[论文解读] Recent Advances and Applications of Machine Learning in Experimental Solid Mechanics: A Review

Hanxun Jin, Enrui Zhang+1 more|arXiv (Cornell University)|Mar 14, 2023

Machine Learning in Materials Science参考文献 325被引用 6

一句话总结

本综述整合了机器学习（ML）在实验固体力学中应用的最新进展，重点聚焦于物理信息神经网络与基于物理的机器学习方法。它展示了机器学习如何在断裂力学、生物力学、纳米/微米力学、结构化材料及二维材料等领域，提升实验设计、数据分析、不确定性量化与反问题求解的水平，为将机器学习整合入固体力学研究提供了路线图。

ABSTRACT

For many decades, experimental solid mechanics has played a crucial role in characterizing and understanding the mechanical properties of natural and novel materials. Recent advances in machine learning (ML) provide new opportunities for the field, including experimental design, data analysis, uncertainty quantification, and inverse problems. As the number of papers published in recent years in this emerging field is exploding, it is timely to conduct a comprehensive and up-to-date review of recent ML applications in experimental solid mechanics. Here, we first provide an overview of common ML algorithms and terminologies that are pertinent to this review, with emphasis placed on physics-informed and physics-based ML methods. Then, we provide thorough coverage of recent ML applications in traditional and emerging areas of experimental mechanics, including fracture mechanics, biomechanics, nano- and micro-mechanics, architected materials, and 2D material. Finally, we highlight some current challenges of applying ML to multi-modality and multi-fidelity experimental datasets and propose several future research directions. This review aims to provide valuable insights into the use of ML methods as well as a variety of examples for researchers in solid mechanics to integrate into their experiments.

研究动机与目标

• 提供实验固体力学中机器学习应用的全面、最新综述，应对实验数据日益复杂和庞大的挑战。
• 识别在固体力学实验中常见的多模态与多保真度实验数据集中应用机器学习的关键挑战。
• 突出物理信息神经网络与基于物理的机器学习在提升机械性能识别模型可解释性、泛化能力与可靠性方面的作用。
• 通过展示在断裂力学、纳米与微米力学及二维材料等多样化领域中的成功应用，指导研究人员将机器学习整合进实验工作流程。
• 提出未来研究方向，包括具备原位决策能力与对环境刺激实时自适应响应的智能结构化材料。

提出的方法

• 系统性回顾2018至2023年期间关于机器学习在实验固体力学中应用的近期文献，重点关注全场位移测量、反问题与本构建模。
• 按应用领域对机器学习技术进行分类：断裂力学、生物力学、纳米/微米力学、结构化材料与二维材料。
• 强调将机械定律（如动量守恒、能量平衡）嵌入损失函数的物理信息神经网络（PINNs）与基于物理的机器学习模型。
• 将机器学习与数字图像相关法（DIC）、电子散斑干涉法（ESPI）及高速成像等实验技术结合，以增强数据提取与分析能力。
• 利用代理建模与主动学习技术降低实验成本，并加速高通量测试中的材料性能识别。
• 探索强化学习与优化框架在设计具备自适应、响应刺激行为的结构化材料中的应用。

Figure 1: Schematics of three ML approaches based on available physics and data: (I) Physics-informed neural networks (PINNs); (II) Physics-based data-driven; and (III) Purely data-driven (Reproduced with permission from Ref. [ 61 ] . Copyright 2021 by Hanxun Jin). Figure idea from Karniadakis et al

实验结果

研究问题

• RQ1 物理信息机器学习如何提升从实验数据中识别机械性能的准确性与可解释性？
• RQ2 在实验固体力学中，哪些最有效的机器学习技术可用于分析高分辨率成像系统获取的全场位移与应变数据？
• RQ3 机器学习如何用于解决极端条件测试（如高应变率、高温）中实验数据稀缺与不确定性的挑战？
• RQ4 机器学习在何种方式下可实现具备基于环境刺激实时原位决策能力的结构化材料设计？
• RQ5 在整合多模态与多保真度实验数据（如DIC、X射线断层扫描、应变片）至统一的机器学习框架时，面临的关键挑战是什么？

主要发现

• 通过在学习过程中嵌入基本机械定律，物理信息与基于物理的机器学习方法显著提升了实验固体力学中模型的可靠性与泛化能力。
• 深度学习与代理建模等机器学习技术已成功应用于加速断裂力学中的反问题分析，实现对断裂韧性与裂纹扩展行为的更快、更准确识别。
• 在纳米与微米力学中，增强型数字图像相关法（DIC）与DVC实现了亚像素分辨率的应变图绘制，并提升了小尺度实验中的不确定性量化能力。
• 机器学习通过强化学习与优化设计框架，推动了具备自适应响应能力的智能结构化材料的发展，尤其在高通量增材制造与自组装过程中表现突出。
• 将机器学习与高保真度测量技术（如立体DIC与时空干涉法）结合，可高效处理与分析极端条件实验产生的大规模复杂数据集。
• 尽管已取得进展，但在处理多模态与多保真度数据方面仍面临挑战，特别是在确保数据一致性、减少偏差以及保持跨异构数据源的物理解释性方面。

Figure 2: Applications of ML in characterizing fracture cohesive properties. (a) ML solutions can predict accurate fracture toughness comparable to simulations when an analytical solution is not available due to sample complexity: (i) ML framework for engineering problems; (ii) NNs-based prediction