山东省陶瓷协会
淄博市陶瓷琉璃产业链推进办公室
淄博市传统产业发展中心
山东领瓷展览有限公司
机器学习在合金设计中的应用正深刻变革传统材料研发模式。长期以来，合金开发主要依赖"试错法"，面临研发周期长（10-20年）、成本高（单次实验达数万美元）等瓶颈，尽管第一性原理计算提供了理论支持，但其计算复杂度随原子数指数级增长，难以处理多组分体系。这一困境随着材料数据革命的到来得到破解：Materials Project等开源数据库已收录超过15万种材料计算数据，结合高通量技术（如组合材料芯片可单次生成10^4-10^5个成分样本），为机器学习提供了坚实基础。通过随机森林、图神经网络（如MEGNet在带隙预测中达90%+准确率）等算法，研究者能高效建模成分-工艺-性能关系，贝叶斯优化等主动学习方法更可将实验迭代减少70-80%。典型案例包括清华团队用SVM筛选高熵合金固溶体条件（准确率>92%）、日立公司通过深度强化学习发现超耐蚀新成分。当前前沿已发展到生成式设计（如MatGAN预测新型超导体）和全自动机器人实验室（如伯克利A-Lab日均完成100次实验），但小数据困境、模型可解释性等挑战仍存。在国家战略推动下，该领域正以每年200%+的论文增速发展，预计到2030年，机器学习将覆盖50%以上的新材料研发流程，特斯拉等企业已开始部署工业级应用，标志着材料研发正式进入智能时代。
在人工智能时代下，AI for science以及成为科学研究的主要趋势，基于机器学习的合金设计正在重塑合金设计的研究范式。基于机器学习的合金设计通过数据驱动颠覆传统试错模式，显著加速新材料研发进程，较传统方法大大缩短了研发周期。本次培训由来自海外QS80高校专家主讲，主讲教师在基于机器学习的合金成分设计、合金性能预测等领域有这丰富的研究经验。
机器学习在合金设计领域的应用及其发展现状 1 基础导论： 课程目标、合金设计痛点与ML解决路径 领域发展史：从经验设计→CALPHAD→ML的范式演变 核心应用场景：成分优化/相预测/性能映射/逆向设计案例 2 数据基石 数据来源：Materials Project/ICSD/OQMD数据库实战检索 特征工程：原子半径/电负性/价电子数等描述符构建 数据清洗：缺失值处理/异常值检测/标准化演示 3.算法全景 监督学习：回归vs 分类任务在合金中的典型模型 无监督学习：聚类分析发现合金家族（PCA+t-SNE可视化） 强化学习：动态成分优化框架概念解析 4挑战与前沿 数据瓶颈：小样本学习/迁移学习解决方案 可解释性：SHAP值分析高熵合金性能主导因素 趋势讨论：生成式模型/多尺度建模最新论文解读 基于机器学习合金的成分-性能模型实战 上午：介绍各种合金系元素配比及其服役性能（力学性能、化学性能等），利用机器学习预测、解释合金成分与性能间的关系。 利用机器学习模型研究合金成分与力学性能、化学性能等之间的关系，预测与解释不同合金成分配比下的服役性能，以及不同合金成分对服役性能的影响。 下午：课程案例实战 利用机器学习模型预测不同合金成分下的服役性能 1.建立数据库的方法 2.利用不同的机器学习模型，建立合金成分与服役性能之间关系，预测不同合金成分配比下的服役性能（代码讲解与运行） 大节 小节 内容详情 2.1 建模基础 2.1.1 问题定义 成分→性能预测任务拆解 2.1.2 特征构造 Magpie库自动生成元素特征 + 交互项衍生 2.1.3 基线模型 多元线性回归与决策树快速验证 2.2 进阶模型 2.2.1 集成方法 随机森林优化关键超参数 2.2.2 支持向量机 核函数选择与网格搜索（RBF vs Poly） 2.2.3 神经网络 3层MLP实现与Dropout防过拟合 