基于深度学习的多孔变形材料逆向设计

本研究的终极目标是利用基于深度学习的生成框架探索多孔变形材料的逆向设计。 具体而言，我们开发了一种属性变差自编码器 (pVAE)，这是一种增强了 regressor 的变差自编码器 (VAE)，用于生成具有可调 hydraulic 属性（如孔隙率和渗透率）的结构变形材料。 虽然本工作使用格子玻尔兹簇法 (LBM) 为有限数量的多孔微结构生成固有渗透率张量数据，但使用自下而上方法训练卷积神经网络 (CNN) 预测有效的水力属性，显著降低了相对于直接 LBM 模拟的计算成本。 pVAE 框架在两个数据集上进行训练：一个来自人工多孔微结构的合成数据集，以及从真实开放单元泡沫的 CT 扫描图像中提取的体元素数据集。 VAE 的编码器-解码器架构捕获关键的微结构特征，将其映射到紧凑且可解释的潜在空间，以实现高效的结构-属性探索。 本文对潜在空间进行详细的分析和解释，展示其在结构-属性映射、插值和逆向设计中的作用。 这种方法促进了具有所需属性的新型变形材料的生成。 本研究使用的数据集和代码将以开放方式提供，以支持进一步的研究。