昨天发Nature，今天再发Science！复合材料领域改写教科书式操作！“王炸”设计！

目录

主要内容

关键理论与软件

二次开发使用方法

1.   基础理论：

1.1.复合材料均质化理论（Eshelby方法、代表性体积单元RVE）论文详述

1.2.有限元在复合材料建模中的关键问题（网格划分、周期性边界条件）

1.3.神经网络基础与迁移学习原理（DNN、CNN、Domain Adaptation）

1.4.纤维复合材料的损伤理论（Tsai-Wu准则、Hashin准则）

实践1：软件环境配置与二次开发方法实践

☆ ABAQUS/Python脚本交互（基于论文中RVE建模案例）

☆ ABAQUS GUI操作与Python脚本自动化建模

☆ 输出应力-应变场数据的文件格式标准化

☆ ABAQUS二次开发框架搭建

☆基于ABAQUS二次开发程序的Hashin/Tsai-Wu失效分析有限元实践

☆ TexGen软件安装及GUI界面操作介绍、Python脚本参数化方法

☆ 三维编织/机织纤维复合材料几何模型及网格划分方法

多尺度建模与数据生成方法

1.   复合材料多尺度建模与仿真分析方法

1.1.多相复合材料界面（纤维/基质界面）理论机理（Cohesive模型）

1.2.连续纤维复合材料RVE建模（纤维分布算法、周期性边界条件实现）

1.3.参数化设计：纤维体积分数、纤维直径随机性等对性能的影响

1.4.双尺度有限元仿真方法原理及理论（FE2方法）

1.5.直接双尺度有限元仿真方法原理及理论方法（Direct FE2方法）

实践2：大批量仿真分析与数据处理方法

☆ 考虑界面结合（Cohesive模型）的复合材料分析模型建立

☆ 基于Python的ABAQUS批量仿真（PyCharm嵌入ABAQUS计算内核）

☆ 基于PowerShell调用Python FEA脚本解决动态内存爆炸问题

☆ 控制纤维体分比的纤维丝束生成算法（RSE）

☆ 编写脚本生成不同纤维排布的RVE模型

☆ 输出训练数据集（应变能密度、弹性等效属性等）

☆ ABAQUS实现Direct   FE2方法仿真分析（复合材料）

深度学习模型构建与训练

1.   深度学习模型设计：

1.1.基于多层感知机（DNN）的训练预测网络

1.2.基于卷积神经网络（CNN）的跨尺度特征提取网络（ResNet/DenseNet）

1.3.复合材料的多模态深度学习方法（结构特征提取+材料属性）

1.4.三维结构（多相复合材料/单相多孔材料）的特征处理及预测方法

1.5.物理信息神经网络（PINN）：将物理信息融合到深度学习中

1.6.迁移学习策略：预训练模型在新型复合材料中的参数微调

实践3：代码实现与训练

☆ 深度学习框架PyTorch/TensorFlow模型搭建

☆ 构建多层感知机（DNN）的训练预测网络

☆ 数据增强技巧：对有限元数据进行噪声注入与归一化

☆ 构建二维结构的特征处理及预测网络（CNN—ResNet/DenseNet）+多模态学习预测

☆ 构建三维结构的特征处理及预测网络（三维卷积神经网络）

☆ 建立物理信息神经网络（PINN）学习预测模型

迁移学习与跨领域应用

1.   迁移学习理论深化

1.1.归纳迁移学习与迁移式学习理论深入详解与应用

1.2.归纳迁移学习在跨领域学习预测中的应用

1.3.领域自适应（Domain Adaptation）在材料跨尺度预测中的应用

1.4.案例：碳纤维→玻璃纤维、树脂基质→金属基质的性能预测迁移

实践4：基于预训练模型的迁移学习

☆ 迁移学习神经网络模型的搭建

☆ 归纳学习方法：加载预训练模型权重，针对新材料类型进行微调

☆ 领域自适应：使用领域自适应方法预测未知新材料相关属性

☆ 使用TensorBoard可视化训练过程与性能对比

实践5：端到端复合材料性能预测系统开发

☆ 参数化建模→有限元计算→神经网络预测→结果可视化全流程实现

目录

主要内容

1.  学习目标:明确生成式AI方法的适用性，优势，以及局限性等。

1.1 深度学习和生成式AI

1.2 生成式AI的应用实例（VAE、Diffusion、LLM等）

1.3 生成式AI在材料领域(无机、金属、高分子等领域)的应用

2.  学习目标:以生成式AI中最重要的一个模块—大语言模型为例，对生成式AI进行重点分析。

2.1 大模型的架构与特点（如 GPT、BERT 等）

2.2 （聚合物）材料大模型最新开发进展

2.3 大模型的训练与应用示例

案例实践教学一： 以GPT训练为例