2.3 模型评估 2.3.1 验证策略 2.3.2 评价指标 MAE/RMSE/R² 针对连续变量解读 2.3.3 误差分析 残差图定位系统性偏差样本 2.4 优化部署 2.4.1 超参调优 Bayesian Optimization库自动搜索 2.4.2 特征选择 RFECV递归特征消除实战 2.4.3 轻量化部署 Flask封装模型为API调用演示 基于机器学习合金的微观组织-力学性能预测实战 上午：介绍不同合金系的结构特点，包括微观结构，介观结构与宏观结构，利用机器学习研究多尺度结构与力学性能之间的关系。 下午：课程案例实战 利用机器学习研究合金微观组织结构与力学性能的关系 1.微观组织图片特征提取与筛选，建立数据库 2.利用不同的机器学习模型，建立微观组织与力学性能之间关系，预测不同合金组织下的服役性能（代码讲解与运行） 案例：GBDT预测高温合金γ'相尺寸对强度影响实战 大节 小节 内容详情 3.1 数据表征 3.1.1 图像获取 SEM/EBSD/TEM数据格式与预处理 3.1.2 特征提取 晶粒尺寸/相比例/取向差统计方法 3.1.3 图神经网络 晶界网络拓扑结构表征（PyG初步） 3.2 传统方法 3.2.1 物理模型 3.2.2 经典ML SVM预测屈服强度 3.2.3 特征融合 成分+组织特征联合输入提升精度 3.3 深度学习 3.3.1 CNN架构 U-Net分割多相组织（PyTorch实现） 3.3.2 迁移学习 ResNet微调预测疲劳寿命 3.3.3 多任务学习 同步预测强度/延伸率 基于机器学习利用成分进行合金相场预测实战 上午：介绍常见的生成式AI：VAE, GAN以及他们的衍生模型的基本原理，介绍生成式AI在合金设计中的应用，如生成微观组织，对组织进行分类与识别等。 下午：课程实践与案例分析 利用GAN来生成微观组织结构图片 利用GAN学习工艺参数、合金成分与微观组织之间的关系 1.代码讲解 2.利用GAN生成熔池图片 3.生成图片质量评估 案例：基于GAN的指定成分生成高熵合金显微组织 大节 小节 内容详情 4.1 相场基础 4.1.1 物理原理 Cahn-Hilliard方程与自由能泛函 4.1.2 数值模拟 FiPy库相场模拟演示（沉淀相粗化） 4.1.3 计算瓶颈 传统模拟耗时问题引入ML加速需求 4.2 替代模型 4.2.1 数据生成 参数化扫描构建相场数据集 4.2.2 LSTM预测 时间序列预测相演化路径 4.3 前沿方法 4.3.1 生成对抗网络 GAN生成微观组织演化序列 4.3.2 图卷积网络 预测多晶体系晶界迁移 4.3.3 主动学习 自适应采样减少模拟次数 第五天：基于机器学习的合金微观组织解析实战 上午：介绍利用机器学习来自动化或增强对材料微观组织图像（如金相、扫描电镜、透射电镜等）的分析和理解过程。 下午：项目实践利用机器学习模型对微观组织进行识别 案例：基于CNN的高温合金相分割 大节 小节 内容详情 5.1 图像解析 5.1.1 分割进阶 Mask R-CNN实例分割析出相 5.1.2 3D重构 层扫序列重建三维组织（Tomopy库） 5.2 生成设计 5.2.1 VAE基础 变分自编码器压缩组织特征空间 5.2.2 cGAN应用 条件生成目标显微组织（指定晶粒尺寸） 5.3 逆向优化 5.3.1 贝叶斯优化 搜索最佳工艺参数实现目标组织 5.3.2 强化学习 主讲老师为海外顶尖高校工程博士和机械工程硕士，专注于机器学习在合金设计方面的力学性能、以及相场等预测研究，熟悉微观组织结构表征、有限元模拟与机器学习等工具。具有丰富的编程经验，在材料学顶级期刊发表多篇高影响因子论文以及授权专利多项，受邀为多个材料学一区期刊的审稿人。