2025 年諾貝爾化學(xué)獎(jiǎng)公布，授予北川進(jìn)（Susumu Kitagawa）、理查德·羅布森（Richard Robson）和奧馬爾·亞吉（Omar Yaghi），以表彰“他們對(duì)金屬-有機(jī)框架的發(fā)展”。

三位獲獎(jiǎng)?wù)邉?chuàng)造了一種具有巨大空間的分子結(jié)構(gòu)，使氣體和其他化學(xué)物質(zhì)能夠在其中流動(dòng)。這些結(jié)構(gòu)被稱為金屬有機(jī)框架（metal-organic frameworks，簡(jiǎn)稱 MOF），可用于從沙漠空氣中提取水分、捕獲二氧化碳、儲(chǔ)存有毒氣體，或催化化學(xué)反應(yīng)。

三位獲獎(jiǎng)?wù)甙l(fā)展出一種全新的分子結(jié)構(gòu)架構(gòu)形式。在他們的設(shè)計(jì)中，金屬離子充當(dāng)“角石”，由長(zhǎng)鏈有機(jī)（以碳為基礎(chǔ)的）分子相互連接。金屬離子與有機(jī)分子共同組裝成具有大量空腔的晶體結(jié)構(gòu)。這種多孔材料被稱為金屬有機(jī)框架（MOF）。通過(guò)改變 MOF 所采用的構(gòu)筑單元，化學(xué)家可以定向設(shè)計(jì)出能夠捕獲和儲(chǔ)存特定物質(zhì)的材料。MOF 還可以驅(qū)動(dòng)化學(xué)反應(yīng)或?qū)щ姟?/p>

諾貝爾化學(xué)獎(jiǎng)評(píng)審委員會(huì)主席 海納·林克（Heiner Linke） 表示：“金屬有機(jī)框架具有巨大的潛力，為定制化的新功能材料帶來(lái)了前所未有的可能性。”在三位得主的奠基性發(fā)現(xiàn)之后，化學(xué)家們已經(jīng)構(gòu)筑出數(shù)以萬(wàn)計(jì)不同類型的 MOF。其中一些材料有望為人類解決重大挑戰(zhàn)提供助力，其應(yīng)用包括：從水中分離全氟和多氟烷基物質(zhì)（PFAS），分解環(huán)境中的微量藥物殘留，捕獲二氧化碳，以及從沙漠空氣中提取水分等。

為了滿足工業(yè)界和學(xué)術(shù)界對(duì)于融合化學(xué)工程、材料科學(xué)、計(jì)算機(jī)和 AI技術(shù)多學(xué)科知識(shí)與技能的復(fù)合型人才的需求，特舉辦此次研修課程。本次培訓(xùn)主辦方為北京軟研國(guó)際信息技術(shù)研究院，承辦方互動(dòng)派（北京）教育科技有限公司，會(huì)議會(huì)務(wù)合作單位為北京中科萬(wàn)維智能科技有限公司。

本次培訓(xùn)會(huì)議主辦方為北京軟研國(guó)際信息技術(shù)研究院，承辦方互動(dòng)派（北京）教育科技有限公司，會(huì)議會(huì)務(wù)合作單位為北京中科緯來(lái)智能科技有限公司。具體相關(guān)事宜通知如下：

專題一

(直播4天)

（詳情內(nèi)容點(diǎn)擊上方名稱查看）

2025年11月01日-11月02日

2025年11月08日-11月09日

專題二

(直播4天)

（詳情內(nèi)容點(diǎn)擊上方名稱查看）

2025年11月08日-11月09日

2025年11月15日-11月16日

專題三

(直播4天)

（詳情內(nèi)容點(diǎn)擊上方名稱查看）

2025年10月25日-10月26日

2025年11月01日-11月02日

專題四

(直播4天)

（詳情內(nèi)容點(diǎn)擊上方名稱查看）

2025年11月01日-11月02日

2025年11月08日-11月09日

專題五

(直播4天)

（詳情內(nèi)容點(diǎn)擊上方名稱查看）

2025年10月18日-10月19日

2025年10月25日-10月26日

培訓(xùn)對(duì)象

材料科學(xué)、電力工業(yè)、航空航天科學(xué)與工程、有機(jī)化工、無(wú)機(jī)化工、建筑科學(xué)與工程、自動(dòng)化技術(shù)、工業(yè)通用技術(shù)、汽車工業(yè)、金屬學(xué)與金屬工藝、機(jī)械工業(yè)、船舶工業(yè)等領(lǐng)域的科研人員、工程師、及相關(guān)行業(yè)從業(yè)者、跨領(lǐng)域研究人員。

培訓(xùn)講師

01

AI有限元講師

講師來(lái)自全國(guó)重點(diǎn)大學(xué)、國(guó)家“985工程”、“211工程”重點(diǎn)高校，計(jì)算力學(xué)博士，以第一作者于Composites Science and Technology、CMAME、CS等TOP期刊發(fā)表論文多篇，授權(quán)發(fā)明專利3項(xiàng)。

主要研究方向：深度學(xué)習(xí)加速的FEA、多尺度分析方法、結(jié)構(gòu)逆向設(shè)計(jì)等。

02

AI聚合物講師

來(lái)自國(guó)內(nèi)985高校，主要從事人工智能輔助的科學(xué)研究，相關(guān)成果發(fā)表在《Macromolecules》《Chemical Science》、《npj Computational Materials》等國(guó)際期刊上，多次擔(dān)任《Journal of Membrane Science》《Artificial Intelligence Review》等國(guó)際期刊審稿人。

擅長(zhǎng)領(lǐng)域：深度學(xué)習(xí)、生成式AI和大語(yǔ)言模型等機(jī)器學(xué)習(xí)方法在材料科學(xué)、工業(yè)優(yōu)化中的研究。

03

智能水泥基講師

由來(lái)自全國(guó)知名高校教授/博導(dǎo)，國(guó)家級(jí)青年人才帶領(lǐng)團(tuán)隊(duì)講授。長(zhǎng)期從事機(jī)器學(xué)習(xí)與智能復(fù)合材料與結(jié)構(gòu)的研究與開(kāi)發(fā)，近兩年以第一/通訊作者發(fā)表SCI論文20余篇，包括多個(gè)中科院一區(qū)TOP期刊發(fā)表高水平論文。發(fā)表論文谷歌引用次數(shù)超過(guò)3000次，h-index為27。團(tuán)隊(duì)導(dǎo)師擔(dān)任省內(nèi)力學(xué)學(xué)會(huì)理事、SCI期刊Nano Materials Science和Buildings青年編委和Frontiers in Materials客座編輯，以及超過(guò)70個(gè)SCI期刊的長(zhǎng)期審稿人。

04

增材制造講師

高校副教授、碩導(dǎo)。主持國(guó)家及省自然科學(xué)基金多項(xiàng)，發(fā)表 SCI 檢索論文30余篇，論文總共他引1000余次，擔(dān)任多個(gè)國(guó)內(nèi)外期刊審稿人。主要從事金屬激光增材制造過(guò)程監(jiān)控研究。在深度學(xué)習(xí)應(yīng)用、增材制造仿真等方面積累了豐富的經(jīng)驗(yàn)。

