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。
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。
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
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
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
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
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
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。
第一天:机器学习基础与疲劳断裂力学应用
第二天机器学习驱动的疲劳裂纹多尺度分析与寿命预测
第三天机器学习赋能的金属断裂表面智能分析
第四天腐蚀疲劳与复合材料寿命预测
第五天极端环境下的金属疲劳智能预测体系
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!
第一天:卷积神经网络与有限元复合材料损伤预测
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
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)
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。
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。
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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)
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)
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)
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)
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
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
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
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
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!
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
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
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
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