授课方式注重理论与实践相结合，授课风格深入浅出。 1.1 机器学习概述 1.1.1 常见机器学习方法 人工神经网络(ANN) 支持向量回归(SVR) 随机森林(RF) 高斯过程回归(GPR) 1.1.2 工程材料科学应用前景 材料性能预测典型场景 跨尺度建模中的算法选择 1.2 神经网络核心技术 1.2.1 基础架构解析 神经元数学模型与激活函数对比 前馈网络信息传递机制 1.2.2 典型模型分类 全连接网络(ANN)的局限性 卷积网络(CNN)空间特征提取 递归网络(RNN)时序数据处理 1.3 疲劳断裂分析智能化 1.3.1 关键影响因素体系 应力幅值/平均应力效应 表面状态/环境介质作用 1.3.2 寿命预测模型演进 物理驱动模型：Paris定律扩展 数据驱动模型：裂纹扩展速率预测 1.4 718合金疲劳预测实战 1.4.1 数据工程构建 多源实验数据融合方法 特征工程与标准化处理 1.4.2 模型训练与验证 ANN/SVR/GPR/RF并行实现 交叉验证与超参数优化 机器学习驱动的疲劳裂纹多尺度分析与寿命预测 2.1裂纹多尺度分析技术 2.1.1跨尺度关联方法 微观位错演化至宏观裂纹扩展的跨尺度建模 晶界效应与裂纹偏转的机器学习表征 2.1.2损伤力学基础 裂纹萌生与短裂纹扩展的损伤阈值判定 2.2智能寿命预测前沿技术 2.2.1超声-Bayes融合方法 超声信号特征提取与损伤指标构建 贝叶斯概率框架下的实时寿命更新策略 2.2.2多尺度数据驱动框架 晶体塑性模型与ANN模型 微结构-寿命关联的贝叶斯网络架构 2.3奥氏体不锈钢低周疲劳实战 2.3.1数据工程体系 多源异构数据融合 材料特征编码 2.3.2混合机器学习建模 CART决策树的关键特征筛选逻辑 XGBoost-ANN集成模型架构 2.3.3 工业验证方案 特征重要性排序的可视化呈现 预测误差的微观机理溯源 机器学习赋能的金属断裂表面智能分析 3.1 金属断裂理论体系 3.1.1 断裂力学基础框架 线弹性/弹塑性断裂力学理论边界 应力强度因子K与J应用场景 3.1.2 裂纹扩展准则 Paris定律的疲劳裂纹扩展模型 基于能量法的R曲线评估体系 3.1.3 损伤演化理论 细观损伤力学的裂纹萌生阈值 孔洞聚合模型的数值实现路径 3.2. 智能分析技术前沿 3.2.1 机器学习模型架构 物理信息神经网络(PINN)的断裂准则嵌入 图神经网络(GNN)的晶界裂纹预测 3.2.2 混合建模策略 有限元-深度学习耦合仿真流程 多尺度损伤演化的迁移学习框架 3.3 断裂表面定量分析实战 3.3.1 断裂形貌智能分类 CNN特征提取网络设计 沿晶/准解理/韧窝的微结构特征库构建 3.3.2 力学性能预测 断裂韧性的回归预测模型 断面收缩率的贝叶斯优化方法 3.3.3 工业验证方案 预测结果的可视化误差分析 腐蚀疲劳与复合材料寿命预测 4.1 腐蚀疲劳机理与智能识别 4.1.1 腐蚀-疲劳耦合机制 电化学腐蚀加速裂纹萌生的相场模拟 应力腐蚀开裂(SCC)的跨尺度表征 4.1.2 焊件缺陷智能检测 基于ResNet50的腐蚀疲劳裂纹分类 声发射信号与X射线数据的多模态融合 4.2 复合材料损伤理论 4.2.1 微观损伤演化 纤维断裂/基体开裂/界面脱层的竞争机制 损伤热力学与熵产率关联模型 42.2 多尺度分析方法 跨尺度损伤传递的图神经网络构建 4.3 智能预测系统 4.3.1 物理引导的深度学习框架 裂纹扩展路径预测的机器学习架构 本构约束的损失函数设计 4.3.2 多模态数据工程 μCT扫描数据的语义分割处理 极端环境下的金属疲劳智能预测体系 5.1 极端工况损伤机理 5.1.1 