2016年，AlphaGo戰(zhàn)勝世界圍棋冠軍李世石這一里程碑事件引發(fā)了全世界的嘩然與震驚，人工智能技術(shù)也由此真正走入了人們的視野，并逐漸成為改變?nèi)祟惿a(chǎn)、生活的新技術(shù)引擎。近幾年，隨著AI技術(shù)的發(fā)展，人工智能在諸多行業(yè)都得了廣泛的應(yīng)用。在傳統(tǒng)力學(xué)領(lǐng)域，如材料基因組、結(jié)構(gòu)健康監(jiān)測(cè)、結(jié)構(gòu)性能預(yù)測(cè)、智能化設(shè)計(jì)、流固耦合分析等方面，國(guó)內(nèi)外研究人員也相繼開展了廣泛的應(yīng)用探索。

雖然目前將智能化技術(shù)應(yīng)用于力學(xué)領(lǐng)域尚不成熟，但探索的過程是非常必要的。接下來幾期文章，我們將重點(diǎn)關(guān)注機(jī)器學(xué)習(xí)、深度學(xué)習(xí)在復(fù)合材料力學(xué)領(lǐng)域的應(yīng)用探索。

第一期先介紹2022年發(fā)表在《Composites Part B: Engineering》上的幾篇有關(guān)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的文章。

另外，本專欄持續(xù)征稿，歡迎投稿！

歡迎投稿

2022年度復(fù)合材料力學(xué)征稿，單篇稿費(fèi)最高1880

1

基于深度學(xué)習(xí)的纖維增強(qiáng)復(fù)合材料應(yīng)力場(chǎng)預(yù)測(cè)

文章將深度學(xué)習(xí)工具應(yīng)用于纖維增強(qiáng)基體復(fù)合材料的局部應(yīng)力場(chǎng)預(yù)測(cè)，以期有效替代有限元分析。第一個(gè)挑戰(zhàn)是預(yù)測(cè)具有固定數(shù)量纖維和不同空間配置的復(fù)合材料橫截面的應(yīng)力場(chǎng)圖。通過卷積神經(jīng)網(wǎng)絡(luò)（CNN），實(shí)現(xiàn)了纖維的空間排列與相應(yīng)的von Mises應(yīng)力場(chǎng)之間的映射。使用與目標(biāo)系統(tǒng)相同纖維數(shù)量的數(shù)據(jù)訓(xùn)練CNN。文章的第二個(gè)目標(biāo)是使用CNN預(yù)測(cè)具有較大纖維數(shù)的復(fù)雜系統(tǒng)的應(yīng)力場(chǎng)，CNN是根據(jù)較少纖維數(shù)的簡(jiǎn)單系統(tǒng)的數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練的。

采用abaqus建立模型生成樣本數(shù)據(jù)

搭建U型構(gòu)架

U-Net構(gòu)架預(yù)測(cè)的Von Mises應(yīng)力圖（20根纖維組成的系統(tǒng)）

2

通過稀疏回歸從實(shí)驗(yàn)數(shù)據(jù)中發(fā)現(xiàn)復(fù)合材料的失效準(zhǔn)則

文章采用壓縮感知（compressed sensing）實(shí)現(xiàn)稀疏回歸（ sparse regression），從數(shù)據(jù)中發(fā)現(xiàn)失效準(zhǔn)則。該方法不需要大數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，能夠識(shí)別控制數(shù)據(jù)的最重要候選函數(shù)。此外，作者收集了WWFE-I?的實(shí)驗(yàn)數(shù)據(jù)，以測(cè)試所提出的方法的性能。

文章研究了三個(gè)實(shí)例進(jìn)行論證。第一個(gè)例子展示了框架的功能。采用hashin失效準(zhǔn)則生成測(cè)試數(shù)據(jù)。然后，在數(shù)據(jù)中加入不同程度的噪聲點(diǎn)。實(shí)現(xiàn)了從噪聲數(shù)據(jù)中發(fā)現(xiàn)失效準(zhǔn)則的框架。結(jié)果表明，基于壓縮感知的稀疏回歸方法能夠準(zhǔn)確識(shí)別噪聲數(shù)據(jù)下的失效判據(jù)。第二個(gè)實(shí)例從WWFE-I試驗(yàn)數(shù)據(jù)中發(fā)現(xiàn)失效準(zhǔn)則，結(jié)果表明，稀疏回歸識(shí)別的失效準(zhǔn)則與試驗(yàn)數(shù)據(jù)吻合較好。此外，稀疏回歸識(shí)別失效準(zhǔn)則比hashin失效準(zhǔn)則更能捕捉數(shù)據(jù)的趨勢(shì)。稀疏回歸與深度神經(jīng)網(wǎng)絡(luò)（DNN）的比較表明，在有限的數(shù)據(jù)量下，稀疏回歸優(yōu)于DNN。第三個(gè)示例是使用一種優(yōu)化方法來強(qiáng)制對(duì)發(fā)現(xiàn)的準(zhǔn)則施加約束，以使預(yù)測(cè)數(shù)據(jù)小于實(shí)驗(yàn)數(shù)據(jù)，從而根據(jù)現(xiàn)有數(shù)據(jù)得出保守失效準(zhǔn)則。

