PART.01背景介紹

材料數(shù)據(jù)在工程設(shè)計中起著至關(guān)重要的作用，但是通過實驗測試的方法不僅成本昂貴且研發(fā)周期較長。隨著使用的材料越來越復(fù)雜，包括成分、環(huán)境條件等多種因素，為了獲得材料數(shù)據(jù)需要進行大量測試，如何快速高效的獲得材料數(shù)據(jù)成為一個關(guān)鍵問題。

近年來人工智能（AI）和包含的機器學習（ML）發(fā)展迅速，利用AI/ML技術(shù)可以提供一種新方法來節(jié)約生成大型數(shù)據(jù)集的時間、精力和費用。所以材料供應(yīng)商已逐步開始探索人工智能的潛力，來豐富他們的材料數(shù)據(jù)庫。

本文介紹了?？怂箍道靡环N新的基于物理信息的人工智能方法，通過少量測試數(shù)據(jù)即可實現(xiàn)材料數(shù)據(jù)的擴充，幫助用戶準確預(yù)測工程熱塑性塑料的性能，同時節(jié)省資金和時間。SABIC公司將上述解決方案應(yīng)用到其ULTEM?樹脂產(chǎn)品中，在沒有溫度、應(yīng)變率和加載角度條件的測試數(shù)據(jù)的情況下，準確地預(yù)測ULTEM?樹脂的拉伸應(yīng)力-應(yīng)變響應(yīng)曲線。

PART.02 使用物理信息的AI方法

ULTEM?樹脂是聚醚酰亞胺（PEI）材料，非常適合多個行業(yè)的高要求應(yīng)用。實際工程應(yīng)用中，需要了解其在不同的溫度、不同的纖維含量及類型、不同的樹脂類型、不同的纖維曲線等參數(shù)情況下的力學性能，因此需要針對上千種不同組合的材料數(shù)據(jù)進行評估。

目前材料數(shù)據(jù)的生成方法主要有三種：實驗室測試、先進的材料建模和AI/ML方法。每種方法都有優(yōu)缺點如圖1所示。

圖1. 三種材料數(shù)據(jù)生成方法的優(yōu)缺點

為了克服傳統(tǒng)方法的局限性，?？怂箍堤岢鲆环N使用物理信息的AI方法，如圖2所示。該方法有效地結(jié)合了實驗數(shù)據(jù)、先進的材料模型和AI/ML方法，能夠?qū)π虏牧蠑?shù)據(jù)進行快速、低成本的響應(yīng)，實現(xiàn)豐富和高質(zhì)量的材料數(shù)據(jù)庫。目前該方法已經(jīng)集成到?？怂箍档男聰?shù)字現(xiàn)實平臺Nexus中，可以根據(jù)聚合物的配方預(yù)測其工程性能，從而降低材料數(shù)據(jù)生成的復(fù)雜性、工作量和成本。

 圖2. 使用物理信息的AI方法，集成了不同材料數(shù)據(jù)生成方法的優(yōu)勢

工作流程

使用物理信息的AI方法工作流程為以下三步，如圖3所示：

1.收集和準備可用的材料數(shù)據(jù)：基于物理信息的AI方法只需要少量的實驗數(shù)據(jù)。

2.使用Digimat增強材料數(shù)據(jù)：利用Digimat的先進材料建模功能以及上述少量實驗數(shù)據(jù)，對訓(xùn)練數(shù)據(jù)進行豐富和增強。

3.AI模型預(yù)測材料數(shù)據(jù)：對基于物理的人工智能模型進行了訓(xùn)練、驗證和測試，保證預(yù)測結(jié)果的精度。

圖3. 使用基于物理信息的AI方法的工作流程

PART.04 研究結(jié)果

01溫度依賴性

圖4展示了訓(xùn)練好的AI模型對SABIC ULTEM 1000樹脂（未填充纖維）的預(yù)測結(jié)果：能夠定性和定量地預(yù)測未填充纖維的樹脂材料在不同溫度下加載，直至失效的高度非線性拉伸應(yīng)力-應(yīng)變曲線。預(yù)測結(jié)果和實驗結(jié)果一致。