05

金屬結(jié)構(gòu)疲勞講師

國(guó)內(nèi)高校副教授帶領(lǐng)團(tuán)隊(duì)成員講授。主持或者參與國(guó)家及省自然科學(xué)基金、博士后面上基金等項(xiàng)目10余項(xiàng)，發(fā)表 SCI/EI 檢索論文50余篇，論文總共他引500余次，擔(dān)任10余個(gè)國(guó)內(nèi)外期刊審稿人。主要從事材料與結(jié)構(gòu)疲勞損傷評(píng)估及優(yōu)化設(shè)計(jì)研究。曾在國(guó)內(nèi)知名企業(yè)主研客車骨架疲勞耐久試驗(yàn)標(biāo)準(zhǔn)，在深度學(xué)習(xí)應(yīng)用、壽命預(yù)測(cè)與智能監(jiān)測(cè)等方面積累了豐富的經(jīng)驗(yàn)。

培訓(xùn)大綱

基于AI-有限元融合的復(fù)合材料多尺度建模與性能預(yù)測(cè)前沿技術(shù)

目錄

主要內(nèi)容

關(guān)鍵理論與軟件

二次開(kāi)發(fā)使用方法

1. 基礎(chǔ)理論：

1.1.復(fù)合材料均質(zhì)化理論（Eshelby方法、代表性體積單元RVE）論文詳述

1.2.有限元在復(fù)合材料建模中的關(guān)鍵問(wèn)題（網(wǎng)格劃分、周期性邊界條件）

1.3.神經(jīng)網(wǎng)絡(luò)基礎(chǔ)與遷移學(xué)習(xí)原理（DNN、CNN、Domain Adaptation）

1.4.纖維復(fù)合材料的損傷理論（Tsai-Wu準(zhǔn)則、Hashin準(zhǔn)則）

實(shí)踐1：軟件環(huán)境配置與二次開(kāi)發(fā)方法實(shí)踐

☆ABAQUS/Python腳本交互（基于論文中RVE建模案例）

☆ ABAQUS GUI操作與Python腳本自動(dòng)化建模

☆ 輸出應(yīng)力-應(yīng)變場(chǎng)數(shù)據(jù)的文件格式標(biāo)準(zhǔn)化

☆ ABAQUS二次開(kāi)發(fā)框架搭建

☆ 基于ABAQUS二次開(kāi)發(fā)程序的Hashin/Tsai-Wu失效分析有限元實(shí)踐

☆ TexGen軟件安裝及GUI界面操作介紹、Python腳本參數(shù)化方法

☆ 三維編織/機(jī)織纖維復(fù)合材料幾何模型及網(wǎng)格劃分方法

多尺度建模與數(shù)據(jù)生成方法

1. 復(fù)合材料多尺度建模與仿真分析方法

1.1.多相復(fù)合材料界面（纖維/基質(zhì)界面）理論機(jī)理（Cohesive模型）

1.2.連續(xù)纖維復(fù)合材料RVE建模（纖維分布算法、周期性邊界條件實(shí)現(xiàn)）

1.3.參數(shù)化設(shè)計(jì)：纖維體積分?jǐn)?shù)、纖維直徑隨機(jī)性等對(duì)性能的影響

1.4.雙尺度有限元仿真方法原理及理論（FE2方法）

1.5.直接雙尺度有限元仿真方法原理及理論方法（Direct FE2方法）

實(shí)踐2：大批量仿真分析與數(shù)據(jù)處理方法

☆ 考慮界面結(jié)合（Cohesive模型）的復(fù)合材料分析模型建立

☆ 基于Python的ABAQUS批量仿真（PyCharm嵌入ABAQUS計(jì)算內(nèi)核）

☆ 基于PowerShell調(diào)用Python FEA腳本解決動(dòng)態(tài)內(nèi)存爆炸問(wèn)題

☆ 控制纖維體分比的纖維絲束生成算法（RSE）

☆ 編寫(xiě)腳本生成不同纖維排布的RVE模型

☆ 輸出訓(xùn)練數(shù)據(jù)集（應(yīng)變能密度、彈性等效屬性等）

☆ ABAQUS實(shí)現(xiàn)Direct FE2方法仿真分析（復(fù)合材料）

深度學(xué)習(xí)模型構(gòu)建與訓(xùn)練

1. 深度學(xué)習(xí)模型設(shè)計(jì)：

1.1.基于多層感知機(jī)（DNN）的訓(xùn)練預(yù)測(cè)網(wǎng)絡(luò)

1.2.基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的跨尺度特征提取網(wǎng)絡(luò)（ResNet/DenseNet）

1.3.復(fù)合材料的多模態(tài)深度學(xué)習(xí)方法（結(jié)構(gòu)特征提取+材料屬性）

1.4.三維結(jié)構(gòu)（多相復(fù)合材料/單相多孔材料）的特征處理及預(yù)測(cè)方法

1.5.物理信息神經(jīng)網(wǎng)絡(luò)（PINN）：將物理信息融合到深度學(xué)習(xí)中

1.6.遷移學(xué)習(xí)策略：預(yù)訓(xùn)練模型在新型復(fù)合材料中的參數(shù)微調(diào)

實(shí)踐3：代碼實(shí)現(xiàn)與訓(xùn)練

☆ 深度學(xué)習(xí)框架PyTorch/TensorFlow模型搭建

☆ 構(gòu)建多層感知機(jī)（DNN）的訓(xùn)練預(yù)測(cè)網(wǎng)絡(luò)

☆ 數(shù)據(jù)增強(qiáng)技巧：對(duì)有限元數(shù)據(jù)進(jìn)行噪聲注入與歸一化

☆ 構(gòu)建二維結(jié)構(gòu)的特征處理及預(yù)測(cè)網(wǎng)絡(luò)（CNN—ResNet/DenseNet）+多模態(tài)學(xué)習(xí)預(yù)測(cè)

☆ 構(gòu)建三維結(jié)構(gòu)的特征處理及預(yù)測(cè)網(wǎng)絡(luò)（三維卷積神經(jīng)網(wǎng)絡(luò)）

☆ 建立物理信息神經(jīng)網(wǎng)絡(luò)（PINN）學(xué)習(xí)預(yù)測(cè)模型

遷移學(xué)習(xí)與跨領(lǐng)域應(yīng)用

1. 遷移學(xué)習(xí)理論深化

1.1.歸納遷移學(xué)習(xí)與遷移式學(xué)習(xí)理論深入詳解與應(yīng)用

1.2.歸納遷移學(xué)習(xí)在跨領(lǐng)域?qū)W習(xí)預(yù)測(cè)中的應(yīng)用

1.3.領(lǐng)域自適應(yīng)（Domain Adaptation）在材料跨尺度預(yù)測(cè)中的應(yīng)用

1.4.案例：碳纖維→玻璃纖維、樹(shù)脂基質(zhì)→金屬基質(zhì)的性能預(yù)測(cè)遷移

實(shí)踐4：基于預(yù)訓(xùn)練模型的遷移學(xué)習(xí)

☆ 遷移學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型的搭建

☆ 歸納學(xué)習(xí)方法：加載預(yù)訓(xùn)練模型權(quán)重，針對(duì)新材料類型進(jìn)行微調(diào)

☆ 領(lǐng)域自適應(yīng)：使用領(lǐng)域自適應(yīng)方法預(yù)測(cè)未知新材料相關(guān)屬性

☆ 使用TensorBoard可視化訓(xùn)練過(guò)程與性能對(duì)比

實(shí)踐5：端到端復(fù)合材料性能預(yù)測(cè)系統(tǒng)開(kāi)發(fā)

