关键词：
复合材料
深度学习
力学性能预测
SEM图像
多模态数据融合
摘要：
传统的新材料研发方式比较依赖科研人员的直觉和经验,需要通过大量的实验进行“试错”,存在着成本高、周期长、效率低的问题。随着人工智能和大数据的发展,计算机技术与材料科学的学科交叉研究受到越来越多的关注。利用数据驱动的人工智能方法从大量的数据中寻找材料组分、工艺、结构与性能之间的关系,对于降低材料研发成本、提高材料的研发效率具有重要意义,已成为材料科学领域研究和创新的热点。本文以高聚物粘结炸药(Polymer Bonded Explosive,PBX)的代用颗粒复合材料为研究对象,利用深度学习方法,构建了其微观结构、材料组分同力学性能之间的映射模型,探索通过SEM图像及材料组分预测其力学性能,降低传统的通过实验和数值模拟仿真方法所耗费的大量时间与资源,加速新材料的研发进程。主要研究内容包括以下三个方面:(1)材料的微观结构直接影响其宏观力学性能,本文研究了基于SEM图像的材料力学性能预测模型。首先,在Res Net18模型基础上,经过裁剪轻量化并融合卷积注意力模块(Convolutional Block Attention Module,CBAM),提出了一种通过材料SEM图像预测其力学性能的注意力残差网络模型(Attention Residual Convolutional Neural Network,ARes CNN)。对比实验结果表明,裁剪轻量化可以极大的降低模型参数量和运算量、提高推理速度;CBAM模块可以显著的提升模型的预测精度。针对ARes CNN只是利用单张SEM图像,而导致对材料微观结构信息挖掘有限的问题,提出了一种SEM图像节点图构建策略,并建立了可以同时利用多张SEM图像信息的图注意力神经网络预测模型(Graph Attention Networks,GAT)。实验结果表明,相较于ARes CNN,GAT取得了更高的预测精度和鲁棒性。(2)材料的力学性能除了与微观结构有关外,也会受到材料组分的影响,本文对材料微观结构、材料组分同其力学性能之间的映射模型构建进行了研究,提出了一种基于多模态数据融合的材料力学性能预测模型。由于反映材料微观结构的SEM图像和材料组分数据属于不同格式的异构数据,所以采用了两个分支网络分别提取两者的高层语义特征,并将其限定在固定维度的语义空间。同时,为进一步提升模型的预测精度,设计了自适应特征融合模块控制不同模态信息对预测结果的影响权重。最终通过包含材料组分信息和微观结构信息的多模态融合特征完成材料力学性能预测。实验结果表明,本文所提的多模态模型的预测精度要显著优于仅利用材料组分信息或材料微观结构信息的单模态预测模型。(3)材料的应力应变曲线可以反映出材料的综合力学性能,然而传统基于唯象假设的应力应变本构关系构建十分困难,针对应力应变曲线具备时序依赖效应的特点,本文提出了一种可进行特征嵌入的门控循环单元(Gated Recurrent Unit,GRU)预测网络,并将其与前两项内容相结合,进行了基于数据驱动的应力应变本构关系建模研究。首先,提出了基于微观结构特征的应力应变曲线预测模型,该模型将从SEM图像中提取的微观结构特征作为GRU预测网络的初始隐状态,进而利用GRU网络预测指定应变下的应力值,获取材料应力应变曲线。考虑到材料组分对力学性能的影响,同时从SEM图像和材料组分信息中提取多模态特征,进一步建立基于多模态融合特征的应力应变曲线预测模型。实验结果表明,使用多模态融合特征可以显著提高模型对应力应变曲线的预测精度。
欢迎来到三峡大学图书馆！
