基于机器学习的超材料的表征和反向设计
1School of Energy and Power, Jiangsu University of Science and Technology, Zhenjiang 212003, China.
Materials (Basel, Switzerland)
|July 27, 2024
概括
这项研究引入了一种机器学习方法,以快速预测元材料的特性,加速设计具有所需特征的先进微结构,用于诸如振动能量吸收器之类的应用.
科学领域:
- 材料科学 材料科学 材料科学
- 计算材料科学科学 计算材料科学
- 机器学习应用 机器学习应用
背景情况:
- 超材料具有独特的结构,产生了特殊的特性.
- 传统的表征方法 (实验,FEM) 对于广泛的结构探索是耗时的.
- 设计具有特定性质的元材料需要高效的预测工具.
研究的目的:
- 开发一种基于机器学习的方法,以快速预测有效的元材料特性.
- 加速发现具有多样性和突出的特征的微观结构.
- 为了实现具有多种优异性能的元材料的反向设计.
主要方法:
- 构建2D和3D微结构 (多孔,固体-固体,流体-固体).
- 使用有限元法 (FEM) 来确定属性.
- 应用随机森林 (RF) 来进行属性预测,以及阿奎拉优化器 (AO) 来进行反向设计.
主要成果:
- 射频回归模型实现了高准确度 (R2>0.98,MAPE<0.088,RMSE<0.03).该模型使用的方法是:
- 在30次代内,AO方法成功设计了一种优化的结构,具有高扬模量和低导热率.
- 机器学习方法准确地描述了元材料的特性,并加速了模拟.
结论:
- 开发的基于机器学习的方法准确地预测了元材料的特性,大大缩短了设计时间.
- 这种方法有助于发现具有量身定制的多性能特征的新型微结构.
- 该研究为设计用于实际应用的先进超材料提供了框架,包括振动能量吸收器.
