高效建模成分-工艺-性能关系,贝叶斯优化等主动学习方法更可将实验迭代减少70-80%。典型案例包括清华团队用SVM筛选高熵合金固溶体条件(准确率>92%)、日立公司通过深度强化学习发现超耐蚀新成分。当前前沿已发展到生成式设计(如MatGAN预测新型超导体)和全自动机器人实验室(如伯克利A-Lab日均完成100次实验),但小数据困境、模型可解释性等挑战仍存。在国家战略推动下,该领域正以每年200%+的论文增速发展,预计到2030年,机器学习将覆盖50%以上的新材料研发流程,特斯拉等企业已开始部署工业级应用,标志着材料研发正式进入智能时代。

 在人工智能时代下,AI for science以及成为科学研究的主要趋势,基于机器学习的合金设计正在重塑合金设计的研究范式。基于机器学习的合金设计通过数据驱动颠覆传统试错模式,显著加速新材料研发进程,较传统方法大大缩短了研发周期。本次培训由来自海外QS80高校专家主讲,主讲教师在基于机器学习的合金成分设计、合金性能预测等领域有这丰富的研究经验。

讲师介绍        


图片        

  主讲老师拥有海外顶尖高校机械工程博士学位和材料工程与应用数据科学双硕士学位,专注于机器学习在先进制造技术尤其是金属增材制造中的应用研究,熟悉增材制造实验,微观组织结构表征,计算机仿真模拟与机器学习技术,具有丰富的编程经验,并在计算材料学等顶级期刊发表多篇高影响力论文并获得国际专利授权,是多个材料学一区期刊的审稿人,授课方式注重实践,并能将复杂的理论知识和计算方法讲解得清晰易懂,至今已指导过10+硕士生和博士生的关于人工智能在增材制造方面应用的毕业课题。



















































图片      
课程内容      

第一天:机器学习在合金设计领域的应用及其发展现状

1.基础导论:机器学习的基本概念,课程目标,合金设计的挑战与机器学习的解决路径

核心应用场景:预测材料性能,合金成分优化设计,显微组织预测,数据挖掘等

2.数据来源与数据格式: 数据库和文献公开数据集

3.数据的特征工程

数据清洗与数据处理 (异常值处理,归一化与标准化处理)

4.典型机器学习算法介绍

监督学习: 典型回归与分类算法原理 (包括支持向量机,高斯过程回归,决策树,随机森林,人工神经网络等算法)

非监督学习:聚类等算法介绍

5. 合金机器学习的挑战与前沿趋势

图片    

第二天:合金的成分-性能机器学习经典模型实战

1.利用几种典型的机器学习模型(支持向量机,高斯过程回归,决策树,随机森林,人工神经网络等)研究316L不锈钢的合金成分与力学性能之间的关系,预测和解释不同合金成分下的力学性能

2.通过几种优化算法基于合金性能对合金成分进行逆向设计。得到力学性能最优时候的合金成分配比。

3.同时介绍几种常见的评价机器学习模型的可视化手段(包括学习曲线的建立,误差带的建立,拟合指数的分析,几种误差的评价等)和模型训练技巧

4.模型泛化能力评估(K-fold, LOEO)与模型不确定性评估

图片    

第三天:合金成分-性能机器学习高级模型实战

1.介绍XGBOOST和LightGBM等进阶机器学习模型,遗传算法和贝叶斯优化算法

2.利用XGBOOST和LightGBM建立合金成分-性能的预测模型

3.利用SHAP进行模型特征重要性和可解释性分析

4.利用遗传算法和贝叶斯优化算法进行多目标优化Pareto最优合金设计

5.小样本策略: active learning

图片    

第四天:合金成分-性能的人工神经网络高阶模型实战

1.介绍物理信息神经网络(PINN)的基本概念

2.利用物理信息神经网络进行合金成分-性能预测的建模与训练 

3.介绍卷积神经网络,循环神经网络和长短记忆神经网络的基本概念

4.利用卷积神经网络实现微观组织-性能的预测,长短记忆神经网络实现历史热处理-性能的预测

图片    

第五天:机器学习生成式模型用于结构反向设计

1.介绍自动编码机(VAE),生成对抗网络(GAN)和扩散模型(Diffusion)的基本概念

2.用VAE实现合金的成分设计

3.用GAN实现微观组织结构的预测

4.生成模型的评价指标介绍:KL divergence, Fréchet Inception Distance (FID)

5.一些额外物理约束的加入以提高科学可信度

图片    
图片  





















二、人工智能材料疲劳分析与断裂力学      





















图片  
授课讲师        


图片        

  主讲老师拥有海外顶尖高校机械工程博士学位和材料工程与应用数据科学双硕士学位,专注于机器学习在先进制造技术尤其是金属增材制造中的应用研究,熟悉增材制造实验,微观组织结构表征,计算机仿真模拟与机器学习技术,具有丰富的编程经验,并在计算材料学等顶级期刊发表多篇高影响力论文并获得国际专利授权,是多个材料学一区期刊的审稿人,授课方式注重实践,并能将复杂的理论知识和计算方法讲解得清晰易懂,至今已指导过10+硕士生和博士生的关于人工智能在增材制造方面应用的毕业课题。



















































图片      
课程内容      

第一天:机器学习基础与疲劳断裂力学应用

1.1 机器学习概述    
1.1.1 常见机器学习方法    
·人工神经网络(ANN)    
·支持向量回归(SVR)    
·随机森林(RF)    
·高斯过程回归(GPR)    
1.1.2 工程材料科学应用前景    
·材料性能预测典型场景    
·跨尺度建模中的算法选择    
1.2 神经网络核心技术    
1.2.1 基础架构解析    
·神经元数学模型与激活函数对比    
·前馈网络信息传递机制    
1.2.2 典型模型分类    
·全连接网络(ANN)的局限性    
·卷积网络(CNN)空间特征提取    
·递归网络(RNN)时序数据处理    
1.3 疲劳断裂分析智能化    
1.3.1 关键影响因素体系    
·应力幅值/平均应力效应    
·表面状态/环境介质作用    
1.3.2 寿命预测模型演进    
·物理驱动模型:Paris定律扩展    
·数据驱动模型:裂纹扩展速率预测    
1.4 718合金疲劳预测实战    
1.4.1 数据工程构建    
·多源实验数据融合方法    
·特征工程与标准化处理    
1.4.2 模型训练与验证    
·ANN/SVR/GPR/RF并行实现    
·交叉验证与超参数优化    
图片    