☆ 參數(shù)化建?！邢拊?jì)算→神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)→結(jié)果可視化全流程實(shí)現(xiàn)

☆部分案例圖展示

人工智能賦能聚合物及復(fù)合材料模型應(yīng)用與實(shí)踐

目錄

主要內(nèi)容

一、基礎(chǔ)概述與核心方法論

1. AI 在聚合物及復(fù)合材料領(lǐng)域的理論基礎(chǔ)和應(yīng)用概述

2. 傳統(tǒng)機(jī)器學(xué)習(xí)，深度學(xué)習(xí)和生成式 AI 方法概述

3. AI for 聚合物（及復(fù)合材料）研究的核心問(wèn)題（聚合物多層次結(jié)構(gòu)表示、性能預(yù)測(cè)、結(jié)構(gòu)設(shè)計(jì)等）

4. 聚合物研究的 AI 方法論框架

4.1 數(shù)據(jù)驅(qū)動(dòng)與機(jī)理驅(qū)動(dòng)的協(xié)同（第一性原理到領(lǐng)域知識(shí)）

4.2 聚合物智能創(chuàng)制研究全流程：從數(shù)據(jù)到模型，從預(yù)測(cè)到設(shè)計(jì)

二、數(shù)據(jù)與特征工程

1. 學(xué)術(shù)數(shù)據(jù)資源與獲取

1.1 常見(jiàn)數(shù)據(jù)庫(kù)：Material Project、Polymer Genome、Polylnfo 等

1.2 聚合物公開(kāi)benchmark和Kaggle數(shù)據(jù)集

2. 數(shù)據(jù)預(yù)處理與質(zhì)量?jī)?yōu)化

2.1 均聚物數(shù)據(jù)集清洗、去噪、標(biāo)準(zhǔn)化 (實(shí)踐)

2.2 使用清洗后的數(shù)據(jù)進(jìn)行可視化：小提琴圖、PCA、T-SNE、UMAP等 (實(shí)踐)

2.3 聚合物復(fù)合材料數(shù)據(jù)收集與預(yù)處理 (實(shí)踐)

3. 特征工程

3.1 結(jié)構(gòu)表示與編碼（如分子指紋、鏈結(jié)構(gòu)特征、3D結(jié)構(gòu)特征、神經(jīng)網(wǎng)絡(luò)指紋）

3.2 特征選擇方法（過(guò)濾法、包裝法、遞歸消除法等）(實(shí)踐)

3.3物理機(jī)理指導(dǎo)的特征選?。ň酆衔镦溄Y(jié)構(gòu)帶來(lái)的空間位阻、氫鍵描述符等）

3.4均聚物性能研究（如耐熱性、力學(xué)性能、介電性能、透氣性/阻燃性等）(實(shí)踐)

3.5數(shù)據(jù)集規(guī)模與質(zhì)量對(duì)模型的影響(Scalling laws in polymers) (實(shí)踐)

三、模型體系（從基礎(chǔ)到前沿）

1. 傳統(tǒng)機(jī)器學(xué)習(xí)模型及應(yīng)用

1.1 基礎(chǔ)模型：SVR、決策樹(shù)、隨機(jī)森林、感知機(jī)、XGBoost、LGBM、AdaBoost等，模型評(píng)估策略：MAE、RMSE、R2、Accuracy、F1等

1.2 應(yīng)用場(chǎng)景：復(fù)合材料力學(xué)性能預(yù)測(cè)（如應(yīng)力應(yīng)變曲線）(實(shí)踐)

2. 深度學(xué)習(xí)模型

2.1 深度學(xué)習(xí)模型訓(xùn)練與部署：Tensorflow/PyTorch、Gradio等 (實(shí)踐)

2.2 深度神經(jīng)網(wǎng)絡(luò)（DNN）與參數(shù)更新、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、圖神經(jīng)網(wǎng)絡(luò)（GNN）在聚合物中的應(yīng)用 (實(shí)踐)

3. （聚合物）材料基因工程中的高通量計(jì)算與模型概述及入門（MatterSim、DeepMD、RadonPy、SMiPoly等)

4. 生成式 AI 與大語(yǔ)言模型

4.1 大模型訓(xùn)練與部署：Langchain、HuggingFace等(實(shí)踐)

4.2 （聚合物）分子生成模型：VAE、GAN、Diffusion等 (實(shí)踐)

4.3 大語(yǔ)言模型（LLM）：GPT、BERT、T5、DeepSeek等架構(gòu)與應(yīng)用 (實(shí)踐)

四、性能預(yù)測(cè)與材料設(shè)計(jì)

1. 正向性能預(yù)測(cè)

1.1 機(jī)器學(xué)習(xí)預(yù)測(cè)聚氨酯復(fù)合材料應(yīng)力應(yīng)變曲線(實(shí)踐)

1.2 機(jī)器學(xué)習(xí)預(yù)測(cè)PI復(fù)材力學(xué)性能 (實(shí)踐)

1.3 可解釋性分析：特征重要性分析、SHAP 值的應(yīng)用 (實(shí)踐)

2. 逆向設(shè)計(jì)與智能篩選

2.1 生成式 AI 驅(qū)動(dòng)的全空間聚合物材料生成 (實(shí)踐)

2.2 高通量篩選工作流：從結(jié)構(gòu)生成到性質(zhì)預(yù)測(cè)的聚合物批量篩選(實(shí)踐)

五、前沿AI方法在聚合物領(lǐng)域?qū)嵺`案例與科研指導(dǎo)

1. 聚合物表示學(xué)習(xí)性能探索（描述符、分子圖、SMILES、BigSMILES、SELFIES等）(實(shí)踐)

2. 聚合物領(lǐng)域知識(shí)出發(fā)的對(duì)比學(xué)習(xí)，主動(dòng)學(xué)習(xí)和強(qiáng)化學(xué)習(xí)框架實(shí)現(xiàn) (實(shí)踐)

3. 聚合物生成式模型與大語(yǔ)言模型實(shí)踐（如 polyBERT、Transpolymer 預(yù)測(cè)聚合物性能）(實(shí)踐)

☆部分案例圖展示

機(jī)器學(xué)習(xí)在智能水泥基復(fù)合材料中的應(yīng)用與實(shí)踐

目錄

主要內(nèi)容

機(jī)器學(xué)習(xí)基礎(chǔ)模型與復(fù)合材料研究融合

1. 機(jī)器學(xué)習(xí)在復(fù)合材料中的應(yīng)用概述

2. 機(jī)器學(xué)習(xí)用于復(fù)合材料研究的流程

3. 復(fù)合材料數(shù)據(jù)收集與數(shù)據(jù)預(yù)處理

實(shí)例：數(shù)據(jù)的收集和預(yù)處理

4. 復(fù)合材料機(jī)器學(xué)習(xí)特征工程與選擇

實(shí)例：以納米材料增強(qiáng)復(fù)合材料為例，討論特征選擇、特征工程在提高模型性能中的作用

5. 線性回歸用于復(fù)合材料研究

實(shí)例：線性回歸和多項(xiàng)式回歸在處理復(fù)合材料數(shù)據(jù)中的應(yīng)用

6. 多項(xiàng)式回歸用于復(fù)合材料研究

實(shí)例：多項(xiàng)式回歸在處理復(fù)合材料數(shù)據(jù)中的非線性關(guān)系時(shí)的應(yīng)用

7. 決策樹(shù)用于復(fù)合材料研究

實(shí)例：決策樹(shù)回歸在預(yù)測(cè)水泥基復(fù)合材料強(qiáng)度中的應(yīng)用

復(fù)合材料研究中應(yīng)用集成學(xué)習(xí)與支持向量模型

1. 隨機(jī)森林用于復(fù)合材料研究

實(shí)例：隨機(jī)森林在預(yù)測(cè)復(fù)合材料性能中的應(yīng)用

2. Boosting算法用于復(fù)合材料研究

實(shí)例：Catboost在預(yù)測(cè)復(fù)合材料強(qiáng)度中的應(yīng)用

3. XGBoost和LightGBM用于復(fù)合材料研究

(1) XGBoost

(2) LightGBM

(3) 模型解釋性技術(shù)