高温疲劳-蠕变耦合效应 位错攀移主导的蠕变损伤演化 氧化加速裂纹扩展的跨尺度模型 5.1.2 物理信息神经网络架构 蠕变-疲劳交互作用的损失函数设计 5.2 数据增强工程 5.2.1 小样本扩充技术 基于Wasserstein GAN的微观结构生成 高斯混合模型的工况参数插值 5.2.2 多尺度数据融合 晶界滑移特征的最近邻插值优化 5.3 多尺度模拟前沿 5.3.1 损伤分析方法革新 相场-晶体塑性耦合模型 5.3.2 工业验证案例 镍基合金的蠕变疲劳预测 误差补偿的迁移学习策略 主讲老师拥有海外顶尖高校机械工程博士学位和材料工程与应用数据科学双硕士学位，专注于机器学习在先进制造技术尤其是金属增材制造中的应用研究，熟悉增材制造实验，微观组织结构表征，计算机仿真模拟与机器学习技术，具有丰富的编程经验，并在计算材料学等顶级期刊发表多篇高影响力论文并获得国际专利授权，是多个材料学一区期刊的审稿人，授课方式注重实践，并能将复杂的理论知识和计算方法讲解得清晰易懂，至今已指导过10+本科生和硕士生的关于人工智能在增材制造方面应用的毕业课题。 AI模型与增材制造应用基础 1.1增材制造工艺体系与关键挑战 粉末床熔融技术：SLS（非金属）、SLM/EBM（金属）的激光/电子束-粉末相互作用机制 定向能量沉积技术：LENS工艺的熔池动力学特性 熔融沉积成型技术：FDM金属丝材的挤出-重熔行为 1.1.1增材制造过程稳定性挑战 熔池不稳定性（飞溅、球化） 层间热应力导致的变形与开裂 粉末铺展均匀性与惰性气体流场扰动 1.1.2缺陷控制维度 孔隙率与未熔合缺陷的形貌特征 微观组织各向异性对力学性能的影响 后处理（热等静压、热处理）对缺陷的修复机制 1.2 AI模型架构与增材制造适配性 1.2.1 机器学习基础框架 监督学习（工艺参数-质量指标映射） 无监督学习（缺陷模式聚类分析） 强化学习（动态工艺参数调整） 1.2.2 深度学习专项模型 CNN用于熔池图像特征提取 LSTM处理时序热历史数据 GAN生成合成训练数据以弥补实验不足 1.3 工艺参数-缺陷关系的智能解析 1.3.1 多算法密度预测对比实验 输入参数：激光功率/扫描速度/层厚/预热温度 算法池：支持向量机SVR，决策树DT，随机森林RF,高斯过程回归GPR，K-Nearest neighbors, KNN, 梯度下降Stochastic gradient descent, 多层感知器multi-layer perceptron, XGBOOST，人工神经网络ANN来研究选择性激光融化工艺制造的工艺参数与相对密度的关系，目的通过优化工艺参数提高零件的致密度。 验证指标：R²分数、MAE、交叉验证稳定性 1.3.2 跨工艺迁移学习框架 小样本条件下基于TL的模型泛化能力提升 域适应算法解决设备差异性难题 1.4 课程案例实战：机器学习驱动的Ti-6Al-4V合金SLM工艺优化 目标：通过经典机器学习算法预测激光功率(P)、扫描速度(v)、 hatch间距(h)对相对密度(ρ)的影响 1.4.1 环境配置与数据工程 1.4.2 工具链部署 Python 3.8+环境配置（Anaconda推荐） PyCharm工程结构： 关键库安装： 1.4.3 数据预处理流程 数据获取：从GitHub导入作者发布的SLM工艺数据集（含大约300组Ti-6Al-4V实验数据） 异常值处理： 特征工程： 1.4.4机器学习建模核心环节 1.4.5算法对比实验设计 1.4.6 结果可视化与工艺优化 1.4.7 评价指标体系 1.4.8 局限性讨论 材料批次差异的影响 多目标优化需求（密度 vs 残余应力） 可解释机器学习驱动的增材制造合金结构-性能解码 2.1 