机器学习助力异构多孔材料的快速设计与表征

多孔材料已被广泛应用在消能减振等工程实践中，其力学属性已在多个几何尺度下得到验证。常见的多孔材料可由柔性梁或壳作为基本单元，通过对其在空间中的重复堆叠而形成，故其力学性能主要取决于基本单元的屈曲变形和单元在空间中的相互作用。

目前现存研究通常仅假设基本单元在空间分布具备对称性或周期性，从而可将对其的设计和表征简化在基本单元层面。这种简化非常适用于基础研究，但是当利用此类材料进行器件和结构设计的时候，需要根据实际的设计目标，考虑其单元的异构、空间中的优化分布以及相应的破坏机理等。通过对不同单元的非均匀组合，将获得可调节的局部属性。这大大增加了设计的灵活性，但同时也给传统的材料设计方式带来了很大挑战。以往凭经验和直觉来设计单元形态尚为可行，但对于如何安排不同单元的排列往往难以胜任。随着增材制造等快速建造技术的普及为设计多属性和复杂几何的结构提供了必要条件，同时促使工程师在设计中重新审视传统力学原理和计算辅助方法。如何利用巧妙的空间设计使材料层面的耗能属性用以增强结构层面的韧性是一个具有挑战性的问题。   美国俄亥俄州立大学助理教授胡楠（现全职于华南理工）团队提出了一种基于机器学习的框架，能够快速预测设计域内任意多孔材料的非线性力学响应曲线，并可根据所需要的响应生成匹配的多孔材料基本单元构型。该框架先使用一定数量的数据集训练深度神经网络，再以此预测设计域内所有可能的多孔材料的响应并构建数据库，以搜索数据库的方式生成与目标响应曲线匹配的材料构型。如此则可使用更简洁的神经网络架构和更少的训练时间，实现正向的响应预测与反向的材料设计。相较于针对个别弹性参数进行预测和设计的已有研究，该研究能够对耦合了多种非线性过程（几何、材料、接触）的多孔材料压缩曲线进行预测和材料几何设计。研究结果表明，该框架在使用全部可能材料构型的20%作为训练数据集时，即可满足多种目标响应曲线的材料设计需求。该研究中还从力学角度探讨了造成预测误差的可能原因，指出胞元间的复杂接触行为可能使得相似的构型具有相异的响应。该框架在单元层面上提高了多元材料的设计效率，并为结构层面上结构功能的可编程性设计开辟了新途径，为开发多功能器件和智能结构带来新的机遇。  

该文近期发表于npj Computational Materials 6: 40 (2020)，英文标题与摘要如下，点击左下角“阅读原文”可以自由获取论文PDF。

Accelerated design and characterization of non-uniform cellular materials via a machine-learning based framework   Chunping Ma, Zhiwei Zhang, Benjamin Luce, Simon Pusateri, BinglinXie, Mohammad H. Rafiei & Nan Hu   Cellular materials, widely found in engineered and nature systems, are highly dependent on their geometric arrangement. A non-uniform arrangement could lead to a significant variation of mechanical properties while bringing challenges in material design. Here, this proof-of-concept study demonstrates a machine-learning based framework with the capability of accelerated characterization and pattern generation. Results showed that the proposed framework is capable of predicting the mechanical response curve of any given geometric pattern within the design domain under appropriate neural network architecture and parameters. Additionally, the framework is capable of generating matching geometric patterns for a targeted response through a databank constructed from our machine learning model. The accuracy of the predictions was verified with finite element simulations and the sources of errors were identified. Overall, our machine-learning based framework can boost the design efficiency of cellular materials at unit level, and open new avenues for the programmability of function at system level.