實(shí)例：XGBoost和LightGBM在水泥基復(fù)合材料性能預(yù)測(cè)中的應(yīng)用，模型比較

4. 支持向量機(jī) (SVM) 用于復(fù)合材料研究

(1) 核函數(shù)

(2) SVM用于回歸（SVR）

實(shí)例：SVR在預(yù)測(cè)復(fù)合材料的力學(xué)性能中的應(yīng)用

5. 模型調(diào)參與優(yōu)化工具包

(1) 網(wǎng)格搜索、隨機(jī)搜索的原理與應(yīng)用

(2) 工具包Optuna

實(shí)例：超參數(shù)調(diào)整方法，模型調(diào)參與優(yōu)化工具包的應(yīng)用

6. 機(jī)器學(xué)習(xí)模型評(píng)估

(1) 回歸模型中的評(píng)估指標(biāo)（MSE, R2, MAE等）

(2) 交叉驗(yàn)證技術(shù)

實(shí)例：比較不同模型的性能并選擇最佳模型

復(fù)合材料研究中應(yīng)用神經(jīng)網(wǎng)絡(luò)

1. 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)

(1) 激活函數(shù)

(2) 前向傳播過(guò)程

(3) 損失函數(shù)

實(shí)例：手動(dòng)實(shí)現(xiàn)前向傳播

2. 神經(jīng)網(wǎng)絡(luò)反向傳播與優(yōu)化

(1) 梯度下降法原理

(2) 反向傳播算法

(3) 隨機(jī)梯度下降(SGD)

實(shí)例：實(shí)現(xiàn)梯度下降算法

3. 復(fù)合材料研究中的多層感知機(jī)(MLP)

(1) MLP架構(gòu)設(shè)計(jì)

(2) MLP的訓(xùn)練過(guò)程

(3) MLP在回歸和分類中的應(yīng)用

實(shí)例：構(gòu)建簡(jiǎn)單的MLP解決復(fù)合材料中的回歸問(wèn)題

4. PINNs

(1) PINN基本原理

(2) 彈簧振動(dòng)正問(wèn)題中的PINNs

(3) 彈簧振動(dòng)逆問(wèn)題中的PINNs

實(shí)例：使用PyTorch構(gòu)建PINNs

5. GAN

(1) GAN基本原理

(2) 針對(duì)表格數(shù)據(jù)的GAN

(3) 增強(qiáng)數(shù)據(jù)的評(píng)估指標(biāo)

實(shí)例：構(gòu)建GAN生成水泥基復(fù)合材料數(shù)據(jù)

6. 可解釋性機(jī)器學(xué)習(xí)方法-SHAP

(1) SHAP理論基礎(chǔ)

(2) 計(jì)算和解釋SHAP值

實(shí)例：復(fù)合材料中應(yīng)用SHAP進(jìn)行模型解釋和特征理解

論文復(fù)現(xiàn)機(jī)器學(xué)習(xí)綜合應(yīng)用以及SCI文章寫(xiě)作

論文實(shí)例解讀與復(fù)現(xiàn)：選擇兩篇應(yīng)用機(jī)器學(xué)習(xí)研究水泥基復(fù)合材料的SCI論文

1. Comparison of traditional and automated machine learning approaches in predicting the compressive strength of graphene oxide/cement composites. Construction and Building Materials, 2023, 394: 132179.

2. Machine learning aided uncertainty analysis on nonlinear vibration of cracked FG-GNPRC dielectric beam. Structures, 2023, 58: 105456.

? 論文中使用的復(fù)合材料數(shù)據(jù)集介紹

? 論文中的復(fù)合材料特征選擇與數(shù)據(jù)預(yù)處理方法

? 論文中使用的模型結(jié)構(gòu)與構(gòu)建

? 機(jī)器學(xué)習(xí)研究復(fù)合材料的超參數(shù)調(diào)整

? 復(fù)合材料研究中機(jī)器學(xué)習(xí)模型性能評(píng)估

? 復(fù)合材料機(jī)器學(xué)習(xí)研究結(jié)果可視化

課程總結(jié)與未來(lái)展望

? 課程重點(diǎn)回顧

? 機(jī)器學(xué)習(xí)在復(fù)合材料中的未來(lái)發(fā)展方向

? 如何繼續(xù)學(xué)習(xí)和深入研究

? Q&A環(huán)節(jié)

☆部分案例圖示：

智能融合：增材制造多物理場(chǎng)AI建模與工業(yè)應(yīng)用實(shí)戰(zhàn)

目錄

主要內(nèi)容

基礎(chǔ)奠基

1. 增材制造物理基礎(chǔ)（理論+案例）

1.1.金屬激光增材制造物理過(guò)程

1.1.1. 激光-材料相互作用機(jī)理

1.1.2. 關(guān)鍵缺陷形成機(jī)制

1.2.多物理場(chǎng)監(jiān)測(cè)方法（紅外、可見(jiàn)光、相干光、聲發(fā)射信號(hào)、同步輻射等）

1.3.金屬增材成型質(zhì)量監(jiān)測(cè)一般技術(shù)路線（數(shù)據(jù)采集、特征提取、模型構(gòu)建、閉環(huán)控制）

2. 深度學(xué)習(xí)核心理論（理論+案例）

2.1.深度學(xué)習(xí)基礎(chǔ)（CNN、RNN、LSTM、Attention、Transformer等）

2.2.遷移學(xué)習(xí)、聯(lián)邦學(xué)習(xí)、迭代學(xué)習(xí)等

2.3.增材特征工程：多模態(tài)特征融合、時(shí)頻域變換、經(jīng)驗(yàn)?zāi)B(tài)分解、特征提取。

2.4.工業(yè)場(chǎng)景模型評(píng)估指標(biāo)：準(zhǔn)確性、魯棒性、穩(wěn)定性、泛化能力

3. PyTorch在增材制造中的應(yīng)用實(shí)踐

3.1.工業(yè) AI 模型開(kāi)發(fā)范式

3.2.性能優(yōu)化與工程調(diào)優(yōu)技術(shù)

案例實(shí)踐（SCI論文復(fù)現(xiàn)）：

（1）定向能量沉積常見(jiàn)缺陷過(guò)程監(jiān)測(cè)；

（2）定向能量沉積或激光焊接形貌質(zhì)量控制；

核心算法精研

1. 物理信息神經(jīng)網(wǎng)絡(luò)(PINN)基礎(chǔ)