第二天机器学习驱动的疲劳裂纹多尺度分析与寿命预测

2.1裂纹多尺度分析技术‌    
2.1.1跨尺度关联方法    
·微观位错演化至宏观裂纹扩展的跨尺度建模    
·晶界效应与裂纹偏转的机器学习表征    
2.1.2损伤力学基础    
·裂纹萌生与短裂纹扩展的损伤阈值判定    
‌2.2智能寿命预测前沿技术‌    
2.2.1超声-Bayes融合方法    
·超声信号特征提取与损伤指标构建    
·贝叶斯概率框架下的实时寿命更新策略    
2.2.2多尺度数据驱动框架    
·晶体塑性模型与ANN模型    
·微结构-寿命关联的贝叶斯网络架构    
‌2.3奥氏体不锈钢低周疲劳实战‌    
2.3.1数据工程体系    
·多源异构数据融合    
·材料特征编码    
2.3.2混合机器学习建模    
·CART决策树的关键特征筛选逻辑    
·XGBoost-ANN集成模型架构    
2.3.3 工业验证方案    
·特征重要性排序的可视化呈现    
预测误差的微观机理溯源    
图片    

第三天机器学习赋能的金属断裂表面智能分析‌

3.1 金属断裂理论体系‌    
3.1.1 断裂力学基础框架    
·线弹性/弹塑性断裂力学理论边界    
·应力强度因子K与J应用场景    
3.1.2 裂纹扩展准则    
·Paris定律的疲劳裂纹扩展模型    
·基于能量法的R曲线评估体系    
3.1.3 损伤演化理论    
·细观损伤力学的裂纹萌生阈值    
·孔洞聚合模型的数值实现路径    
‌3.2. 智能分析技术前沿‌    
3.2.1 机器学习模型架构    
·物理信息神经网络(PINN)的断裂准则嵌入    
·图神经网络(GNN)的晶界裂纹预测    
3.2.2 混合建模策略    
·有限元-深度学习耦合仿真流程    
·多尺度损伤演化的迁移学习框架    
‌3.3 断裂表面定量分析实战‌    
3.3.1 断裂形貌智能分类    
·CNN特征提取网络设计    
·沿晶/准解理/韧窝的微结构特征库构建    
3.3.2 力学性能预测    
·断裂韧性的回归预测模型    
·断面收缩率的贝叶斯优化方法    
3.3.3 工业验证方案    
·预测结果的可视化误差分析    
图片    
图片    

第四天腐蚀疲劳与复合材料寿命预测

4.1 腐蚀疲劳机理与智能识别‌    
4.1.1 腐蚀-疲劳耦合机制    
·电化学腐蚀加速裂纹萌生的相场模拟    
·应力腐蚀开裂(SCC)的跨尺度表征    
4.1.2 焊件缺陷智能检测    
·基于ResNet50的腐蚀疲劳裂纹分类    
·声发射信号与X射线数据的多模态融合    
‌4.2 复合材料损伤理论    
4.2.1 微观损伤演化    
·纤维断裂/基体开裂/界面脱层的竞争机制    
·损伤热力学与熵产率关联模型    
4.2.2 多尺度分析方法    
·跨尺度损伤传递的图神经网络构建    
‌4.3 智能预测系统‌    
4.3.1 物理引导的深度学习框架    
·裂纹扩展路径预测的机器学习架构    
·本构约束的损失函数设计    
4.3.2 多模态数据工程    
μCT扫描数据的语义分割处理    
图片    
图片    

第五天极端环境下的金属疲劳智能预测体系

5.1 极端工况损伤机理    
5.1.1 高温疲劳-蠕变耦合效应    
·位错攀移主导的蠕变损伤演化    
·氧化加速裂纹扩展的跨尺度模型    
5.1.2 物理信息神经网络架构    
·蠕变-疲劳交互作用的损失函数设计    
5.2 数据增强工程    
5.2.1 小样本扩充技术    
·基于Wasserstein GAN的微观结构生成    
·高斯混合模型的工况参数插值    
5.2.2 多尺度数据融合    
·晶界滑移特征的最近邻插值优化    
5.3 多尺度模拟前沿    
5.3.1 损伤分析方法革新    
·相场-晶体塑性耦合模型    
5.3.2 工业验证案例    
·镍基合金的蠕变疲劳预测    
·误差补偿的迁移学习策略    
图片    
图片  





















三、AI赋能复合材料智能设计与多尺度仿真      





















图片  
授课讲师        


图片        

  主讲老师来自国内985高校!主要研究方向为纤维增强复合材料、金属-复合材料混合材料界面性能、多尺度多置信度预测模型、结构可靠性分析等!熟练使用 ABAQUS 静力分析、动态分析、裂纹扩展分析和多尺度界面分析、Fortran二次开发等,已发表数篇深度学习与有限元仿真顶刊!有丰富的算法与有限元仿真结合经验!



















































