Ai赋能材料

论文简介

数据驱动方法正在成为研究多尺度、多物理、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，用于提取和管理以高值降阶形式控制这些多尺度材料现象的重要关联，称为过程结构-属性（PSP）关联。传统的机器学习方法通常依赖于密集的特征工程，并在建立所需的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，ZijiangYang等人设计并实现了一种深度学习方法来模拟高对比度复合材料系统中的弹性均匀化结构性能链接。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。结果表明，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，同时显示出高精度和低计算成本的新评估。

图文导读

图1.将不同的3-D高斯滤波器应用于随机数场，生成选定MVEs的可视化。

图2.显示校正线性单位（ReLU）的绘图。

图3.Dropout(a)Conventionalneuralnetwork.(b)Afterapplyingdropout.

图4.三维卷积神经网络结构示例。

图5.一个例子3×3卷积滤波器的计算过程。（a）输入是零填充的；这允许我们保持输出图像的大小与输入图像的大小相同。（b）卷积滤波和计算。例如，（c）中右上角的值由红色窗口和过滤器之间的点积计算。（c）卷积运算后的结果被偏差抵消。（d）输出称为特征映射。

图6.2×2max-poolingprocess.每个2×2块被块中的最大值替换。

图7.扁平化过程的例子。将3个2×2特征映射展平为包含12个元素的一维向量。

图8.比较传统机器学习方法和深度学习方法的框架。（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9.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。这些专栏分别代表CNN和尖端物理启发的方法。

作者信息

参考引用：

ZijiangYang,YukselC.Yabansu,etal.Deeplearningapproachesforminingstructure-propertylinkagesinhighcontrast

转载请注明:http://www.aideyishus.com/lkjg/43.html