3.  学习目标:以大语言模型为例，有针对性的对生成式AI进行系统的学习，以方便将来开展基于生成模型的性质预测和逆向设计的学习

3.1 Tensorflow与Pytorch—深度学习模块

3.2 HuggingFace—大语言模型的“Github“

3.3 Langchain—训练、使用大模型的脚手架

3.4 Gradio—自己部署在线机器学习模型

案例实践教学二: 利用机器学习和生成式AI方法预测聚合物粘度——体会各模型在精度、复杂度和计算时间的区别

4.  学习目标:从数据库出发，对材料领域常见的数据库进行介绍，学习如何利用Pandas、ChemDraw、Dragon、Mordred等软件包批量构建及处理数据集，对材料进行特征选择。常见的聚合物材料结构表示方法及编码及机器学习模型的评估与利用

4.1 材料基因组：从高通量计算到智能设计

4.2 常见（聚合物）材料数据库：Material Project数据库、PolyInfo、AI Polymer Plus、Polymer Genome

4.3常见聚合物数据获取与使用

4.4 聚合物结构的特征工程

4.5 特征选择(过滤特征、包装到其他评估或集成到训练)

案例实践教学三： (包含以下内容)

（1）从零开始手搓耐热高分子/高力学性能高分子机器学习筛选工作流的代码，

（2）实现对聚合物结构表示、特征筛选、模型建立、模型优化和高通量筛选的掌握

（3）通过以上课程加深对于机器学习模型和深度神经网络（如图神经网络）的掌握。

案例实践教学四： 主动学习、对比学习框架在聚合物科学问题中的实现

5.  学习目标:介绍深度学习领域前沿内容，了解材料科学与机器学习领域最新研究动态，同时介绍几种更为先进的机器学习算法。

5.1 生成模型在聚合物材料性质预测和逆向设计中的应用与挑战

5.2 大语言模型驱动性质预测

案例实践教学五： 大语言模型实现聚合物性质预测—polyBERT和TransPolymer

5.3 逆向设计范式：

案例实践教学六： VAE和大语言模型实现聚合物按需逆向设计

5.4 生成式AI在材料科学中的规模化应用前景

时间

主要内容

第一天

1. ABAQUS复合材料建模基础

1.1.ABAQUS软件简介与基本操作

1.2.几何建模与物理参数设定、网格剖分技术

1.3.复合材料层结构建模方法（壳单元、连续壳单元及多层实体单元）

1.4.静力分析中强度准则和损伤判据

1.5.数据输入与输出操作及结果解读

复合材料层合结构热-力耦合算例（实例）

2. 断裂力学与与损伤分析

2.1.断裂力学基础理论

2.2.基于XFEM方法的裂纹扩展模拟(实例）

2.3.VCCT方法入门（实例）

2.4.Cohesive方法入门（实例）

第二天

3. 断裂力学与损伤分析

3.1.基于虚裂纹闭合技术(VCCT)的分层扩展模拟（实例）

3.2.基于cohesive单元的分层/界面损伤扩展模拟（实例）

4. 复合材料加筋板静载荷分析与承载能力预测

4.1.复合材料加筋板的压溃分析基本理论

4.2.复合材料加筋板的压溃分析（实例）

4.3.复合材料加筋板剪切失效测试案例解析

4.4.复合材料层合板剪切失效模拟（实例）

第三天

5. 特殊复合材料建模与分析

5.1.复合材料损伤失效行为的多尺度分析概述

5.2.颗粒增强金属基复合材料结构建模、胞元分析技术（实例）

5.3.短纤维增强复合材料结构建模、胞元分析技术（实例）

6. 复合材料冲击与动态响应

6.1.结构动力学基础理论与ABAQUS动力学分析工具

6.2.复合材料加筋板自由振动分析(实例）

6.3.低速冲击理论与冲击后剩余压缩强度实验方法

6.4.复合材料冲击损伤模型与仿真流程

6.5.复合材料加筋板低速冲击过程模拟与剩余强度计算（实例）

6.6.高速冲击问题概述与模拟策略

6.7.高速冲击模拟（实例）

第四天

7. 高级编程与二次开发

7.1.工程材料本构关系与损伤模型简介

7.2.基于MATLAB与Python的参数化建模与脚本编程（实例）

7.3.ABAQUS接口子程序（UMAT、USDFLD等）原理与应用

7.4.基于接口子程序的材料弹塑性与粘弹性分析（实例）

7.5.复合材料损伤分析（实例）

8. 论文写作与科研指导

8.1.复合材料仿真计算文章（SCI）案例解析

8.2.SCI 论文撰写规范与创新思路

8.3.航空航天复合材料发展趋势与创新研究展望

8.4.算例补充与论文写作互动环节

欢迎各位学员带着课程相关问题参加学习交流，

我们将全力为你们解决问题！