图片      
课程内容      

第一天:卷积神经网络与有限元复合材料损伤预测

课程背景:本天课程从计算机视觉基础理论出发,深入到复合材料损伤预测的应用。    
上午神经网络与CNN核心原理+简单案例实现    
1. 神经网络与CNN核心原理(实操+代码)    
(1) 感知机到卷积神经网络的演进路径    
(2) 卷积层数学原理:参数共享与特征提取机制    
(3) 池化层与激活函数的作用机制    
(4) 快速实操:手动实现简单卷积运算    
图片    
图 CNN基础架构图    
2. 图像分割网络架构基础 (实操+代码)    
(1) 从分类到分割:FCN网络转换原理    
(2) 编码器-解码器架构设计思想    
(3) 转置卷积与上采样策略对比    
(4) 代码演示:构建基础FCN分割网络    
3. U-Net架构深度解析    
(1) U-Net核心架构剖析 (实操+代码+演示)    
(2) U-Net对称结构设计理念与点    
(3) 跳跃连接(Skip Connection)的关键作用    
(4) 特征图尺度变化与信息保持机制    
核心实操:    
完整U-Net网络架构构建    
关键层级特征图变化分析    
图片    
图 U-Net完整架构与信息流向图    
下午 有限元与相场方法基础及Crack-Net架构核心技术    
1. 有限元方法相场损伤理论基础 (实操)    
(1) 损伤变量d的物理意义与数学描述    
(2) 相场理论:从Cahn-Hilliard到裂纹演化    
实操实现:相场裂纹演化    
2. 复合材料建模与传统方法    
(1) 复合材料微观结构建模Abaqus中裂纹扩展模拟 (实操)    
(2) 代表性体积元(RVE)设计与周期边界条件    
(3) 多相材料界面建模策略    
3. Crack-Net架构核心技术    
(1) 从U-Net到Crack-Net的演进 (实操+代码+演示)    
(2) Crack-Net整体架构设计理念分析    
(3) 多任务学习:应力预测+相场预测联合训练    
图片    
图:Crack-Net 框架    
第二天:差分深度学习复合材料应力预测    
课程背景:本天课程将从编码器-解码器基础架构出发,深入到差分神经网络(DiNN)在复合材料应力预测中的前沿应用。    
上午 编码器-解码器架构基础理论    
1. CNN与编码器-解码器核心原理 (实操+代码)    
(1) 卷积神经网络特征提取机制与参数共享    
(2) 编码器-解码器对称架构设计思想    
(3) 特征降维与重构的数学原理    
(4) 快速实操:构建基础编码器-解码器网络    
图片    
图 编码器-解码器基础架构图    
2. 图像到图像转换网络基础 (实操+代码)    
(1) 从分类任务到回归预测的网络适配    
(2) 空间信息保持与特征图尺度变换    
(3) 跳跃连接在空间预测中的作用机制    
(4) 代码演示:实现简单的图像到图像转换网络    
3. 有限元应力分析基础理论 (实操+代码)    
(1) 线性弹性力学基本方程与边界条件    
(2) 网格划分与应力场数值求解原理    
(3) von Mises应力计算与物理意义    
(4) 快速实操:简单结构的FEA应力计算    
4. 重心坐标插值与数据标准化 (实操+代码+演示)    
(1) 三角网格到规则网格的插值挑战    
(2) 重心坐标系统的数学原理与稳定性优势    
(3) 笛卡尔映射数据预处理策略    
(4) 核心实操:重心坐标插值算法实现    
下午 差分神经网络(DiNN)核心技术    
1. 从传统方法到差分学习实操(实操+代码+演示)    
(1) 传统端到端预测的局限性分析    
(2) 差分学习思想:参考模型与差分训练策略    
(3) DiNN三模块架构:样本处理+编码解码+应力预测    
图片    
图 DiNN完整架构与点图    
2. SE注意力机制与ResNet融合技术 (实操+代码)    
(1) Squeeze-and-Excitation块的通道注意力机制    
(2) Conv-SE与ResNet-SE块的协同工作原理    
(3) 特征重标定与高级特征提取策略    
3. 复合材料应力预测完整流程 (实操+代码+演示)    
(1) 典型复合材料模型的应力预测实现    
(2) 体积分数随机性vs空间随机性的处理策略    
(3) 应力集中区域的精确预测技术    
(4) 工程案例:    
纤维增强复合材料应力场预测    
颗粒增强复合材料的完整建模流程    
图片    
图 不同复合材料的应力预测结果对比    
第三天 复合材料应力场预测    
课程背景    
本天课程将从卷积神经网络基础出发,深入到U-Net架构在纤维增强复合材料应力场预测中的应用。    
上午卷积神经网络基础理论深化    
1. 卷积神经网络高级特征提取机制 (实操+代码)    
1.1 卷积核设计原理:3×3卷积的参数效率与感受野分析    
1.2 特征图降维与信息保持的数学平衡机制    
1.3 批量归一化在训练稳定性中的关键作用    
1.4 快速实操:构建多层CNN进行复杂模式识别    
图片    
图 多层CNN特征提取机制图    
2 U-Net编码器-解码器架构核心机制 (实操+代码+演示)    
2.1 编码器路径:逐层特征抽象与空间信息压缩    
2.2 解码器路径:特征重建与空间分辨率恢复机制    
2.3 跳跃连接的数学原理:高层语义与低层细节的融合    
不同尺度特征图的concat操作与信息传递    
详细实操:    
完整U-Net网络的分层构建与参数分析    
跳跃连接对预测精度影响的实验验证    
图片    
图 U-Net详细架构与跳跃连接机制图    
下午 有限元基础与复合材料应力分析    
1. 应力云图的后处理与数据提取方法    
2 数据预处理与图像标准化 (实操+代码)    
2.1 二值化微观结构图像的生成与处理    
2.2 应力场数据的归一化与标准化策略    
2.3 图像翻转数据增强的物理合理性分析    
3 微观结构到应力场的深度映射 (实操+代码+演示)    
3.1二值化纤维分布图像作为网络输入的编码策略    
3.2连续应力场作为网络输出的解码机制    
图片    
图 微观结构-应力场映射网络架构图    
第四天 生成对抗网络复合材料场预测    
课程背景:本天课程将从生成对抗网络基础出发,深入到几何-场映射在复合材料设计中的前沿应用。    
上午 生成对抗网络基础理论    
1. 生成对抗网络(GAN)核心原理 (实操+代码)    
(1) 博弈论框架:生成器与判别器的对抗训练机制    
(2) Nash均衡在神经网络训练中的数学表示    
(3) 条件生成对抗网络(cGAN)的约束机制    
(4) 快速实操:构建基础GAN进行图像生成    
图片    
图 GAN基础架构与博弈论框架图    
l U-Net与PatchGAN架构深度解析 (实操+代码)    
U-Net编码器-解码器对称结构设计理念    
跳跃连接在空间信息保持中的关键作用    
PatchGAN局部判别策略vs全局判别的优势    
代码演示:U-Net在图像分割中的应用实现    
2. 有限元应力场计算基础 (实操+代码)    
(1) 连续介质力学基本方程与本构关系    
(2) 压缩载荷下的边界条件设置与求解策略    
(3) von Mises应力场的物理意义与计算方法    
(4) 快速实操:Abaqus中复合材料应力场计算    
3. 复合材料微观结构建模 (实操+代码+演示)    
(1) 双相材料的力学参数对比    
(2) 载荷-卸载循环的残余应力分析    
核心实操:材料参数对应力场分布的影响分析    
图片    
图 复合材料微观结构    
下午 几何-场映射核心技术    
1. 从传统仿真到智能预测的进阶 (实操+代码+演示)    
(1) 图像到图像转换的深度学习范式    
(2) 几何约束作为条件输入的网络设计    
(3) 物理场信息的完整性保持策略    
图片    
图 复合材料几何GAN框架    
第五天:多尺度复合材料性能预测与智能材料设计    
课程背景: 融合多尺度仿真技术与深度学习方法,本课程将从复合材料代表性体积元(RVE)基础出发,深入到神经网络驱动的复合材料性能预测、损伤演化分析与智能材料设计的前沿应用。    
上午复合材料多尺度性能预测理论    
1. 复合材料多尺度性能关联机制 (实操+代码)     
(1) 纤维-基体-界面三相复合材料微观结构表征     
(2) 复合材料RVE设计原则:纤维体积分数、分布模式、界面性质     
(3) 均匀化理论在复合材料等效性能预测中的应用     
(4) 快速实操:典型复合材料RVE的参数化建模与性能预测    
2. 复合材料损伤机制与FE²耦合分析 (实操+代码)    
(1) 复合材料典型失效模式:纤维断裂、基体开裂、界面脱粘     
(2) 宏观加载下微观损伤演化的多尺度映射关系     
(3) 渐进损伤分析与最终失效强度预测     
(4) 代码演示:复合材料损伤演化的FE²方法实现    
图片    
图 复合材料多尺度损伤演化机制图    
下午复合材料智能设计与性能优化    
3. 复合材料UMAT智能本构模型开发 (实操+代码+演示)    
(1) 复合材料各向异性弹性本构的UMAT实现     
(2) 损伤演化方程与神经网络代理模型集成    
(3) 复合材料非线性本构关系的AI加速求解    
(4) 核心实操:复合材料智能UMAT子程序编写与验证    
4. 神经网络驱动的复合材料性能预测系统 (实操+代码+演示)     
(1) 复合材料微观结构图像到宏观性能的端到端预测     
(2) 纤维取向、体积分数对复合材料强度/刚度的影响预测     
(3) 复合材料疲劳寿命与损伤容限的智能评估     
(4) 详细分析:    
训练数据生成:不同复合材料体系的性能数据采集    
多任务学习:同时预测弹性模量、强度、韧性等多个性能指标    
图片    
图 复合材料性能预测神经网络架构图    
图片  





















