基于机器学习的碳纳米结构力学性能预测及缺陷作用研究
材料科学
2021-10-26 v2 无序系统与神经网络
介观与纳米尺度物理
数据分析、统计与概率
摘要
碳纤维及基于石墨烯的纳米结构（如碳纳米管（CNTs）和缺陷结构）作为高强度轻质材料具有非凡潜力。一个长期存在的瓶颈是缺乏原子尺度工程的理解与实现，以充分利用模量和拉伸强度的理论极限，而目前常规仅达到其中一小部分。在此，我们基于来自前沿反应力场分子动力学（MD）模拟和机器学习（ML）的超过 1000 条应力-应变曲线训练集，展示了对 CNTs 及任意三维石墨组装体的力学性能的准确快速预测。我们比较了几种 ML 方法，表明我们新提出的带空间信息的分层图神经网络（HS-GNNs）可对任何三维纳米结构的模量和强度做出预测，在较广的值域范围内误差仅 5–10%。该可靠性足以用于实际应用，且相较现成 ML 方法（偏差达 50%）以及早前针对特定化学体系偏差为 20% 的模型有巨大改进。该算法比传统分子动力学模拟的力学性能预测快 10 倍以上，可识别缺陷与随机三维形貌的作用，并对三维结构进行增强力学性能的高通量筛选。该算法可扩展至尺寸达 100 nm 的形貌，可推广至化学类似物，并可训练以预测更广范围的性能。
引用
@article{arxiv.2110.00517,
title = {Prediction of Carbon Nanostructure Mechanical Properties and Role of Defects Using Machine Learning},
author = {Qi Zhao and Jordan J. Winetrout and Yanxun Xu and Yusu Wang and Hendrik Heinz},
journal= {arXiv preprint arXiv:2110.00517},
year = {2021}
}
备注
26 pages, 5 figures, 1 table