[发明专利]基于神经网络模型和数值模拟的点阵材料参数优化方法

说明书

本发明涉及一种基于神经网络模型和数值模拟的点阵材料参数优化方法，属于点阵材料结构设计技术领域。所述方法包括：利用随机算法得到点阵材料在特定点阵模式下的多组结构参数，并对结构参数进行三维建模；利用数值模拟方法获得所关注的点阵材料的性能数据；基于神经网络模型搭建预测模型，并对预测模型进行训练；使用参数优化算法，计算出能够使训练好的预测模型输出最优性能的一组或若干组参数。本发明中基于神经网络模型所建立的预测模型，不仅可通过设定期望性能，得到最优的材料结构参数，实现对点阵材料结构参数的优化，获取性能最优的点阵材料结构；还可对点阵材料参数的性能进行预测，大量减少样品制备、试验与模拟的工作量。

技术领域

本发明涉及机器学习技术在材料科学领域中的应用，具体地涉及一种基于神经网络模型和数值模拟的点阵材料参数优化方法，属于点阵材料结构设计技术领域。

背景技术

点阵材料是由周期性结点和结点间连接杆构成的材料，因其轻量化，高强度的优点被广泛应用于航空航天器设计、土木工程结构设计等领域中。点阵材料的力学特性不仅仅取决于基体材料特性，还在很大程度上取决于被选用点阵材料的点阵类型、连接杆间夹角和连接杆直径等材料参数。

在传统的点阵材料结构设计中，研究者需要利用实验手段与理论计算相结合的方法，依次比较采用各种参数的点阵材料性能的优劣。这种研究范式耗时较长，无法在短时间内找到最优的点阵材料设计方案，且实验手段成本较高。受益于数值模拟技术的发展，研究者可以使用有限元分析等方法对点阵材料的变形过程进行仿真，减少了实验成本。然而，在进行数值模拟之前，仍需人为设定材料的参数，参数的设置依赖于已有研究经验。此外，为了得到特定点阵材料的力学性能，数值模拟方法需要对材料的整个变形过程进行计算，在实际应用中对硬件设备要求较高。

在机器学习领域中，许多被广泛使用的回归模型都具有强大的预测能力，在数据量充足的前提下，能够在各种工业场景中实现高精度的预测。在材料科学领域内，机器学习技术在材料性能预测方面也已经被大量使用，但目前还未有研究者利用机器学习技术实现对点阵材料参数的优化。

发明内容

有鉴于此，本发明提供一种基于神经网络模型和数值模拟的点阵材料参数优化方法，该方法能够实现对点阵材料结构参数的优化设计，获取材料性能最优的点阵材料。

本发明的目的是通过以下技术方案实现的。

基于神经网络模型和数值模拟的点阵材料参数优化方法，所述方法包括以下步骤：

S01：选取一种点阵模式，并使用随机算法得到一种类型点阵材料可能的多组结构参数，对各组结构参数进行点阵材料的三维建模，获得多个该类型点阵材料在一个周期内的三维模型；其中，一个周期是指在一种类型点阵材料的点阵模式下，通过周期性排列能构成整个点阵材料的最小结构单元；

S02：利用数值模拟方法，计算每个点阵材料的三维模型在特定载荷下的变形过程，记录所关注的点阵材料的性能数据，并将所获得的性能数据作为点阵材料性能指标，所获得的性能数据以及与其对应的结构参数组成点阵材料数据集；

S03：基于神经网络模型搭建预测模型，以点阵材料结构参数作为输入，并将步骤S02利用数值模拟方法计算出的点阵材料性能数据作为预测目标；将步骤S02中的点阵材料数据集按所需比例划分成训练集和测试集，利用训练集数据训练预测模型，并完成对预测模型结构参数的调优，利用测试集数据进行测试时使预测模型误差小于20％；

S04：使用参数优化算法，计算出能够使训练好的预测模型输出最优性能的一组或若干组参数。

进一步地，步骤S01中所述的点阵模式优选四面体结构模式，此时点阵材料的结构参数包括：

结点坐标x⁽¹⁾，x⁽¹⁾∈R³ⁿ，n为点阵材料在特定点阵模式中的结点数量，对于四面体结构模式，n＝4；