四、深度学习固体力学      











授课讲师        


图片        

  主讲老师来自国内高校,拥有扎实的理论知识和丰富的研究经验,研究成果在多个国际高水平期刊上发表,至今他已经发表了40余篇SCI检索论文。授课方式深入浅出,能够将复杂的理论知识和计算方法讲解得清晰易懂,受到学员们的一致认可和高度评价



















































图片      
课程内容      

第一天

课程目标:初步了解神经网络,并能够使用Pytorch框架从头实现数据驱动的神经网络训练。

理论+实操内容(上午)

神经网络概述

介绍神经网络是什么,常见的神经网络的类型(前馈神经网络、卷积神经网络、循环神经网络等)

神经网络应用

讲述神经网络作为一种强大的机器学习技术,在各个领域的广泛应用(图像识别、自然语言处理、金融科技、推荐系统、环境科学等)。

神经网络的构建模块

讲述神经网络的基本构建模块,包括神经元、层、激活函数等核心组成部分。

基础环境搭建

指导学员如何搭建深度学习开发环境,包括使用Conda创建Python虚拟环境、PyTorch等必要的工具和库的安装。

计算及Pytorch框架

讲述数据如何利用Numpy从文件读取存储,到数据类型、矩阵变换和tensor的常用计算。

理论+实操内容(下午)

数据驱动材料Voigt体模量预测

讲解从头实现神经网络数据驱动回归Voigt体模量(数据处理,神经网络搭建,定义损失函数,模型训练及评估)

数据驱动材料表面缺陷识别

讲解卷积神经网络实现数据驱动识别材料表面缺陷类别(数据处理,神经网络搭建,定义损失函数,模型训练及评估)

图片      
第二天      

课程目标:初步认识物理信息神经网络,能区分正问题、逆问题等概念,并初步掌握物理信息神经网络。

理论+项目实操(上午)

PINN内容概述

介绍物理信息神经网络(PINN)基本概念,以及作为神经网络新兴方法分支的独特之处。

PINN应用领域

重点介绍PINN几个具体应用领域,例如,材料载荷、裂纹扩展、热流动力学、流体力学等(主要围绕课程内容介绍即可)。

PINN方法原理 

重点讲解PINN解偏微分方程的方法原理,包括正问题和逆问题的具体概念和解决方法。

阻尼振荡器振子位移动态估计

讲解阻尼振荡器的背景知识(如阻尼振动的基本方程等)、建立物理模型并使用物理信息神经网络优化求解动态位移。

图片    

参数反演摩擦系数识别

讲解如何通过物理信息神经网络在观测数据存在噪声的情况下识别出阻尼振动方程中的摩擦系数 𝜇。

图片    

理论+项目实操(下午) 

线性弹性方形域周期性载荷

讲解利用物理信息神经网络解决方形域内周期性载荷作用下材料的线性弹性力学行为问题。

Physics-Informed Deep Learning and its Application in Computational Solid and Fluid Mechanics

图片    

线性单向扩散解析动力学

讲解物理信息神经网络求解分子扩散等过程中描述物质在一维空间内随时间扩散的经典偏微分方程。

Application of neural networks to improve the modelling of cleaning processes

图片    

多尺度各向同性扩散场

讲解利用物理信息神经网络高效地模拟工程应用中非常普遍的二维空间中的物质扩散问题。

Application of neural networks to improve the modelling of cleaning processes

图片    
第三天    

课程目标:基本掌握物理信息神经网络能够从头思考并构建常见的多约束损失函数,掌握物理信息神经网络在热传中的应用。

理论+项目实操(上午) 

再见PINN之多约束损失架构

讲解在解决具有复杂约束的工程问题时如何构建一个能够同时满足真实数据条件、初值条件、偏微分方程结构以及边界条件的多约束损失函数。

对称破裂波动力学

讲述如何通过空间域扩展技术和加权损失函数解决冲击管案例中的由于初始条件不连续引起的物理信息神经网络数值振荡问题。

Physics-Informed Deep Learning and its Application in Computational Solid and Fluid Mechanics

图片    

逆向压力波演化探究

讲解空间域扩展技术和加权损失函数在逆冲击管问题中为不连续点提供平滑的过渡的案例。

Physics-Informed Deep Learning and its Application in Computational Solid and Fluid Mechanics

图片    

理论+项目实操(下午)

线性热传导解析

讲解如何利用物理信息神经网络给热传导方程提供高效、连续的解决方案。

Deep Learning for Approximating Solutions to Partial Differential Equations

图片    

多维空间热流动力学

探讨如何使用物理信息神经网络解决二维空间中的热扩散问题描述了热量在物体内部的传递。

Deep Learning for Approximating Solutions to Partial Differential Equations

图片    

时空耦合动态热扩散过程

介绍物理信息神经网络解决具有时间依赖性的二维空间热扩散问题,描述热量在物体内部随时间和空间分布的演变。

Deep Learning for Approximating Solutions to Partial Differential Equations

图片    
第四天    

课程目标:打破物理信息神经网络“求解偏微分方程”思维定视,掌握屈曲荷载问题的解决方案。

理论+项目实操(上午) 

风轮轴承载荷疲劳行为智能诊断

讲解构建基于递归神经网络的PINN模型,通过模拟 SN曲线来预测风力发电机轴承在循环载荷下的累积损伤。

Estimating model inadequacy in ordinary differential equations with physics-informed neural networks

图片    

机翼裂纹扩展智能演化与分析

讲授如何基于物理信息递归神经网络应用Paris定律,来模拟和预测实际工程问题中材料在反复载荷作用下的裂纹扩展和演化情况。

Estimating model inadequacy in ordinary differential equations with physics-informed neural networks

图片    

理论+项目实操(下午) 

非线性载荷下的弹性板响应

讲解如何应用物理信息神经网络解决实际工程中受到不均匀拉伸力时经典板壳理论问题。

A physics-guided neural network framework for elastic plates Comparison of governing equations-based and energy-based approaches

图片    

几何缺陷诱导的应力集中效应

讲解如何使用物理信息神经网络来模拟材料力学中常见的设计承受载荷结构时开孔导致的应力集中现象。

A physics-guided neural network framework for elastic plates Comparison of governing equations-based and energy-based approaches

图片    

板结构屈曲与后屈曲行为

讲解物理信息神经网络处理外压力作用下的挠度载荷时涉及平面内和平面外变形的复杂多维结构问题。

A physics-guided neural network framework for elastic plates Comparison of governing equations-based and energy-based approaches

图片    

临界屈曲载荷稳定性分析

讲解物理信息神经网络在偏微分方程损失不适用时处理平面内压缩下的屈曲荷载问题的解决方案。

A physics-guided neural network framework for elastic plates Comparison of governing equations-based and energy-based approaches