1.1.以物理約束替代或補(bǔ)充標(biāo)簽數(shù)據(jù)的原因、優(yōu)勢(shì)、途徑

1.2.PINN核心原理與構(gòu)建方式

案例實(shí)踐：一維熱傳導(dǎo)問(wèn)題的PINN構(gòu)建流程

2. PINN在增材制造中的建模策略

2.1.增材制造中的溫度場(chǎng)建模需求

2.2.控制方程建模與邊界條件設(shè)定

3. 工程化處理技巧

3.1.網(wǎng)格采樣（collocation points）策略

3.2.輸入歸一化與輸出約束

3.3.梯度計(jì)算效率優(yōu)化與收斂調(diào)試技巧

案例實(shí)踐：熔池狀態(tài)分類部署

4. PINN的前沿?cái)U(kuò)展與高級(jí)用法

4.1.深層結(jié)構(gòu)設(shè)計(jì)（多輸出PINN（溫度+應(yīng)力等多物理量）、輕量化網(wǎng)絡(luò)等）

4.2.數(shù)據(jù)融合與弱監(jiān)督建模（稀缺樣本、數(shù)據(jù)驅(qū)動(dòng) + 物理約束的混合模型）

4.3.工程挑戰(zhàn)與實(shí)際部署問(wèn)題

案例實(shí)踐：基于遷移學(xué)習(xí)PINN的增材制造3D溫度場(chǎng)預(yù)測(cè)（論文復(fù)現(xiàn)，如何套殼實(shí)現(xiàn)你自己領(lǐng)域的PINN模型）

增材制造專題（一）

1. 增材制造中不確定量化（UQ）建?；A(chǔ)

1.1.不確定性種類和來(lái)源

1.2.不確定性傳遞的基本原理

1.3.不確定性傳遞的數(shù)學(xué)框架（輸入不確定性 → 模型 → 輸出響應(yīng)不確定性）

2. 基于Fluent的仿真與不確定性傳播分析

2.1.Fluent在增材制造中的典型建模內(nèi)容

2.2.如何在Fluent中引入不確定性

2.3.不確定性傳播分析流程

3. 不確定性量化與敏感性分析方法

3.1. Polynomial Chaos Expansion

3.2. Sobol 敏感性分析與方差分解

3.3. Kriging代理模型

案例實(shí)踐：

（1）仿真數(shù)據(jù)驅(qū)動(dòng)定向能量沉積溫度場(chǎng)不確定性量化

（2）溫度梯度/冷卻速率穩(wěn)定性魯棒最優(yōu)化

增材制造專題（二）

1. 增材制造中的微觀組織與晶體結(jié)構(gòu)建模

1.1.晶粒結(jié)構(gòu)與材料性能關(guān)系

1.2.增材制造過(guò)程微觀組織多尺度建模路徑

1.3.顯微組織圖像的獲取與處理

2. ExaCA 模擬工具入門與操作流程

2.1.ExaCA模擬流程詳解

2.2.輸出結(jié)果分析與可視化

3. 基于圖像的晶體學(xué)參數(shù)預(yù)測(cè)模型構(gòu)建

3.1.數(shù)據(jù)獲取、網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

3.2.模型訓(xùn)練與驗(yàn)證、可視化

案例實(shí)踐：ExaCA + AI的集成建模與預(yù)測(cè)應(yīng)用（與前面的知識(shí)相融合）

☆部分案例圖展示

金屬結(jié)構(gòu)疲勞壽命預(yù)測(cè)與健康監(jiān)測(cè)技術(shù)

目錄

主要內(nèi)容

理論基礎(chǔ)與核心方法

1. 疲勞經(jīng)典理論及其瓶頸

1.1.疲勞失效的微觀與宏觀機(jī)理： 裂紋萌生、擴(kuò)展與斷裂的物理過(guò)程。

1.2.傳統(tǒng)方法的回顧與評(píng)析。

1.3.引出核心問(wèn)題：是否存在一個(gè)更具物理意義、能統(tǒng)一描述疲勞全過(guò)程（萌生與擴(kuò)展）且試驗(yàn)量更少的參量？

2. 能量法理論體系—從物理原理到數(shù)學(xué)模型

2.1.疲勞過(guò)程中的能量觀、核心物理量-塑性滯后環(huán)與能量耗散。

2.2.能量型壽命預(yù)測(cè)模型建立：Miner線性累積損傷理論、經(jīng)典能量模型講解、模型參數(shù)（如 Wc, Ec）的物理意義及其試驗(yàn)確定方法。

3. 能量法的數(shù)值實(shí)現(xiàn)通路

3.1.通路一：試驗(yàn)法直接獲取。

3.2.通路二：有限元法仿真獲取。（本課程重點(diǎn)）

3.2.1. 關(guān)鍵技術(shù)：使用有限元軟件進(jìn)行準(zhǔn)靜態(tài)循環(huán)塑性分析。

3.2.2. 材料模型選擇：線性隨動(dòng)強(qiáng)化模型、非線性隨動(dòng)強(qiáng)化模型、Chaboche模型及其適用場(chǎng)景。

3.2.3. 分析步設(shè)置：如何設(shè)置加載、卸載循環(huán)，以穩(wěn)定地模擬出滯后環(huán)。

3.2.4. 結(jié)果后處理：在FEA軟件中如何提取特定單元或節(jié)點(diǎn)的應(yīng)力-應(yīng)變數(shù)據(jù)，并導(dǎo)出用于計(jì)算ΔWp。

案例實(shí)踐1：基于ABAQUS的后橋殼疲勞壽命能量分析方法

案例實(shí)踐2：對(duì)含有應(yīng)力集中的焊接接頭進(jìn)行精細(xì)有限元建模及壽命預(yù)測(cè)

監(jiān)測(cè)與數(shù)據(jù)驅(qū)動(dòng)方法—紅外熱像技術(shù)與深度學(xué)習(xí)

4. 紅外熱像技術(shù)基礎(chǔ)與疲勞監(jiān)測(cè)原理

4.1.紅外物理學(xué)基礎(chǔ)及紅外熱像系統(tǒng)核心。

4.2.疲勞過(guò)程中的熱力學(xué)響應(yīng)。

4.2.1. 兩大熱源機(jī)理：熱彈性效應(yīng)、塑性耗散。

4.2.2. 從“測(cè)溫”到“讀力”與“讀傷”：闡釋如何從采集到的溫度信號(hào)中分離出上述兩種效應(yīng)，從而反推應(yīng)力信息或損傷信息。

5. 從溫度數(shù)據(jù)到能量耗散的實(shí)戰(zhàn)數(shù)據(jù)處理流程

5.1.數(shù)據(jù)預(yù)處理。

5.2.關(guān)鍵算法與分離技術(shù)。（本課程重點(diǎn)）

5.3.可視化分析：生成耗散能圖，直觀顯示試件表面的損傷熱點(diǎn)與分布。

案例實(shí)踐3：MATLAB紅外熱像數(shù)據(jù)處理

①　環(huán)境搭建：使用MATLAB，導(dǎo)入提供的示例紅外數(shù)據(jù)。

②　數(shù)據(jù)讀取與查看：讀取數(shù)據(jù)，查看平均溫度歷程曲線。

③　圖像預(yù)處理：編寫(xiě)代碼進(jìn)行空域?yàn)V波和時(shí)域?yàn)V波，對(duì)比濾波效果。

④　耗散能計(jì)算，將計(jì)算結(jié)果可視化為全場(chǎng)耗散能圖，定位疲勞熱點(diǎn)。

6. 深度學(xué)習(xí)入門：當(dāng)CNN和RNN遇見(jiàn)工程數(shù)據(jù)

