一种用于加速颗粒复合材料设计的监督机器学习方法：以热导率应用为例
计算物理
2025-07-25 v3 神经与进化计算
摘要
提出了一种基于监督机器学习（ML）的计算方法，用于设计具有期望热导率（TC）的颗粒多功能复合材料。设计变量为材料微观结构的物理描述符，其将微观结构直接与材料性能相关联。基于 Sobol 序列生成了足够大且均匀采样的数据库。采用高效的密集堆积算法实现微观结构，并利用我们先前开发的快速傅里叶变换（FFT）均匀化方法获得热导率。我们的优化 ML 方法在生成的数据库上训练，建立了结构与性能之间的复杂关系。最后，讨论了所训练 ML 模型在具有期望热导率的一类新型复合材料——液态金属（LM）弹性体——逆向设计中的应用。结果表明，该代理模型在预测微观结构行为方面相对于高保真 FFT 模拟是准确的，且逆向设计在根据案例研究寻找微观结构参数时是稳健的。
引用
@article{arxiv.2010.00041,
title = {A Supervised Machine Learning Approach for Accelerating the Design of Particulate Composites: Application to Thermal Conductivity},
author = {Mohammad Saber Hashemi and Masoud Safdari and Azadeh Sheidaei},
journal= {arXiv preprint arXiv:2010.00041},
year = {2025}
}
备注
24 pages, 6 figures, 3 tables