[论文解读] Computational Discovery of Microstructured Composites with Optimal Stiffness-Toughness Trade-Offs

Beichen Li, Bolei Deng+6 more|arXiv (Cornell University)|Feb 1, 2023

Machine Learning in Materials ScienceMaterials Science被引用 3

一句话总结

本文提出了一种数据高效、无需专家知识的流程，整合了物理实验、FEM模拟和基于CNN的预测，以发现具有最优刚度-韧性权衡的微结构复合材料。通过采用嵌套循环的提案-验证工作流，该方法弥合了仿真与现实之间的差距，并识别出在高刚度和高韧性方面表现优异的Pareto最优设计，同时通过分析微结构族自动揭示了既有的增韧机制。

ABSTRACT

The conflict between stiffness and toughness is a fundamental problem in engineering materials design. However, the systematic discovery of microstructured composites with optimal stiffness-toughness trade-offs has never been demonstrated, hindered by the discrepancies between simulation and reality and the lack of data-efficient exploration of the entire Pareto front. We introduce a generalizable pipeline that integrates physical experiments, numerical simulations, and artificial neural networks to address both challenges. Without any prescribed expert knowledge of material design, our approach implements a nested-loop proposal-validation workflow to bridge the simulation-to-reality gap and discover microstructured composites that are stiff and tough with high sample efficiency. Further analysis of Pareto-optimal designs allows us to automatically identify existing toughness enhancement mechanisms, which were previously discovered through trial-and-error or biomimicry. On a broader scale, our method provides a blueprint for computational design in various research areas beyond solid mechanics, such as polymer chemistry, fluid dynamics, meteorology, and robotics.

研究动机与目标

• 系统性地发现能够实现刚度与韧性之间最优权衡的微结构复合材料，克服试错法或仿生设计的局限性。
• 通过整合物理实验、数值模拟与机器学习，解决复杂微结构复合材料中韧性预测的仿真-现实差距问题。
• 在不依赖专家设计的材料结构的前提下，实现对刚度-韧性权衡整个Pareto前沿的数据高效探索。
• 通过模式分析与模拟验证，自动识别并验证所发现微结构中的内在增韧机制。

提出的方法

• 一种嵌套循环流程整合了三个评估器：物理力学测试仪（速度慢，精度高）、基于FEM的模拟器（中等速度与精度）以及基于CNN的预测器（速度快，精度较低），以迭代方式优化并验证设计。
• CNN预测器使用来自力学测试仪和FEM模拟器的性能数据进行训练，性能数据从较慢的评估器向更快的评估器传播，以提升精度。
• 从更快的评估器（CNN和FEM）中提出的Pareto最优设计会被送至力学测试仪进行物理验证，以确保现实世界中的准确性。
• 采用束搜索算法从性能空间中的径向分区内选择多样化且最大差异化的微结构，以高效探索完整的Pareto前沿。
• 通过在近Pareto最优微结构上进行系统辨识，构建针对各家族的专用模拟器，以提高局部预测精度，并实现在每个家族内部的密集进化采样。
• 基于Isomap的二维嵌入结合地球移动者距离（EMD）作为度量，可视化微结构图案的变化；基于最优传输的插值方法生成额外图案，以优化嵌入空间。

Fig. 1: Schematic of our approach. ( A ) Workflow of the proposed nested-loop pipeline. Our system integrates three distinctive evaluators: a mechanical tester, an FEM-based simulator, and a CNN-based predictor, which vary in evaluation speed and accuracy. Data flow directions are indicated by color

实验结果

研究问题

• RQ1 能否通过仿真-实验-机器学习流程，在无需预先掌握材料设计专家知识的前提下，发现具有最优刚度-韧性权衡的微结构复合材料？
• RQ2 在复杂微结构复合材料中，如何有效弥合韧性预测的仿真-现实差距？
• RQ3 支撑Pareto最优刚度-韧性权衡的内在微结构特征与增韧机制是什么？
• RQ4 能否通过物理测试、模拟与深度学习相结合的混合流程，实现数据高效、高通量的最优微结构发现？

主要发现

• 该流程成功发现了11个接近Pareto最优的微结构，分布在四个不同的家族中，各家族的机械性能和图案特征相似。
• 与全局模拟器相比，家族专用模拟器在种子微结构上的预测误差降低了最多达40%，显著提升了局部预测精度。
• 通过最小化所需物理实验的数量，该方法实现了高样本效率，仅在密集进化采样后额外进行了三次物理验证。
• 基于EMD的Isomap嵌入揭示了每个微结构家族内部的清晰子家族结构，表明图案相似性与机械行为的连续性。
• 使用Wasserstein中位数的插值方法，每种子家族生成了约5%更多的微结构图案，增强了设计空间的覆盖度。
• 对力学测试与模拟的视频分析证实，家族专用模拟器准确捕捉到了所发现微结构中主导的增韧机制，如裂纹偏转与桥接效应。

Fig. 2: The inner loop of the proposed workflow with neural network-accelerated multi-objective optimization (NMO). ( A ) Workflow of NMO, illustrated by a zoomed-in snapshot of Fig. 1 A. The simulator has 10 exposed parameters, including material model parameters of rigid, soft, and interface base