6.1.卷積神經(jīng)網(wǎng)絡(luò)（CNN）核心概念：

6.1.1.卷積層、池化層、激活函數(shù)如何自動(dòng)提取圖像的空間層級(jí)特征。

6.1.2.經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)（如ResNet, U-Net）。

6.2循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN/LSTM）核心概念：為何需要處理序列數(shù)據(jù)？LSTM的門控機(jī)制如何捕捉溫度序列中的時(shí)序依賴關(guān)系。

6.3.模型架構(gòu)設(shè)計(jì)：講解如何為疲勞熱像序列設(shè)計(jì)一個(gè)“CNN特征提取器+ LSTM時(shí)序理解器+全連接層回歸/分類”的混合模型。

案例實(shí)踐4：基于熱耗散機(jī)制構(gòu)建裂紋長(zhǎng)度和擴(kuò)展路徑智能預(yù)測(cè)模型

①　環(huán)境與數(shù)據(jù)：使用本地MATLAB環(huán)境。提供已標(biāo)注的數(shù)據(jù)集（熱像圖序列 + 對(duì)應(yīng)的裂紋長(zhǎng)度標(biāo)簽）。

②　數(shù)據(jù)加載與預(yù)處理：進(jìn)行圖像縮放、歸一化、序列分割等操作。

③　模型搭建：使用MATLAB搭建CNN-LSTM模型，并輸出對(duì)最終裂紋長(zhǎng)度的預(yù)測(cè)。

④　模型訓(xùn)練與評(píng)估：

1) 定義損失函數(shù)（如MSELoss）和優(yōu)化器（如Adam）。

2) 運(yùn)行訓(xùn)練循環(huán)，觀察訓(xùn)練損失和驗(yàn)證損失的變化。

3) 使用訓(xùn)練好的模型對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，計(jì)算平均絕對(duì)誤差（MAE），評(píng)估模型性能。

綜合應(yīng)用—從局部損傷到整體壽命與可靠性

7. 從局部到全局——結(jié)構(gòu)系統(tǒng)疲勞壽命評(píng)估框架

7.1.問(wèn)題引出：如何將一個(gè)“點(diǎn)”（FEA危險(xiǎn)點(diǎn)、熱像熱點(diǎn)）的損傷預(yù)測(cè)，推廣到預(yù)測(cè)一個(gè)復(fù)雜焊接接頭或整個(gè)鉚接結(jié)構(gòu)的壽命？

7.2.基于能量的系統(tǒng)級(jí)疲勞分析流程。（本課程重點(diǎn)）

①　全局-局部建模。

②　局部響應(yīng)分析。

③　壽命外推與合成。

7.3.多源信息融合：探討如何利用紅外熱像實(shí)測(cè)的耗散能分布來(lái)驗(yàn)證、修正或替代FEA模型的計(jì)算結(jié)果，提高預(yù)測(cè)置信度。

案例實(shí)踐5：考慮應(yīng)力集中系數(shù)基于耗散能的鉚接結(jié)構(gòu)疲勞壽命預(yù)測(cè)

案例實(shí)踐6：非公路電動(dòng)輪自卸車車架焊縫壽命預(yù)測(cè)

①　全局模型：建立整車多體動(dòng)力學(xué)模型，提取車架安裝點(diǎn)處的載荷譜。

②　局部模型：建立包含詳細(xì)焊縫的車架精細(xì)有限元模型，導(dǎo)入載荷譜進(jìn)行有限元分析。

③　能量計(jì)算：定位焊縫熱點(diǎn)，提取其應(yīng)力-應(yīng)變響應(yīng)，計(jì)算ΔWp。

④　壽命預(yù)測(cè)：預(yù)測(cè)該焊縫在給定載荷譜下的壽命。

8. 不確定性、可靠性分析與設(shè)計(jì)優(yōu)化導(dǎo)論

8.1.為何需要可靠性分析、可靠性分析核心方法概念。

8.2.基于可靠性的設(shè)計(jì)優(yōu)化 (RBDO) 框架。

案例實(shí)踐7：非公路電動(dòng)輪自卸車A型架模糊疲勞可靠性分析

案例實(shí)踐8：磁流體密封系統(tǒng)冷卻結(jié)構(gòu)多學(xué)科優(yōu)化設(shè)計(jì)

①　數(shù)字化建模：密封殼體網(wǎng)格劃分及數(shù)值建模。

②　實(shí)驗(yàn)設(shè)計(jì) (DOE)：使用最優(yōu)拉丁超立方采樣生成設(shè)計(jì)點(diǎn)。

③　仿真流程：利用多物理場(chǎng)仿真軟件（如COMSOL），計(jì)算每個(gè)設(shè)計(jì)點(diǎn)的性能（密封壓差、最大應(yīng)力、溫度）。

④　代理模型構(gòu)建：使用克里金（Kriging）或神經(jīng)網(wǎng)絡(luò)，用仿真數(shù)據(jù)擬合出設(shè)計(jì)變量與系統(tǒng)響應(yīng)之間的近似數(shù)學(xué)關(guān)系，極大加速優(yōu)化循環(huán)。

⑤　優(yōu)化求解：使用遺傳算法等算法進(jìn)行RBDO求解，找到全局最優(yōu)設(shè)計(jì)。

培訓(xùn)特色

AI有限元專題

1、多尺度建模技術(shù)融合：不僅涵蓋了復(fù)合材料從微觀到宏觀的多尺度建模理論，還特別強(qiáng)調(diào)了有限元方法與神經(jīng)網(wǎng)絡(luò)建模的融合，提供了全面的視角來(lái)理解建模中的多尺度問(wèn)題。

2、工業(yè)級(jí)科研工具鏈實(shí)戰(zhàn)：以ABAQUS二次開(kāi)發(fā)為核心，集成PyCharm調(diào)試、PowerShell任務(wù)調(diào)度、TensorBoard可視化，構(gòu)建接近工業(yè)場(chǎng)景的自動(dòng)化仿真-學(xué)習(xí)流水線。

3、技術(shù)深度與廣度：從復(fù)合材料均質(zhì)化理論和有限元建模開(kāi)始，到更高級(jí)的神經(jīng)網(wǎng)絡(luò)建模、深度學(xué)習(xí)和遷移學(xué)習(xí)，逐步深入，確保學(xué)員能夠掌握不同復(fù)雜度的技術(shù)。

4、“物理+數(shù)據(jù)”雙引擎驅(qū)動(dòng)：突破純數(shù)據(jù)驅(qū)動(dòng)模型的“黑箱”局限，將Hashin準(zhǔn)則、周期性邊界條件等物理規(guī)則嵌入神經(jīng)網(wǎng)絡(luò)（如PINN），提升模型可解釋性與外推能力。

5、端到端系統(tǒng)交付能力培養(yǎng)：最終實(shí)踐環(huán)節(jié)封裝“參數(shù)化建?！抡妗A(yù)測(cè)”流程為獨(dú)立系統(tǒng)，輸出GUI界面或API接口，銜接學(xué)術(shù)成果與工業(yè)落地。