增材制造合金多尺度结构特征库 2.1.1 微观结构指纹 晶粒（长径比/取向）的EBSD量化方法 气孔/未熔合缺陷的CT扫描三维重构 2.1.2 介观结构网络 晶界网络连通性分析 相分布拓扑参数（α/β相占比、片层间距） 2.1.3 宏观结构特征 沉积层带取向与力学各向异性 表面粗糙度-力学性能关联性 2.2 可解释机器学习框架 2.2.1 算法选型与物理适配 2.2.2 可解释性评估与验证 2.3 物理场耦合策略 热-力耦合场数据作为输入特征（温度梯度/冷却速率） 晶体塑性有限元结果作为先验知识约束损失函数 2.4课程案例实战：微观组织-力学性能的智能关联分析 目标：通过机器学习建立Ti-6Al-4V的α相片层厚度→拉伸强度的定量关系 2.4.1 微观组织特征工程 2.4.2高精度图像数据库构建 数据来源： 2.4.3特征筛选策略 物理驱动筛选：基于Hall-Petch公式保留晶粒尺寸相关特征 数据驱动筛选：通过XGBoost特征重要性排序 2.4.4 机器学习建模核心 2.4.5 多算法对比实验 2.4.6 关键代码逻辑 2.4.7 可解释性分析 机器学习在增材制造过程监控与应用 3.1增材制造过程传感信号特征库 3.1.1 信号模态物理特性 • 声发射信号：裂纹/未熔合的特征频段（100-300kHz） • 熔池光学信号：等离子体辐射强度与孔隙率关联 • 红外热成像：层间温度梯度与残余应力映射 3.1.2多传感器数据融合框架 • 时频域特征提取（小波变换/短时傅里叶变换） • 跨模态特征对齐方法（动态时间规整算法） 3.2 异构数据分类算法 • 针对高频声学信号：1D-CNN时序特征提取架构 • 多光谱光学信号：注意力机制增强的ResNet网络 3.3 课程案例实战：激光粉末床熔融过程缺陷溯源 目标：建立声学-光学信号特征→缺陷类型（气孔/球化/裂纹）的分类模型 3.3.1 数据预处理 • 声学信号处理： • 光学信号处理： 3.3.2 模型可解释性分析 • SHAP值分析 • 物理机理验证 3.3.3 系统集成演示 生成式AI驱动的增材制造工艺数字孪生 4.1生成式AI模型架构解析 4.1.1核心模型对比 • VAE：潜在空间连续性与工艺参数插值优势 GAN：熔池形貌高保真生成能力（WGAN-GP解决模式崩溃） • 衍生模型 CycleGAN用于跨工艺参数域迁移（激光功率→扫描速度映射） StyleGAN2实现多尺度微观组织生成（α/β相分层控制） 4.2 增材制造专用模型设计 • 物理约束的损失函数设计： 热传导方程约束熔池长宽比生成 晶体取向统计匹配EBSD实测数据 多模态输入架构 工艺参数（功率/速度/层厚）作为Conditional GAN的输入条件 4.3熔池动力学数字孪生 • 基于pix2pixHD的工艺参数→熔池形貌端到端预测 • 时序生成模型（LSTM-GAN）预测层间热累积效应 4.4 微观组织逆向设计 • VAE潜在空间探索：力学性能→最优晶格结构反向推导6 • 对抗性生成网络实现气孔缺陷的对抗性修复 4.5课程案例实战：Ti-6Al-4V激光熔池生成系统 目标：构建工艺参数（P, v）→熔池形貌的WGAN-GP生成模型 4.5.1 数据工程 • 仿真数据构建 4.5.2 模型开发核心 • 关键代码模块 •训练策略 4.5.3 生成质量评估体系 • 定量指标： - FID分数：生成与仿真熔池的特征距离评估4 - 几何吻合度：熔池轮廓Hausdorff距离计算 • 物理验证： - 生成熔池的热历史曲线与CFD仿真结果对比 多模态传感驱动的增材制造实时质量监控系统 5.1混合模型架构创新 5.1.1 时空特征融合架构 • CNN-LSTM-Attention三阶段处理流： oCNN分支：处理X射线断层扫描(XCT)图像（空间特征提取） oLSTM分支：分析声发射信号时序特征（裂纹扩展动力学建模） oAttention机制：动态加权多传感器特征重要性 • 物理约束设计： o热-声耦合损失函数（熔池振荡频率与声发射频谱匹配） 5.2 工业级缺陷分类系统 5.2.1 多尺度缺陷检测框架： o宏观缺陷（气孔/未熔合）：XCT+光学信号融合分类 o微观缺陷（微裂纹/析出相）：EBSD+声发射信号协同分析 • 实时性优化： o模型量化（FP16精度）实现<50ms单帧处理延迟 5.2.2跨模态数据融合技术 • 时间戳同步：X射线脉冲与声发射信号的相位锁定 • 空间配准：光学图像与XCT体数据的3D仿射变换 5.3 特征工程创新 5.3.1 声发射信号处理： o改进MFCC特征提取（增加熔池振荡频段权重） o包络分析检测微裂纹萌发事件 5.3.2数据管道构建 • 多源数据采集： - 同步触发协议设计（X射线脉冲与声发射采集时钟同步） - 数据增强：工艺参数扰动下的缺陷模拟（功率±15%随机波动） • 特征标准化： - XCT灰度值归一化（Hounsfield单位转换） - 声发射信号小波降噪（Symlets基函数优化） 5.4核心模型实现与训练技巧 5.4.1混合模型架构： 5.4.2训练优化 - 渐进式训练策略：先独立训练单模态分支，再联合微调 - 对抗样本增强：FGSM攻击模拟传感器噪声 5.5工业验证体系 • 定量指标： - 缺陷分类F1-score：XCT模态(0.92) vs 多模态融合(0.97) - 实时性测试：平均延迟43ms（满足产线节拍要求） • 物理验证： - XCT断层扫描与金相切片的空间误差<25μm - 声发射事件定位精度达±2mm 主讲老师拥有海外顶尖高校机械工程博士学位和材料工程与应用数据科学双硕士学位，专注于机器学习在先进制造技术尤其是金属增材制造中的应用研究，熟悉增材制造实验，微观组织结构表征，计算机仿真模拟与机器学习技术，具有丰富的编程经验，并在计算材料学等顶级期刊发表多篇高影响力论文并获得国际专利授权，是多个材料学一区期刊的审稿人，授课方式注重实践，并能将复杂的理论知识和计算方法讲解得清晰易懂，至今已指导过10+本科生和硕士生的关于人工智能在增材制造方面应用的毕业课题。 图 复合材料性能预测神经网络架构图 主讲老师来自国内985高校！主要研究方向为纤维增强复合材料、金属-复合材料混合材料界面性能、多尺度多置信度预测模型、结构可靠性分析等！熟练使用 ABAQUS 静力分析、动态分析、裂纹扩展分析和多尺度界面分析、Fortran二次开发等，已发表数篇深度学习与有限元仿真顶刊！有丰富的算法与有限元仿真结合经验！ 深度学习算法理论与实践 1-Python安装与环境配置方法 2-张量（Tensor）的创建和常用方法 3-Python实现基本优化思想与最小二乘法 4-基于Pytorch的深度学习入门 5-单层神经网络 6-深层神经网络 7-神经网络的损失函数 8-基于Pythorch的神经网络构建 基于多尺度仿真与人工神经网络的复合材料实战应用 1. 多尺度技术背景及概念 1.1 多尺度技术发展 1.2 多尺度技术种类 1.3 多尺度技术实施方法 2. ABAQUS与Python二次开发 2.1 ABAQUS脚本概述 2.2ABAQUS二次开发的基础框架 2.3Python脚本接口 2.4CAE环境开发与用户子程序开发 2.5 Python语言介绍 2.6ABAQUS脚本编写 2.7 含骨料/纤维RVE模型二次开发 3. 