图片    
第五天    

课程目标:学会应用物理信息神经网络解决振动问题,开阔视野利用物理信息神经网络结合迁移学习从低保真数据获取高保真解并加速网络收敛。

理论+项目实操(上午) 

含时纵向振动波动力学与结构响应

讲解物理信息神经网络解决固体力学中两端固定梁初始时刻施加正弦纵向振动的典型波动问题。

APPLIED MATHEMATICS AND MECHANICS (ENGLISH EDITION)

图片    

纵向振动参数动态反演与位移场重构

讲解物理信息神经网络通过梁纵向振动的动态响应反推关键参数。

APPLIED MATHEMATICS AND MECHANICS (ENGLISH EDITION)

图片    

含时横向振动特性及欧拉-伯努利梁动态行为

讲解物理信息神经网络求解涉及空间和时间导数的经典的结构动力学横向振动欧拉-伯努利梁方程。

APPLIED MATHEMATICS AND MECHANICS (ENGLISH EDITION)

图片    

横向振动响应序列预测与系统参数估计

讲解物理信息神经网络如何解决横向振动逆问题,从已知的结构响应数据中识别出材料的关键力学参数。

APPLIED MATHEMATICS AND MECHANICS (ENGLISH EDITION)

图片    

理论+项目实操(下午) 

顶盖驱动空腔问题

讲解物理信息神经网络在求解顶盖驱动空腔二维稳态Navier-Stokes方程时通过迁移学习提高准确性并加速收敛。

Predicting high-fidelity multiphysics data from low-fidelity fluid flow and transport solvers using physics-informed neural networks

图片    

鳍片热流体耦合效应

讲解物理信息神经网络应用迁移学习技巧解决涉及流体动力学与热传递的耦合问题。

Predicting high-fidelity multiphysics data from low-fidelity fluid flow and transport solvers using physics-informed neural networks

图片    

异质旋转介质中的流体路径优化

讲解利用物理信息神经网络模拟非均质性情况旋转效应会导致由科里奥利力引起的二次流现象。

Predicting high-fidelity multiphysics data from low-fidelity fluid flow and transport solvers using physics-informed neural networks

图片    

旋转多孔介质中的对流热传递高级仿真

讲解如何使用物理信息神经网络实现涉及到流体力学、热传递以及多孔介质物理的复杂耦合问题的高级仿真。

Predicting high-fidelity multiphysics data from low-fidelity fluid flow and transport solvers using physics-informed neural networks

图片    
图片  





















五、人工智能有限元仿真
     





















图片  
授课讲师        


图片        

  主讲老师来自国内985高校!主要研究方向为纤维增强复合材料、金属-复合材料混合材料界面性能、多尺度多置信度预测模型、结构可靠性分析等!熟练使用 ABAQUS 静力分析、动态分析、裂纹扩展分析和多尺度界面分析、Fortran二次开发等,已发表数篇深度学习与有限元仿真顶刊!有丰富的算法与有限元仿真结合经验!



















































图片      
课程内容      

第一天、深度学习算法理论与实践

1-Python安装与环境配置方法

2-张量(Tensor)的创建和常用方法

3-Python实现基本优化思想与最小二乘法

4-基于Pytorch的深度学习入门

5-单层神经网络

6-深层神经网络

7-神经网络的损失函数

8-基于Pythorch的神经网络构建

image.png      

第二天:基于多尺度仿真与人工神经网络的复合材料实战应用

1. 多尺度技术背景及概念

1.1 多尺度技术发展

1.2 多尺度技术种类

1.3 多尺度技术实施方法

2. ABAQUS与Python二次开发

2.1 ABAQUS脚本概述

2.2ABAQUS二次开发的基础框架

2.3Python脚本接口

2.4CAE环境开发与用户子程序开发

2.5 Python语言介绍

2.6ABAQUS脚本编写

2.7 含骨料/纤维RVE模型二次开发

3. 人工神经网络驱动的多尺度FE2方法

3.1 协同多尺度FE2方法技术详解

3.2 基于UMAT的ABAQUS协同多尺度方法概述

3.3 基于UMAT的ABAQUS协同多尺度仿真实施

3.4 ANN网络架构介绍

3.5 基于ANN的高保真FE2驱动的先进FE2方法的具体框架

image.png      

4.基于深度学习的金属材料力学性能预测与结构-性能关系建模实战应用

4.1. 卷积神经网络与材料性能预测

4.2CNN基本原理与材料科学应用系统介绍卷积神经网络的核心概念和基础理论 

4.3 微观结构图像的CNN特征提取详细讲解如何设计适合材料微观结构特性的CNN模型

4.4基于CNN的多相材料力学性能预测系统介绍基于CNN的力学性能预测方法

5. 深度神经网络模型优化与实现 

5.1 多管道Siamese网络结构设计详细介绍Siamese网络结构在材料科学中的应用

5.2 损失函数设计与训练策略深入探讨适合材料性能预测的损失函数设计

5.3基于TensorFlow的多相金属材料强度预测实现通过完整的TensorFlow代码示例,

5.4CPFE-DNN集成预测增材制造不锈钢性能详细介绍CPFE-DNN集成方法在增材制造不锈钢性能预测中的应用

第三天、基于无应力数据的深度学习超弹性材料实战应用

 1. 超弹性材料力学行为分析

 1.1 Hyperelastic材料力学行为

 1.2 Hyperelastic材料仿真分析(案例)

 2. 输入凸神经网络(ICNN)

 2.1 ICNN技术介绍

 2.2 ICNN技术具体实施及讲解(案例)

 3. 无监督深度学习超弹性本构定律

 3.1 问题设定

 3.2 从逐点数据近似位移场

 3.3 基于神经网络的本构模型

 3.4 无监督学习的本构模型

 4. 数值基准

 4.1 数据生成

 4.2 数据模型精度、泛化和FEM部署

第四天、基于物理约束人工神经网络架构实现材料本构的重构实战应用

 1. 物理约束相关理论

 1.1 变形映射

 1.2 变形梯度

 1.3 Cauchy-Green变形张量

 2. 神经网络中物理信息概述

 2.1 物理合理性限制

 3. 物理约束在神经网络模型中的应用与实现

 3.1 纯数据驱动的神经网络模型构建(案例)

 3.2 能量驱动的神经网络模型构建(案例)

 3.3 基于PDE的神经网络模型构建(案例)