AI聚合物專題

1、前沿技術(shù)與理論結(jié)合：課程涵蓋了生成式AI的基本概念、深度學(xué)習(xí)技術(shù)、大語(yǔ)言模型等前沿內(nèi)容，同時(shí)結(jié)合了高分子材料的特性，使學(xué)員能夠系統(tǒng)地了解和掌握最新的技術(shù)動(dòng)態(tài)及其在材料領(lǐng)域的應(yīng)用。

2、豐富的案例實(shí)踐：通過(guò)多個(gè)案例實(shí)踐教學(xué)環(huán)節(jié)，如利用機(jī)器學(xué)習(xí)預(yù)測(cè)聚合物粘度、構(gòu)建耐熱高分子篩選工作流、大語(yǔ)言模型實(shí)現(xiàn)聚合物性質(zhì)預(yù)測(cè)等，讓學(xué)員在實(shí)際操作中加深對(duì)理論知識(shí)的理解，提升解決實(shí)際問(wèn)題的能力。

3、多學(xué)科知識(shí)融合：課程內(nèi)容涉及深度學(xué)習(xí)、高分子材料科學(xué)、材料基因組工程等多個(gè)學(xué)科領(lǐng)域，學(xué)員能夠在學(xué)習(xí)過(guò)程中拓寬知識(shí)面，培養(yǎng)跨學(xué)科思維，更好地應(yīng)對(duì)復(fù)雜的研發(fā)任務(wù)。

4、系統(tǒng)性與針對(duì)性：課程從生成式AI的基礎(chǔ)知識(shí)講起，逐步深入到大語(yǔ)言模型、材料基因組工程等核心內(nèi)容，使學(xué)員能夠系統(tǒng)地構(gòu)建知識(shí)體系，同時(shí)掌握與高分子材料研發(fā)相關(guān)的具體技術(shù)和方法。

5、工具與平臺(tái)應(yīng)用：介紹Tensorflow、Pytorch、HuggingFace、Langchain、Gradio等先進(jìn)的深度學(xué)習(xí)模塊和工具，使學(xué)員能夠熟練使用這些工具進(jìn)行高分子材料的研發(fā)工作，提升工作效率。

智能水泥基專題

1、跨學(xué)科前沿融合：聚焦材料科學(xué)中的實(shí)際痛點(diǎn)（如強(qiáng)度預(yù)測(cè)、性能優(yōu)化），通過(guò)算法驅(qū)動(dòng)研究創(chuàng)新，為學(xué)員提供交叉學(xué)科研究的系統(tǒng)性方法論。

2、全流程實(shí)戰(zhàn)導(dǎo)向：以“數(shù)據(jù)→模型→應(yīng)用→論文”為主線，覆蓋復(fù)合材料研究的全流程

數(shù)據(jù)層面：從數(shù)據(jù)采集、預(yù)處理到特征工程，結(jié)合納米材料增強(qiáng)案例詳解數(shù)據(jù)優(yōu)化策略；

模型層面：從基礎(chǔ)回歸模型（線性/多項(xiàng)式回歸）到高級(jí)技術(shù)（集成學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、PINNs、GAN），通過(guò)真實(shí)數(shù)據(jù)集（如水泥基復(fù)合材料力學(xué)性能）對(duì)比不同模型的優(yōu)劣；

應(yīng)用層面：結(jié)合PyTorch、Optuna等工具實(shí)現(xiàn)模型構(gòu)建、調(diào)參與優(yōu)化，并通過(guò)SHAP解釋模型決策邏輯，提升結(jié)果可信度；

成果轉(zhuǎn)化：復(fù)現(xiàn)兩篇頂刊SCI論文，解析實(shí)驗(yàn)設(shè)計(jì)、超參數(shù)調(diào)整與可視化方法。

3、技術(shù)深度與廣度：涵蓋經(jīng)典機(jī)器學(xué)習(xí)（SVM、隨機(jī)森林）、自動(dòng)化調(diào)參（XGBoost、LightGBM）、深度學(xué)習(xí)（MLP、GAN）、物理信息神經(jīng)網(wǎng)絡(luò)（PINNs）等多元技術(shù)；針對(duì)復(fù)合材料特性，如非線性力學(xué)關(guān)系、小樣本數(shù)據(jù)，設(shè)計(jì)專項(xiàng)解決方案。

4、工具鏈與可解釋性并重：引入工業(yè)級(jí)工具（PyTorch、Optuna）實(shí)現(xiàn)高效建模與超參數(shù)優(yōu)化；強(qiáng)調(diào)模型透明性，通過(guò)SHAP值分析特征貢獻(xiàn)度，助力結(jié)果的可解釋性與學(xué)術(shù)說(shuō)服力。

5、科研賦能與成果落地：提供頂刊論文復(fù)現(xiàn)模板，拆解實(shí)驗(yàn)設(shè)計(jì)、圖表制作與寫(xiě)作邏輯；探討機(jī)器學(xué)習(xí)在復(fù)合材料中的未來(lái)趨勢(shì)，引導(dǎo)學(xué)員規(guī)劃長(zhǎng)期研究方向。

增材制造專題

1、【雙驅(qū)智能】物理機(jī)理與數(shù)據(jù)智能的深度耦合：突破傳統(tǒng)“純數(shù)據(jù)驅(qū)動(dòng)”局限，獨(dú)創(chuàng) “物理方程約束+工業(yè)數(shù)據(jù)訓(xùn)練”雙引擎框架

(1) PINN工程化實(shí)戰(zhàn)：從一維熱傳導(dǎo)基礎(chǔ)推演到增材制造3D溫度場(chǎng)預(yù)測(cè)（含遷移學(xué)習(xí)套殼技巧），掌握用納維-斯托克斯方程、熱傳導(dǎo)定律替代缺失標(biāo)簽的工業(yè)級(jí)建模方法。

(2) UQ與物理仿真聯(lián)動(dòng)：結(jié)合Fluent仿真輸入不確定性，實(shí)現(xiàn)定向能量沉積溫度場(chǎng)方差分解與魯棒優(yōu)化（Sobol指標(biāo)驅(qū)動(dòng)工藝參數(shù)調(diào)優(yōu)）。

2、【工業(yè)閉環(huán)】SCI論文級(jí)案例貫穿研發(fā)全鏈路：以頂刊研究復(fù)現(xiàn)為腳手架，還原工業(yè)場(chǎng)景

(1) 監(jiān)測(cè)→診斷→控制閉環(huán)：從多物理場(chǎng)信號(hào)采集（紅外/聲發(fā)射）→ 熔池缺陷分類模型部署→工藝參數(shù)動(dòng)態(tài)優(yōu)化；

(2) 跨尺度預(yù)測(cè)實(shí)戰(zhàn)：ExaCA晶體模擬 + AI顯微圖像分析，實(shí)現(xiàn)晶粒結(jié)構(gòu)預(yù)測(cè)→力學(xué)性能關(guān)聯(lián)建模。

3、【瓶頸突破】攻克增材制造三大工程化難點(diǎn)：直擊企業(yè)工藝落地的核心痛點(diǎn)