人工神经网络驱动的多尺度FE2方法 3.1 协同多尺度FE2方法技术详解 3.2 基于UMAT的ABAQUS协同多尺度方法概述 3.3 基于UMAT的ABAQUS协同多尺度仿真实施 3.4 ANN网络架构介绍 3.5 基于ANN的高保真FE2驱动的先进FE2方法的具体框架 4.基于深度学习的金属材料力学性能预测与结构-性能关系建模实战应用 4.1. 卷积神经网络与材料性能预测 4.2CNN基本原理与材料科学应用系统介绍卷积神经网络的核心概念和基础理论 4.3 微观结构图像的CNN特征提取详细讲解如何设计适合材料微观结构特性的CNN模型 4.4基于CNN的多相材料力学性能预测系统介绍基于CNN的力学性能预测方法 5. 深度神经网络模型优化与实现 5.1 多管道Siamese网络结构设计详细介绍Siamese网络结构在材料科学中的应用 5.2 损失函数设计与训练策略深入探讨适合材料性能预测的损失函数设计 5.3基于TensorFlow的多相金属材料强度预测实现通过完整的TensorFlow代码示例， 5.4CPFE-DNN集成预测增材制造不锈钢性能详细介绍CPFE-DNN集成方法在增材制造不锈钢性能预测中的应用 基于无应力数据的深度学习超弹性材料实战应用 1. 超弹性材料力学行为分析 1.1 Hyperelastic材料力学行为 1.2 Hyperelastic材料仿真分析（案例） 2. 输入凸神经网络（ICNN） 2.1 ICNN技术介绍 2.2 ICNN技术具体实施及讲解（案例） 3. 无监督深度学习超弹性本构定律 3.1 问题设定 3.2 从逐点数据近似位移场 3.3 基于神经网络的本构模型 3.4 无监督学习的本构模型 4. 数值基准 4.1 数据生成 4.2 数据模型精度、泛化和FEM部署 基于物理约束人工神经网络架构实现材料本构的重构实战应用 1. 物理约束相关理论 1.1 变形映射 1.2 变形梯度 1.3 Cauchy-Green变形张量 2. 神经网络中物理信息概述 2.1 物理合理性限制 3. 物理约束在神经网络模型中的应用与实现 3.1 纯数据驱动的神经网络模型构建（案例） 3.2 能量驱动的神经网络模型构建（案例） 3.3 基于PDE的神经网络模型构建（案例） 4. 基于物理信息的神经网络架构与仿真技术融合 4.1 UANISOHYPER_INV人工神经网络本构子程序 4.2 基于物理信息的人工神经网络与仿真技术融合 4.3神经网络模型与传统数值模拟方法的融合策略 5.基于卷积神经网络的金属缺陷检测系统设计与实现实战应用 5.1经典CNN模型解析 5.2深度CNN设计与优化 5.3基于分类的缺陷检测方法 5.4基于分割的缺陷定位技术 5.5Bagging、Boosting、Stacking等集成方法在缺陷检测中的应用 基于递归神经网络的两相高温合金多尺度损伤建模实战应用 1. 基于均质化的多尺度建模 1.1相场的两相合金生成策略 1.2Abaqus的均匀化计算方法 2. 耦合损伤的晶体塑性有限元建模 2.1晶体塑性有限元基本理论与框架，有限元UMAT实施策略，切线系数法隐式应力积分，滑移系损伤建模。 3. 时序多尺度模拟与数据集构建 3.1批量多尺度有限元仿真技巧 3.2建立神经网络可识别的本构行为数据集 3.3对比FCNN，RNN，LSTM等网络方法在循环塑性行为建模中的优劣。 4智晶体塑性本构建模 4.1在本构建模中物理信息的融合机制与方法 4.2晶体塑性滑移变形的网络架构设计。 5.微观组织张量化描述及其智能重要性评估 5.1两相材料微结构张量化描述方法 5.2，通过人工智能识别关键的微结构参量。 6.多轴载荷下的模型表现研究 6.1多轴载荷下对不同形态两相微结构的力学行为预测研究， 6.2多轴载荷下的合金损伤机制
