摘要
超弹性多孔材料凭借其弹性体基体和微观孔结构拥有优异的力学属性（高回弹、柔韧性、抗疲劳/氧化性）和多孔特性（低密度、可压缩、轻质等），可作为缓冲垫、包装袋、植入物，武器装备零件等，广泛应用于工业制造、生物医疗和日常生活领域。相比于传统发泡法制备的随机泡沫，增材制造技术的发展大大拓宽了材料结构设计的空间。然而，由于其材料的非线性弹性和孔结构的复杂性，传统超弹性本构模型和实验方法无法快速探索庞大的参数空间，从而不能准确描述孔结构与材料力学行为的关系。通过有限的数据集就能获得整个参数空间的可靠预测，机器学习凭借此强大的学习能力已在许多新材料的发现和设计中得到很好的证明。因此，本文结合机器学习与数值仿真，分别针对随机和有序的超弹性多孔结构，使用数据驱动的方法构建超弹性多孔材料结构-性能关系。 考虑孔隙率和孔径对随机弹性体泡沫力学行为的影响，提出了一个基于人工神经网络（ANN）的本构模型描述泡沫单轴荷载下的力学响应。使用均匀分布的泡孔代表单分散泡沫。泡沫结构的四个输入（轴向拉伸λU，侧向拉伸λL，孔隙率φ，孔径θ）和对应的力学响应（Cauchy应力）之间的本构关系由con-ANN给出。均匀化采样了500个不同的泡沫结构（20%＜φ＜60%, 0.1mm＜θ＜0.5mm）,并模拟其压缩和拉伸下的力学响应（0.4＜λU＜3），总共获得100000个输入输出对。同时提出了pre-ANN来解决实际应用中侧向应变缺失的问题，使用物理经验选择合适的输出形式和激活函数来提高ANN的外推能力。结果显示两个ANN能够预测不同孔隙率和孔径泡沫结构的力学行为，同时对数据集外的应变也能给出合理的预测。 使用CatBoost模型研究简单堆叠开孔超弹性材料（SC，SC121，SC131）的结构-性能关系，选择（胶丝半径，胶丝间距，融合厚度）与力学特性（相对密度，Ex，Ey， Ez）作为模型的输入与输出。使用体素RVE构建了2300个不同堆叠方式和结构参数的模型，由数值均匀化方法计算得到每个RVE的等效杨氏模量。通过不同的堆叠方式和结构参数RVE表现出一定范围的密度和杨氏模量。通过交叉验证方法搜索CatBoost模型参数。结果显示，CatBoost能够准确预测材料不同结构和力学属性之间的映射，并给出不同结构参数的特征权重，其中胶丝间距具有最大的权重，融合厚度权重最小。另外，堆叠方式仅影响结构x方向和y方向上的杨氏模量，相同密度下较小的胶丝半径具有更大的刚度。
NETL