基于CNN的 composites 力学性能可解释预测

composites是当今最重要的制造材料之一，因其广泛应用于众多领域。为了确定composites在特定应用中的适合性，有限元（FE）建模——一种基于偏微分方程的数值方法——是行业标准，用于评估其力学性能。然而，FE建模在计算层面成本极高，这一局限性导致了致力于应用AI模型以解决此问题的努力。然而，在这些方法中：所选的模型架构是原始的，人工神经网络给出的精度有限；研究仅关注预测弹性力学性能，而不考虑材料强度限制；且模型缺乏透明度，阻碍了用户的可信度。本文表明，配备可解释AI（XAI）方法的卷积神经网络（CNN）可以成功地用于解决此问题。我们的ethods使用我们通过横向拉伸测试在FE建模中生成的数据集训练定制CNN，以预测composites的力学性能，即杨氏模量和屈服强度。我们实证表明，我们的approach实现了高精度，在估计力学性能方面优于基准模型ResNet-34。随后，我们使用SHAP和积分梯度等后置XAI方法解释预测，表明CNN使用影响composites行为的关键几何特征，从而允许工程师通过代表composites科学的方式验证模型是可信的。