 4. 基于物理信息的神经网络架构与仿真技术融合

 4.1 UANISOHYPER_INV人工神经网络本构子程序

 4.2 基于物理信息的人工神经网络与仿真技术融合

4.3神经网络模型与传统数值模拟方法的融合策略

5.基于卷积神经网络的金属缺陷检测系统设计与实现实战应用

5.1经典CNN模型解析

5.2深度CNN设计与优化

5.3基于分类的缺陷检测方法

5.4基于分割的缺陷定位技术

5.5Bagging、Boosting、Stacking等集成方法在缺陷检测中的应用

image.png      

第五天、基于递归神经网络的两相高温合金多尺度损伤建模实战应用

1. 基于均质化的多尺度建模

1.1相场的两相合金生成策略

1.2Abaqus的均匀化计算方法

2. 耦合损伤的晶体塑性有限元建模

2.1晶体塑性有限元基本理论与框架,有限元UMAT实施策略,切线系数法隐式应力积分,滑移系损伤建模。

3. 时序多尺度模拟与数据集构建

3.1批量多尺度有限元仿真技巧

3.2建立神经网络可识别的本构行为数据集

3.3对比FCNN,RNN,LSTM等网络方法在循环塑性行为建模中的优劣。

4智晶体塑性本构建模

4.1在本构建模中物理信息的融合机制与方法

4.2晶体塑性滑移变形的网络架构设计。

5.微观组织张量化描述及其智能重要性评估

5.1两相材料微结构张量化描述方法

5.2,通过人工智能识别关键的微结构参量。

6.多轴载荷下的模型表现研究

6.1多轴载荷下对不同形态两相微结构的力学行为预测研究,

6.2多轴载荷下的合金损伤机制

image.png      


来源:复合材料力学仿真Composites FEM
ACTAbaqusFidelity振动疲劳断裂复合材料非线性化学二次开发电子增材python芯片UM裂纹参数优化理论化机机器人
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2025-12-04
最近编辑:8月前
Tansu
签名征集中
获赞 22粉丝 6文章 1031课程 0
点赞
收藏
作者推荐