圖4. 準靜態(tài)條件下，不同溫度的ULTEM 1000樹脂的實驗應(yīng)力-應(yīng)變數(shù)據(jù)（虛線）和預(yù)測應(yīng)力-應(yīng)變數(shù)據(jù)（實線）

02應(yīng)變率依賴性

圖5顯示了基于物理的人工智能模型如何捕捉SABIC ULTEM牌號在不同應(yīng)變率下的性能：在23°C的實驗溫度下，分別考慮應(yīng)變率在0.001至100s-1變化時，ULTEM 2300樹脂和ULTEM 1000樹脂的應(yīng)力-應(yīng)變曲線。

圖5. 在23℃條件下，ULTEM 1000 (a) 和ULTEM 2300 (b)的應(yīng)變率依賴性

03、纖維取向依賴性

纖維取向?qū)е略鰪娝芰系母飨虍愋孕袨?，這對于使用計算機輔助工程（CAE）對零件進行精確建模至關(guān)重要。圖6的結(jié)果表明，基于物理信息的AI模型能夠準確地擴充ULTEM 2300樹脂在不同溫度和加載角度下的拉伸測量結(jié)果。

圖6. 準靜態(tài)條件下，0° (a)，45° (b)和90°  (c)的ULTEM 2300材料纖維取向相關(guān)性，其中虛線為實驗結(jié)果，實線為預(yù)測結(jié)果

04、對材料配方的敏感性

基于物理信息的AI模型還可以考慮ULTEM樹脂配方的影響，包括樹脂類型、纖維類型和纖維含量。圖7顯示了AI模型對材料配方的敏感性。通過在材料數(shù)據(jù)擴充時考慮材料配方特性，可以虛擬評估尚未開發(fā)或?qū)嶒灡碚鞯男屡浞降男阅堋?

圖7. 在實驗溫度23℃，纖維取向0°的準靜態(tài)條件下，不同材料配方的應(yīng)力-應(yīng)變曲線

05、置信度指標

置信度指標是對預(yù)測數(shù)據(jù)準確性的定性和定量評估，用于指導(dǎo)用戶識別初始材料數(shù)據(jù)庫中潛在弱點。它結(jié)合了如初始實驗材料數(shù)據(jù)庫的豐富性、輸入?yún)⒖紝嶒灁?shù)據(jù)的可變性和訓(xùn)練好的人工智能模型的全局準確性等不同標準。圖8中給出一個置信度指標的熱圖，紅色區(qū)域表示低置信度區(qū)域，表明需要額外的實驗數(shù)據(jù)來提高置信度。

圖8. 準靜態(tài)條件下，粉碎玻璃纖維填充ULTEM樹脂的置信度指標熱圖

總體而言，基于物理信息的AI模型預(yù)測的拉伸應(yīng)力-應(yīng)變數(shù)據(jù)與實驗結(jié)果非常接近，精度在±10%以內(nèi)。上述結(jié)果證明了基于物理信息的AI方法能夠準確地擴充ULTEM樹脂數(shù)據(jù)集，從而減少昂貴且耗時的實際物理材料測試。

PART.05

使用物理信息的AI方法的優(yōu)勢

基于物理信息的AI方法的優(yōu)勢與傳統(tǒng)材料數(shù)據(jù)生成方法相比，可以降低數(shù)據(jù)的高昂成本、提高效率、增加數(shù)據(jù)準確性，如表1所示。

表1. 基于物理信息的AI方法與傳統(tǒng)數(shù)據(jù)生成方法比較

PART.06

總結(jié)與展望

本文的研究表明，在不同溫度、應(yīng)變率、纖維取向和材料配方情況下，?？怂箍祷谖锢硇畔⒌腁I解決方案，可以準確高效地擴充纖維增強的ULTEM樹脂和單純ULTEM樹脂的應(yīng)力-應(yīng)變曲線。該方法將人工智能與先進的微觀力學建模相結(jié)合，克服了純?nèi)斯ぶ悄芊椒ǖ娜觞c。上述方法也可以擴展到擴充材料其他性能數(shù)據(jù)，例如蠕變和疲勞行為。

在實際工程中，SABIC公司已經(jīng)使用上述基于物理信息的AI方法，有效地滿足客戶及其材料工程數(shù)據(jù)需求，為其客戶提供大量材料工程數(shù)據(jù)和材料CAE卡片。