学习潜在硬化 (LLH)：通过领域知识增强材料逆问题中的深度学习
机器学习
2025-04-10 v3 材料科学
计算工程、金融与科学
摘要
深度学习和机器学习的进展提高了对复杂非线性关系的建模能力，例如在复杂材料逆问题中所见。然而，这些方法的有效性往往取决于大数据集，而这些数据集并非总是可用。在本研究中，研究了将材料微结构机械行为的领域特定知识纳入模型中，以评估其在数据稀缺情景下对预测性能的影响。为克服数据限制，提出了两个步骤的框架——学习潜在硬化 (LLH)。在 LLH 的第一步中，采用深度神经网络从随机选取的应力-应变曲线的部分区域重建完整的应力-应变曲线，以基于关键微结构特征捕捉材料的潜在机械响应。在 LLH 的第二步中，利用重建的应力-应变曲线结果来预测孔隙材料的关键微结构特征。比较了六种深度学习和/或机器学习模型在是否纳入领域知识情况下的性能：卷积神经网络、深度神经网络、极端梯度提升、K 近邻、长短期记忆网络和随机森林。结果显示，纳入领域特定信息的模型在 R² 值上 consistently 优于没有先验知识的模型。没有领域知识的模型错失了连接应力-应变行为与微结构变化的关键模式，而具有领域知识的模型更好地识别了预测微结构的关键应力-应变特征。这些发现突显了将领域特定知识与深度学习集成以实现准确结果在材料科学中的重要性。
引用
@article{arxiv.2501.10481,
title = {Learning Latent Hardening (LLH): Enhancing Deep Learning with Domain Knowledge for Material Inverse Problems},
author = {Qinyi Tian and Winston Lindqwister and Manolis Veveakis and Laura E. Dalton},
journal= {arXiv preprint arXiv:2501.10481},
year = {2025}
}