【新文速递】2025年11月10日固体力学SCI期刊最新文章

今日更新:International Journal of Solids and Structures 4 篇,Journal of the Mechanics and Physics of Solids 1 篇,Mechanics of Materials 2 篇,Thin-Walled Structures 1 篇International Journal of Solids and StructuresNew deformable element with arbitrary polygon shape for continuous modeling of limit an alysisYiwei Hua, Gabriele Milanidoi:10.1016/j.ijsolstr.2025.113745一种可变形的任意多边形单元,用于极限分析的连续建模This paper proposes two alternatives for the polygon discretization in the finite element limit ana lysis. The construction of the upper bound limit a nalysis for the constant-strain polygon element is first presented. However, when implementing it to ana lyze the strip footing problems, a severe locking effect is observed in the results, which stems from the constant-strain assumption. Further sensitivity ana lysis demonstrates that such a locking issue becomes significant when using polygons with complex or concave shapes. The volumetric incompressible effect will also appear in both polygon and triangular meshes in the zero-friction case, and this is more remarkable in the polygon case because of the severe interlocking among the elements. The corresponding optimization problem will become unsolvable. An approximated solution can still be obtained by including spurious interfacial friction though. Finally, to theoretically resolve the locking problem, another type of polygon element with piecewise-constant strain is developed. Reproducing the previously considered strip footing problems through the new element, the results indicate that the polygon locking is largely released after introducing the strain variation in the elements. The an alysis gives an accurate load prediction within an acceptable computational cost, presenting a great edge in precision and robustness against the established triangular elements. Nonetheless, the constant-strain polygon can remain employed in some scenarios where the locking effect is not obvious, taking merit from its great efficiency.本文提出了有限元极限分析中多边形离散化的两种替代方法。提出了恒应变多边形单元上限分析的构造方法。然而,当将其应用于分析条形基础问题时,结果中观察到严重的锁紧效应,这源于恒应变假设。进一步的灵敏度分析表明,当使用具有复杂形状或凹形状的多边形时,这种锁定问题变得非常重要。在零摩擦情况下,多边形和三角形网格也会出现体积不可压缩效应,并且由于单元之间的严重联锁,多边形网格的体积不可压缩效应更为显著。相应的优化问题将变得不可解。通过考虑伪界面摩擦,仍然可以得到近似解。最后,为了从理论上解决锁紧问题,提出了另一种分段恒应变多边形单元。通过新单元再现了先前考虑的条形基础问题,结果表明,在单元中引入应变变化后,多边形锁定在很大程度上得到了释放。该分析在可接受的计算成本内给出了准确的载荷预测,在精度和鲁棒性方面对已建立的三角形元素具有很大的优势。尽管如此,在一些锁定效应不明显的情况下,恒应变多边形仍然可以使用,其效率很高。Efficient wave an alysis in multi-layered locally resonant metamaterials: A semi-an alytical approach integrating dynamic homogenizationX. Kuci, M.G.D. Geers, V.G. Kouznetsovadoi:10.1016/j.ijsolstr.2025.113748多层局部共振超材料的有效波分析:一种整合动力均匀化的半解析方法This work proposes a novel framework that combines dynamic computational homogenization with an extended transfer matrix method (TMM) to efficiently model wave propagation in locally resonant metamaterials (LRMs) with arbitrary microstructures. Unlike other methods in the literature, which assume specific symmetries and normal incidences, the presented approach addresses general multi-layered LRM setups for 2D and 3D wave propagation, including oblique incidences. First, the dynamic computational homogenization is applied to an LRM to extract the effective homogenized inertial and mechanical characteristics, yielding a macro-scale homogenized enriched continuum description. The enriched continuum description provides frequency-dependent properties, such as the effective dynamic impedance tensor, revealing wave attenuation behaviors near resonance frequencies. Wave propagation is then a nalyzed in multi-layered LRM setups with acoustic and/or elastic incoming media. A constrained dispersion equation is solved numerically to accurately model interface interactions without relying on a nalytical simplifications. The framework is validated against direct numerical simulations (DNS) through several representative case studies, demonstrating its versatility and significant computational efficiency. This novel approach paves the way for efficient wave impedance control and trans mission ana lyses, providing new insights into the design and functionality of LRMs for advanced acoustic devices, such as acoustic filters and waveguides.这项工作提出了一个新的框架,结合了动态计算均匀化和扩展传递矩阵方法(TMM),以有效地模拟波在具有任意微结构的局部共振超材料(lrm)中的传播。与文献中假设特定对称性和正常入射的其他方法不同,本文提出的方法解决了二维和三维波传播的一般多层LRM设置,包括斜入射。首先,将动态计算均质化应用于LRM,提取有效的均质化惯性和力学特性,得到宏观尺度的均质化富集连续体描述;丰富的连续介质描述提供了频率相关的特性,例如有效动态阻抗张量,揭示了共振频率附近的波衰减行为。然后在具有声学和/或弹性入射介质的多层LRM装置中分析波的传播。在不依赖于解析简化的情况下,对约束色散方程进行了数值求解,以准确地模拟界面相互作用。通过几个典型的案例研究,对该框架进行了直接数值模拟(DNS)验证,证明了它的通用性和显著的计算效率。这种新颖的方法为有效的波阻抗控制和传输分析铺平了道路,为先进声学设备(如声滤波器和波导)的lrm设计和功能提供了新的见解。Numerical modeling of cell-induced displacement propagation in prestressed fibrous mediaHamed Hatami-Marbini, Ashutosh Mishradoi:10.1016/j.ijsolstr.2025.113749预应力纤维介质中细胞诱导位移传播的数值模拟Fibrous networks are fundamental structural components of various biological and synthetic materials, influencing their mechanical behavior and functionality. The discrete microstructure of fibrous materials allows them to exhibit unique properties, such as fiber alignment and nonlinear strain-stiffening. Insight into key parameters governing the displacement propagation caused by a local contraction is necessary to elucidate how contracting cells establish communications with other cells in extracellular matrix (ECM). The structural integrity of ECM depends on several stabilizing factors such as prestress, which has been shown to greatly impact the propagation of displacement through random fiber networks. In this study, we used numerical simulations to investigate how the interactions between prestress and other stabilizing factors, such as fiber bending rigidity and mean network connectivity, influence the displacement propagation caused by a local contractile. The presence of compressive prestrain increases the range of displacement propagation by promoting fiber rotation/bending and creating local anisotropy. Furthermore, decreasing the bending rigidity of fibers enhanced the long-range displacement propagation. Compared to sparse random fiber networks and under otherwise identical conditions, local contraction induced shorter range displacement propagation in networks with large mean network connectivity. The insights into the interaction between local forces and microstructural features of random fiber networks contributed to a better understanding of their complex and adaptable mechanical response, which could guide current efforts on the development of advanced biomimetic materials for applications in the fields of medicine, tissue engineering, and soft robotics.纤维网络是各种生物和合成材料的基本结构成分,影响着它们的力学行为和功能。纤维材料的离散微观结构使其表现出独特的性能,如纤维取向和非线性应变硬化。了解控制由局部收缩引起的位移传播的关键参数对于阐明收缩细胞如何与细胞外基质(ECM)中的其他细胞建立通信是必要的。ECM结构的完整性取决于几个稳定因素,如预应力,这已经被证明对位移在随机光纤网络中的传播有很大的影响。在这项研究中,我们使用数值模拟来研究预应力和其他稳定因素(如纤维弯曲刚度和平均网络连通性)之间的相互作用如何影响局部收缩引起的位移传播。压缩预应变的存在通过促进纤维的旋转/弯曲和产生局部各向异性来增加位移传播的范围。此外,降低纤维的弯曲刚度可以增强位移的长距离传播。与稀疏随机光纤网络相比,在其他条件相同的情况下,在平均网络连通性较大的网络中,局部收缩引起的位移传播距离较短。对随机纤维网络的局部力和微观结构特征之间相互作用的洞察有助于更好地理解其复杂和适应性的机械响应,这可以指导当前在医学、组织工程和软机器人领域应用的先进仿生材料的开发工作。Size-dependent mechanics in finite cellular lattices: structural and Cosserat responses under tension and bendingKarthik Reddy Thatipelli, Harshavardhan Kalathur, S. Gouripriyadoi:10.1016/j.ijsolstr.2025.113750 有限胞格的尺寸依赖力学:张力和弯曲作用下的结构和Cosserat响应Size effects studies in finite cellular structures are relatively unexplored, particularly in tension. In this study, we investigate size-dependent mechanical behaviour of 3D printed lattice structures under uniaxial tension and bending. Under tension, the presence and absence of solid boundary wall constraints produced divergent structural responses: boundary-constrained samples produced significant stiffening with decreasing size, while the unconstrained samples showed softening. This is due to the local rotation constraints imposed by the walls at the boundary. Adding material to the walls contributed to the structural stiffness not more than 20 %, and scaling down the sample size with the same cell size and wall thickness increased the structural stiffness by ∼200 %. The wall-free samples also showed a far more sensitive effective modulus response in tension, to the thickness-to-cell length ratio (t/L), compared to the an alytical prediction. In bending, the lattice beams treated as continuum showed strong Cosserat size effects with similar characteristic lengths of 4.2 mm and 4 mm for square and diamond (square rotated by 45°) topologies respectively, over the specimen cell sizes ranging from 2 mm to 5 mm. Importantly, cellular topology did not hinder Cosserat applicability and interpretation.