作者/余松林

编辑/凯霞

材料的力学或功能特性内源于自身结构，外显于对刺激的响应，因此材料结构与「刺激-响应」过程的关系是材料结构设计和性能预测的基础，是材料科学领域永恒的主题。

深度学习（DL）方法因其在处理材料高度复杂的结构-性能关系方面的优越性，有望成为材料性能突破的新设计范式。然而，在大多数情况下，通过收集海量实验数据或开源理论数据库来支持训练具有足够预测精度的DL模型是不切实际的。

近期，中国工程物理研究院化工材料研究所芦艾团队及其合作者利用具有时空特征的人工神经网络研究了3D打印多孔硅橡胶复杂的应力应变行为。作者将3D打印多孔硅橡胶的非线性应力应变行为视为一个典型的「刺激-响应」过程，这种「刺激-响应」过程的输入（因）可以拆分为静态的空间结构（空间）与序列应变刺激信号（时间），而输出则为对应的序列应力（果），在此基础上作者提出了一种具有时空特征以及分层学习机制的CBLSTM模型，因更充分利用了数据时空信息的逻辑关系减少了对数据量的需求。

该模型在小实验数据集中实现了对不同结构及不同变形模式的3D打印多孔硅橡胶非线性应力-应变曲线的精准预测，并成功设计并通过3D打印实现了具有超长应力平台的多孔硅橡胶结构。同时，通过该模型对3D打印多孔硅橡胶在宽频范围内阻尼响应进行了高精度的预测，证明了该模型应用于「刺激-响应」过程的可迁移性。该模型有望成为在小型实验数据集上进行创新材料设计的有力工具，也可用于探索复杂工作条件下材料结构和性能的演化机制。

这一成果近期以「StudyingComplexEvolutionofHyperelasticMaterialsunderExternalFieldStimuliusingArtificialNeuralNetworkswithSpatiotemporalFeaturesinaSmall-ScaleDataset」为题发表在《AdvancedMaterials》（

转载请注明:http://www.aideyishus.com/lktp/1304.html