(1) 稀缺樣本建模：物理信息約束解決小樣本場(chǎng)景（如航天特種合金缺陷數(shù)據(jù)不足）；

(2) 多模態(tài)特征融合：融合紅外熱像+聲發(fā)射頻域特征提升熔池狀態(tài)識(shí)別準(zhǔn)確率；

(3) 輕量化部署：針對(duì)邊緣設(shè)備設(shè)計(jì)PINN剪枝方案，提升推理速度

4、【工具鏈整合】覆蓋主流工業(yè)軟件與AI框架：構(gòu)建無(wú)縫銜接企業(yè)技術(shù)棧的能力矩陣

(1) Fluent多物理場(chǎng)仿真輸入U(xiǎn)Q

(2) ExaCA晶體結(jié)構(gòu)預(yù)測(cè)數(shù)據(jù)生成

(3) 同步輻射平臺(tái)缺陷機(jī)制驗(yàn)證數(shù)據(jù)源

5、【前沿躍遷】解鎖下一代智能增材關(guān)鍵技術(shù)：前瞻性融合國(guó)際最新研究方向

(1) 聯(lián)邦學(xué)習(xí)：跨企業(yè)數(shù)據(jù)孤島協(xié)作建模（如多基地工藝知識(shí)共享）

(2) 多輸出PINN：同步預(yù)測(cè)溫度場(chǎng)-應(yīng)力場(chǎng)-變形量，替代傳統(tǒng)串行仿真；

(3) Kriging代理模型：將高保真仿真壓縮多倍，實(shí)現(xiàn)實(shí)時(shí)工藝窗口推薦。

金屬結(jié)構(gòu)疲勞專題

1. 前沿交叉，學(xué)科融合

內(nèi)容整合了固體力學(xué)、熱物理學(xué)、有限元仿真、信號(hào)處理與深度學(xué)習(xí)等多個(gè)領(lǐng)域，旨在培養(yǎng)學(xué)員解決復(fù)雜工程問(wèn)題的跨學(xué)科系統(tǒng)性思維，契合高端裝備研發(fā)對(duì)復(fù)合型人才的要求。

2. 物理機(jī)理與數(shù)據(jù)智能雙驅(qū)動(dòng)

從能量法的物理本質(zhì)出發(fā)，利用紅外熱像數(shù)據(jù)驗(yàn)證機(jī)理模型，再引入深度學(xué)習(xí)提升預(yù)測(cè)智能性，形成“物理機(jī)理+數(shù)據(jù)驅(qū)動(dòng)”融合建模閉環(huán)，確保模型既有物理意義又具預(yù)測(cè)精度。

3. 高端工業(yè)軟件實(shí)戰(zhàn)，貫穿全流程

課程設(shè)計(jì)以工業(yè)級(jí)軟件實(shí)戰(zhàn)為核心線索，覆蓋從有限元分析、熱像數(shù)據(jù)處理到多學(xué)科優(yōu)化設(shè)計(jì)的完整工作流。學(xué)員通過(guò)實(shí)操將理論轉(zhuǎn)化為解決實(shí)際問(wèn)題的硬核技能，即學(xué)即用。

4. 案例導(dǎo)向，源自真實(shí)工業(yè)場(chǎng)景

所有案例均源于工程實(shí)際（如后橋殼、焊接接頭、自卸車車架、磁流體密封系統(tǒng)），直面應(yīng)力集中、焊縫疲勞、系統(tǒng)可靠性等工業(yè)真問(wèn)題，獲得解決方案與實(shí)踐經(jīng)驗(yàn)。

5. 技術(shù)鏈條完整，從局部到系統(tǒng)

課程內(nèi)容設(shè)計(jì)遵循“微觀機(jī)理-局部響應(yīng)-系統(tǒng)評(píng)估-可靠性優(yōu)化” 的完整技術(shù)鏈條。如何從一個(gè)點(diǎn)的損傷預(yù)測(cè)，推廣到評(píng)估整個(gè)復(fù)雜結(jié)構(gòu)的壽命與可靠性，構(gòu)建完整的知識(shí)體系。

6. 提供核心算法與數(shù)據(jù)處理代碼

在紅外熱像數(shù)據(jù)處理和深度學(xué)習(xí)模塊，課程將提供MATLAB核心算法代碼（如熱像數(shù)據(jù)濾波、耗散能分離、CNN-LSTM模型搭建），助力學(xué)員突破從理論到代碼實(shí)現(xiàn)的關(guān)鍵瓶頸。

報(bào)名須知

基于AI-有限元融合的復(fù)合材料多尺度建模與性能預(yù)測(cè)前沿技術(shù)

2025年11月01日-11月02日

2025年11月08日-11月09日
在線直播（授課四天）

人工智能賦能聚合物及復(fù)合材料模型應(yīng)用與實(shí)踐

2025年11月08日-11月09日

2025年11月15日-11月16日

在線直播（授課四天）

機(jī)器學(xué)習(xí)在智能水泥基復(fù)合材料中的應(yīng)用與實(shí)踐

2025年10月25日-10月26日

2025年11月01日-11月02日

在線直播（授課四天）

智能融合：增材制造多物理場(chǎng)AI建模與工業(yè)應(yīng)用實(shí)戰(zhàn)

2025年11月01日-11月02日

2025年11月08日-11月09日

在線直播（授課四天）

金屬結(jié)構(gòu)疲勞壽命預(yù)測(cè)與健康監(jiān)測(cè)技術(shù)

2025年10月18日-10月19日

2025年10月25日-10月26日

在線直播（授課四天）

增值服務(wù)

1、凡報(bào)名學(xué)員將獲得本次培訓(xùn)電子課件及案例模型文件；

2、培訓(xùn)結(jié)束可獲得本次所學(xué)專題課程全部無(wú)限次回放視頻；

3、凡參加AI有限元/增材制造/金屬結(jié)構(gòu)疲勞專題課程學(xué)員后期可免費(fèi)再參加一次本專題課程；

4、價(jià)格優(yōu)惠：

2025年10月01日前報(bào)名繳費(fèi)可享受200元早鳥(niǎo)價(jià)優(yōu)惠；

老學(xué)員或兩人（含）以上團(tuán)報(bào)可享受每人額外200元優(yōu)惠；

4、參加培訓(xùn)并通過(guò)試的學(xué)員，可以獲得：主辦方北京軟研國(guó)際信息技術(shù)研究院培訓(xùn)中心頒發(fā)的專業(yè)技能結(jié)業(yè)證書(shū)；

報(bào)名費(fèi)用

（含報(bào)名費(fèi)、培訓(xùn)費(fèi)、資料費(fèi)）

基于AI-有限元融合的復(fù)合材料多尺度建模與性能預(yù)測(cè)前沿技術(shù)：￥4600元/人

人工智能賦能聚合物及復(fù)合材料模型應(yīng)用與實(shí)踐：￥4300元/人

機(jī)器學(xué)習(xí)在智能水泥基復(fù)合材料中的應(yīng)用與實(shí)踐：￥4600元/人

智能融合：增材制造多物理場(chǎng)AI建模與工業(yè)應(yīng)用實(shí)戰(zhàn)：￥4500元/人

金屬結(jié)構(gòu)疲勞壽命預(yù)測(cè)與健康監(jiān)測(cè)技術(shù)：￥4300元/人

【注】費(fèi)用提供用于報(bào)銷的正規(guī)機(jī)打發(fā)票及蓋有公章的紙質(zhì)通知文件；北京中科緯來(lái)智能科技有限公司作為本次會(huì)議會(huì)務(wù)合作單位，負(fù)責(zé)注冊(cè)費(fèi)用收取和開(kāi)具發(fā)票。如需開(kāi)具會(huì)議費(fèi)的單位請(qǐng)聯(lián)系招生老師索取會(huì)議邀請(qǐng)函；

聯(lián)系方式