多孔材料已被廣泛應(yīng)用在消能減振等工程實踐中，其力學(xué)屬性已在多個幾何尺度下得到驗證。常見的多孔材料可由柔性梁或殼作為基本單元，通過對其在空間中的重復(fù)堆疊而形成，故其力學(xué)性能主要取決于基本單元的屈曲變形和單元在空間中的相互作用。

目前現(xiàn)存研究通常僅假設(shè)基本單元在空間分布具備對稱性或周期性，從而可將對其的設(shè)計和表征簡化在基本單元層面。這種簡化非常適用于基礎(chǔ)研究，但是當(dāng)利用此類材料進行器件和結(jié)構(gòu)設(shè)計的時候，需要根據(jù)實際的設(shè)計目標(biāo)，考慮其單元的異構(gòu)、空間中的優(yōu)化分布以及相應(yīng)的破壞機理等。通過對不同單元的非均勻組合，將獲得可調(diào)節(jié)的局部屬性。這大大增加了設(shè)計的靈活性，但同時也給傳統(tǒng)的材料設(shè)計方式帶來了很大挑戰(zhàn)。以往憑經(jīng)驗和直覺來設(shè)計單元形態(tài)尚為可行，但對于如何安排不同單元的排列往往難以勝任。隨著增材制造等快速建造技術(shù)的普及為設(shè)計多屬性和復(fù)雜幾何的結(jié)構(gòu)提供了必要條件，同時促使工程師在設(shè)計中重新審視傳統(tǒng)力學(xué)原理和計算輔助方法。如何利用巧妙的空間設(shè)計使材料層面的耗能屬性用以增強結(jié)構(gòu)層面的韌性是一個具有挑戰(zhàn)性的問題。 美國俄亥俄州立大學(xué)助理教授胡楠（現(xiàn)全職于華南理工）團隊提出了一種基于機器學(xué)習(xí)的框架，能夠快速預(yù)測設(shè)計域內(nèi)任意多孔材料的非線性力學(xué)響應(yīng)曲線，并可根據(jù)所需要的響應(yīng)生成匹配的多孔材料基本單元構(gòu)型。該框架先使用一定數(shù)量的數(shù)據(jù)集訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，再以此預(yù)測設(shè)計域內(nèi)所有可能的多孔材料的響應(yīng)并構(gòu)建數(shù)據(jù)庫，以搜索數(shù)據(jù)庫的方式生成與目標(biāo)響應(yīng)曲線匹配的材料構(gòu)型。如此則可使用更簡潔的神經(jīng)網(wǎng)絡(luò)架構(gòu)和更少的訓(xùn)練時間，實現(xiàn)正向的響應(yīng)預(yù)測與反向的材料設(shè)計。相較于針對個別彈性參數(shù)進行預(yù)測和設(shè)計的已有研究，該研究能夠?qū)?a href="http://www.makelele.cn/tags/耦合/" target="_blank">耦合了多種非線性過程（幾何、材料、接觸）的多孔材料壓縮曲線進行預(yù)測和材料幾何設(shè)計。研究結(jié)果表明，該框架在使用全部可能材料構(gòu)型的20%作為訓(xùn)練數(shù)據(jù)集時，即可滿足多種目標(biāo)響應(yīng)曲線的材料設(shè)計需求。該研究中還從力學(xué)角度探討了造成預(yù)測誤差的可能原因，指出胞元間的復(fù)雜接觸行為可能使得相似的構(gòu)型具有相異的響應(yīng)。該框架在單元層面上提高了多元材料的設(shè)計效率，并為結(jié)構(gòu)層面上結(jié)構(gòu)功能的可編程性設(shè)計開辟了新途徑，為開發(fā)多功能器件和智能結(jié)構(gòu)帶來新的機遇。

該文近期發(fā)表于npj Computational Materials6:40 (2020)，英文標(biāo)題與摘要如下，點擊左下角“閱讀原文”可以自由獲取論文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.