稀疏回歸發(fā)現(xiàn)失效準(zhǔn)則示意圖

稀疏回歸與深度神經(jīng)網(wǎng)絡(luò)結(jié)果比較

3

使用表面輪廓和機(jī)器學(xué)習(xí)預(yù)測(cè) CFRP 層壓板內(nèi)部低速?zèng)_擊損傷

該項(xiàng)研究在考慮三個(gè)因素（鋪層堆疊順序、沖頭形狀和沖擊能量）的情況下進(jìn)行了多次低速?zèng)_擊試驗(yàn)，在試樣上造成了目視勉強(qiáng)可見的沖擊損傷（BVID），并進(jìn)行了表面輪廓和內(nèi)部損傷測(cè)量。

隨后，根據(jù)表面輪廓?jiǎng)?chuàng)建了有助于推斷沖擊信息的原始特征數(shù)據(jù)（144個(gè)特征），之后，使用三種機(jī)器學(xué)習(xí)模型（嶺回歸ridge regression、邏輯回歸logistic regression和隨機(jī)森林random forest）預(yù)測(cè)沖擊頭形狀、分層面積和分層長(zhǎng)度。結(jié)果表明，使用壓痕深度和壓痕體積，模型可以正確推斷出約80%的缺陷。所提出的模型能夠從可見沖擊信息中推斷出不可見沖擊信息，而無需進(jìn)行大量檢查。

不同形狀的沖頭

沖擊過程時(shí)間-力曲線

實(shí)測(cè)表面損傷、凹坑等高線圖和C掃描圖像

試驗(yàn)與預(yù)測(cè)分層面積對(duì)比（a）嶺回歸和（b）隨機(jī)森林觀察到的分層面積與預(yù)測(cè)的分層面積，（c）嶺回歸與（d）隨機(jī)森林得出的分層長(zhǎng)度

原始文獻(xiàn)：

[1]Anindya Bhaduri, Ashwini Gupta, Lori Graham-Brady,Stress field prediction in fiber-reinforced composite materials using a deep learning approach,Composites Part B: Engineering,Volume 238,2022,109879,ISSN 1359-8368.

https://doi.org/10.1016/j.compositesb.2022.109879.

(https://www.sciencedirect.com/science/article/pii/S135983682200258X)

[2]Saki Hasebe, Ryo Higuchi, Tomohiro Yokozeki, Shin-ichi Takeda,Internal low-velocity impact damage prediction in CFRP laminates using surface profiles and machine learning, Composites Part B: Engineering,Volume237,?2022,109844, ISSN 1359-8368.

?https://doi.org/10.1016/j.compositesb.2022.109844.

(https://www.sciencedirect.com/science/article/pii/S1359836822002244)

[3]Fei Tao, Xin Liu, Haodong Du, Su Tian, Wenbin Yu,Discover failure criteria of composites from experimental data by sparse regression, Composites Part B: Engineering, Volume 239, 2022, 109947, ISSN 1359-8368.

https://doi.org/10.1016/j.compositesb.2022.109947.

(https://www.sciencedirect.com/science/article/pii/S1359836822003262)

專注于復(fù)合材料力學(xué)領(lǐng)域的知識(shí)創(chuàng)作與分享，國(guó)內(nèi)復(fù)合材料領(lǐng)域頗具影響力的技術(shù)交流平臺(tái)之一，第一時(shí)間更新復(fù)合材料方向前沿技術(shù)，所發(fā)布的前沿資訊、仿真案例、技術(shù)方法、代碼插件助力了無數(shù)學(xué)子專業(yè)素養(yǎng)和專業(yè)技能的提升，深受廣大學(xué)生群體及青年科技工作者喜愛?！熬劢骨把?，引領(lǐng)未來”，復(fù)合材料力學(xué)公眾平臺(tái)期待您的關(guān)注！

歡迎投稿

來這里宣傳您的論文，還有機(jī)會(huì)獲得獎(jiǎng)勵(lì)

?|?原創(chuàng)作品?未經(jīng)允許不得轉(zhuǎn)載?|?

公眾號(hào)首頁(yè)回復(fù)以下數(shù)字可獲取相應(yīng)信息

【01】：歷史文章?【02】：投稿指南?【03】：視頻資料

【04】：材料庫(kù)? ??【05】：技術(shù)培訓(xùn)?【06】：項(xiàng)目合作

【07】：商務(wù)合作?【08】：文章轉(zhuǎn)載?【09】：加入我們

【10】：聯(lián)系我們?【11】：交流群? ??【12】：意見建議

本文使用 文章同步助手 同步