有限细胞结构的尺寸效应研究相对来说还未被探索,特别是在张力结构中。在这项研究中,我们研究了3D打印晶格结构在单轴拉伸和弯曲下的尺寸依赖性力学行为。在拉伸作用下,实体边界墙约束的存在和不存在会产生不同的结构响应:边界约束的样品随着尺寸的减小而产生显著的硬化,而无约束的样品则表现出软化。这是由于边界壁面施加的局部旋转约束。向壁中添加材料对结构刚度的贡献不超过20% %,在相同的细胞大小和壁厚下缩小样本量,结构刚度增加了~ 200 %。与分析预测相比,无壁样品在张力下对厚度与细胞长度比(t/L)的有效模量响应也更为敏感。 在弯曲过程中,作为连续体处理的晶格梁表现出强烈的Cosserat尺寸效应,在2 mm至5 mm的样品细胞尺寸范围内,正方形和菱形(正方形旋转45°)拓扑结构的特征长度分别为4.2 mm和4 mm。重要的是,蜂窝拓扑并不妨碍Cosserat的适用性和解释。Journal of the Mechanics and Physics of SolidsInterfacial homogenization of a periodically corrugated surface in linear elasticityVivek Singh, Kim Pham, Arthur Geromel Fischer, Kostas Danasdoi:10.1016/j.jmps.2025.106420线弹性中周期性波纹表面的界面均匀化This work presents a homogenization framework for modeling the mechanical behavior of three-dimensional linear elastic bodies with a periodically corrugated surface subjected to Dirichlet boundary conditions. The surface microstructure is assumed to be invariant along one spatial direction and periodic along the other. By combining asymptotic homogenization with matched asymptotic expansions near the surface corrugations, we derive an effective interface constitutive model that replaces the corrugated surface and the Dirichlet boundary condition with a flat boundary governed by a mixed (Robin-type) boundary condition. This boundary condition involves a second-order effective tensor, computed from elementary problems set on a representative periodic unit cell, hence allowing to account for the effect of the microstructure on the macroscopic response. We prove the symmetry and positive definiteness of the effective tensor and establish a uniqueness result of the effective problem. The model is assessed by comparison with 2D and 3D full-field simulations, demonstrating excellent agreement in both global and local responses. In particular, a cost-efficient post-processing strategy is proposed to reconstruct the local fields near the corrugations by use of a simple periodic unit cell, providing access to fine-scale information without the need for full-resolution computations.这项工作提出了一种均匀化框架,用于模拟具有周期性波纹表面的三维线弹性体在狄利克雷边界条件下的力学行为。假设表面微观结构沿一个空间方向是不变的,沿另一个空间方向是周期性的。通过将渐近均匀化与表面波纹附近的匹配渐近展开相结合,导出了一个有效的界面本构模型,该模型将波纹表面和Dirichlet边界条件替换为由混合(robin型)边界条件控制的平面边界。该边界条件涉及二阶有效张量,由代表性周期单元胞上的基本问题计算得到,因此可以考虑微观结构对宏观响应的影响。证明了有效张量的对称性和正定性,建立了有效问题的唯一性结果。通过与2D和3D全场模拟的比较,对该模型进行了评估,结果表明,该模型在全局和局部响应方面都具有良好的一致性。特别地,提出了一种经济有效的后处理策略,利用简单的周期单元格重建波纹附近的局部场,从而在不需要全分辨率计算的情况下获得精细尺度信息。Mechanics of MaterialsA multi-layer model for residual stress relaxation aligned with microstructure evolution under thermal exposure and cyclic loadingDianyin Hu, Tao Wang, Hongyang Huang, Jianxing Mao, Jier Wang, Xin Wang, Yang Gao, Liucheng Zhou, Rongqiao Wangdoi:10.1016/j.mechmat.2025.105543基于热暴露和循环加载下微观结构演变的残余应力松弛多层模型Residual stress relaxation phenomena under thermomechanical conditions, particularly thermal exposure and cyclic loading, constitute critical determinants of fatigue performance in surface-treated engineering components. This study systematically investigates the thermal and cyclic relaxation mechanis ms in shot-peened Ni-based superalloy GH4720Li through integrated experimental characterization and computational modeling. Through systematic characterization via X-ray diffraction (XRD) and electron backscatter diffraction (EBSD), we establish quantitative correlations between residual stress relaxation kinetics and concurrent microstructure evolution, particularly dislocation annihilation and grain boundary restructuring. Building upon these observations, a novel multilayer constitutive framework is developed to decouple the synergistic effects of microstructural evolution on residual stress relaxation dynamics. The model demonstrates predictive accuracy within 6.3% for residual stress magnitudes and 3.3% for characteristic depth parameters when compared to stabilized thermal exposure data. Under cyclic loading conditions, corresponding errors remain constrained to 15.5% and 4.8%, respectively. Such precision validates the model's capability to isolate microstructure-driven relaxation mechanis ms from purely mechanical contributions. This multi-physics framework provides an unprecedented quantitative tool for optimizing surface-engineered components operating in combined high-temperature and cyclic loading environments, effectively bridging the gap between microstructure-aware modeling and industrial fatigue life prediction.热机械条件下的残余应力松弛现象,特别是热暴露和循环加载,是表面处理工程部件疲劳性能的关键决定因素。本研究通过实验表征和计算建模相结合的方法,系统地研究了喷丸ni基高温合金GH4720Li的热弛豫机制和循环弛豫机制。通过x射线衍射(XRD)和电子背散射衍射(EBSD)的系统表征,我们建立了残余应力松弛动力学与同步微观结构演化,特别是位错湮灭和晶界重构之间的定量相关性。在这些观察的基础上,开发了一种新的多层本构框架,以解耦微观结构演化对残余应力松弛动力学的协同效应。与稳定的热暴露数据相比,该模型对残余应力值的预测精度在6.3%以内,对特征深度参数的预测精度在3.3%以内。在循环加载条件下,相应的误差分别被限制在15.5%和4.8%。这样的精度验证了该模型将微观结构驱动的松弛机制与纯粹的力学贡献分离开来的能力。这种多物理场框架提供了一种前所未有的定量工具,用于优化在高温和循环加载环境下运行的表面工程部件,有效地弥合了微结构感知建模和工业疲劳寿命预测之间的差距。Learning a potential formulation for rate-and-state frictionShengduo Liu, Kaushik Bhattacharya, Nadia Lapustadoi:10.1016/j.mechmat.2025.105540学习速率-状态摩擦的潜在公式Empirical rate-and-state friction laws are widely used in geophysics and engineering to simulate interface slip. They postulate that the friction coefficient depends on the local slip rate and a state variable that reflects the history of slip. Depending on the parameters, rate-and-state friction can be either rate-strengthening, leading to steady slip, or rate-weakening, leading to unsteady stick–slip behavior modeling earthquakes. Rate-and-state friction does not have a potential or variational formulation, making implicit solution approaches difficult and implementation numerically expensive. In this work, we propose a potential formulation for the rate-and-state friction. We formulate the potentials as neural networks and train them so that the resulting behavior emulates the empirical rate-and-state friction. We show that this potential formulation enables implicit time discretization leading to efficient numerical implementation.经验速率-状态摩擦定律广泛应用于地球物理和工程中模拟界面滑移。他们假设摩擦系数取决于局部滑移率和反映滑移历史的状态变量。根据参数的不同,速率-状态摩擦既可以是速率增强,导致稳定滑动,也可以是速率减弱,导致非定常粘滑行为模拟地震。速率和状态摩擦没有潜在的或变分的公式,使得隐式解决方法变得困难,并且在数值上实现昂贵。在这项工作中,我们提出了速率和状态摩擦的潜在公式。我们将电位表述为神经网络,并对其进行训练,使结果行为模拟经验速率与状态摩擦。我们表明,这种潜在的公式使隐式时间离散化导致有效的数值实现。Thin-Walled StructuresThree-dimensional magneto-thermoelastic coupling resonance of spinning functionally graded cylindrical shells with porosityJianbo Feng, Yuda Hudoi:10.1016/j.tws.2025.114175具有孔隙度的自旋梯度功能圆柱壳的三维磁热耦合共振This study investigates the magneto-thermoelastic coupling resonance and bifurcation behaviors of spin ferromagnetic functionally graded (FG) cylindrical shells with porosity under armature action. The shells contain uniformly or non-uniformly distributed pores, and their physical properties are evaluated using a modified mixture rule combined with the Voigt model. Temperature-dependent material properties and geometric nonlinearity induced by large deformations are incorporated to establish constitutive relations for Kirchhoff-Love-type thin shells. Moreover, the nonlinear magnetization characteristics of ferromagnetic materials are considered. The governing equations are derived via Hamilton’s principle and discretized using the Galerkin truncation method. By integrating the alternating frequency-time harmonic balance method (AFT-HBM) with a predictor-corrector algorithm, the nonlinear equations are solved. Numerical case studies are conducted to an alyze the effects of physical parameters on the primary and superharmonic resonances. Furthermore, bifurcation behaviors are discussed. Notably, super harmonic resonance demonstrates higher sensitivity to these parameters compared to primary resonance. Adjusting material configurations effectively suppresses vibrations induced by external physical fields.研究了具有孔隙度的自旋铁磁梯度(FG)圆柱壳在电枢作用下的磁-热弹性耦合共振和分岔行为。采用改进的混合规则并结合Voigt模型对其物理性质进行了评价。结合材料的温度依赖性和大变形引起的几何非线性,建立了kirchhoff - love型薄壳的本构关系。此外,还考虑了铁磁材料的非线性磁化特性。利用哈密顿原理推导了控制方程,并用伽辽金截断法进行了离散化。通过将交变频时谐波平衡法(AFT-HBM)与预测校正算法相结合,求解了非线性方程。通过数值算例分析了物理参数对原谐振和超谐振的影响。进一步讨论了分支行为。值得注意的是,与主共振相比,超谐波共振对这些参数表现出更高的灵敏度。调整材料结构可以有效地抑制外部物理场引起的振动。来源:复合材料力学仿真Composites FEM

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