基于三维卷积神经网络的微结构性能快速预测

doi:10.3969/j.issn.1004-132X.2025.11.026

摘要/Abstract

摘要：

微结构与宏观结构的显著尺度差异，以及复杂的微观几何构型与基材属性的耦合导致微结构的宏观等效性能分析十分困难。提出了一种基于三维卷积神经网络的微结构均质化弹性张量预测模型。采用水平集方法完成微结构的参数化建模，通过数值均质化计算微结构的等效弹性张量。提出几何构型与基材属性耦合的数据表达方法，实现混合输入与等效弹性张量标签的匹配，并将匹配的数据样本作为神经网络训练的数据集。最后，从预测结果的分项误差、计算效率两个方面进行了模型性能分析，所提模型在允许的误差范围内能显著提高微结构的性能分析效率。

关键词: 神经网络, 微结构, 数值均质化, 水平集方法

Abstract:

The significant scale difference between microstructure and macro structure， and the coupling of complex micro-geometric configuration and substrate properties which make the analysis of macro-equivalent performance of microstructure is very difficult. Therefore， a prediction model of microstructure homogenization elastic tensor was proposed based on three-dimensional convolutional neural network. A parametric modeling of microstructure was completed by level set method， and the equivalent elastic tensor of microstructure was calculated by numerical homogenization. A data representation method coupling geometric configuration and substrate properties was proposed to match the mixed inputs and equivalent elastic tensor labels， and the matched data samples were used as the dataset for neural network training. Finally， model performance was analyzed from partial errors of the predicted results and the calculation efficiency. The proposed model may significantly improve the performance analysis efficiency of the microstructure within the allowable error range.

Key words: neural network, microstructure, numerical homogenization, level-set method

中图分类号:

TB383

龙千浩, 周颖, 高亮, 李好. 基于三维卷积神经网络的微结构性能快速预测[J]. 中国机械工程, 2025, 36(11): 2685-2693.

Qianhao LONG, Ying ZHOU, Liang GAO, Hao LI. Fast Prediction of Microstructure Performance Based on 3D Convolutional Neural Network[J]. China Mechanical Engineering, 2025, 36(11): 2685-2693.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2025.11.026

https://www.cmemo.org.cn/CN/Y2025/V36/I11/2685

图/表 11

参考文献 30

[1]	卢天健，何德坪，陈常青，等. 超轻多孔金属材料的多功能特性及应用［J］. 力学进展， 2006， 36（4）： 517-535.
	LU Tianjian， HE Deping， CHEN Changqing， et al. The Multi-functionality of Ultra-light Porous Metals and Their Applications［J］. Advances in Mechanics， 2006， 36（4）： 517-535.
[2]	熊健，杜昀桐，杨雯，等. 轻质复合材料夹芯结构设计及力学性能最新进展［J］. 宇航学报， 2020， 41（6）： 749-760.
	XIONG Jian， DU Yuntong， YANG Wen， et al. Research Progress on Design and Mechanical Properties of Lightweight Composite Sandwich Structures［J］. Journal of Astronautics， 2020， 41（6）： 749-760.
[3]	雷红帅，赵则昂，郭晓岗，等. 航天器轻量化多功能结构设计与制造技术研究进展［J］. 宇航材料工艺， 2021， 51（4）： 10-22.
	LEI Hongshuai， ZHAO Zeang， GUO Xiaogang， et al. Research Progress on the Design and Manufacture Technology of Lightweight Multifunctional Spacecraft Structures［J］. Aerospace Materials & Technology， 2021， 51（4）： 10-22.
[4]	SAEB S， STEINMANN P， JAVILI A. Aspects of Computational Homogenization at Finite Deformations： a Unifying Review from Reuss' to Voigt's Bound［J］. Applied Mechanics Reviews， 2016， 68（5）： 050801.
[5]	HASHIN Z， SHTRIKMAN S. A Variational Approach to the Theory of the Effective Magnetic Permeability of Multiphase Materials［J］. Journal of Applied Physics， 1962， 33（10）： 3125-3131.
[6]	MORI T， TANAKA K. Average Stress in Matrix and Average Elastic Energy of Materials with Misfitting Inclusions［J］. Acta Metallurgica， 1973， 21（5）： 571-574.
[7]	BENVENISTE Y. A New Approach to the Application of Mori-Tanaka's Theory in Composite Materials［J］. Mechanics of Materials， 1987， 6（2）： 147-157.
[8]	KRÖNER E. Berechnung Der Elastischen Konstanten des Vielkristalls Aus Den Konstanten des Einkristalls［J］. Zeitschrift Für Physik， 1958， 151（4）： 504-518.
[9]	WILLIS J R. Bounds and Self-consistent Estimates for the Overall Properties of Anisotropic Composites［J］. Journal of the Mechanics and Physics of Solids， 1977， 25（3）： 185-202.
[10]	KERNER E H. The Elastic and Thermo-elastic Properties of Composite Media［J］. Proceedings of the Physical Society Section B， 1956， 69（8）： 808-813.
[11]	CHATZIGEORGIOU G， SEIDEL G D， LAGOUDAS D C. Effective Mechanical Properties of “Fuzzy Fiber” Composites［J］. Composites Part B： Engineering， 2012， 43（6）： 2577-2593.
[12]	蔡园武. 周期性板结构的渐近均匀化方法及微结构优化［D］. 大连：大连理工大学， 2014.
	CAI Yuanwu. Asymptotic Homogenization of Periodic Plate and Micro-structural Optimization［D］. Dalian： Dalian University of Technology， 2014.
[13]	HASSANI B， HINTON E. A Review of Homogenization and Topology Optimization I—Homogenization Theory for Media with Periodic Structure［J］. Computers & Structures， 1998， 69（6）： 707-717.
[14]	张永存，尚士朋，梁宇静. 周期性复合材料等效传热系数预测的渐进均匀化新算法及其实现［J］. 复合材料学报， 2018， 35（1）： 208-217.
	ZHANG Yongcun， SHANG Shipeng， LIANG Yujing. A New Algorithm of Asymptotic Homogenization Method for Predicting the Effective Thermal Conductivity and Its Implementation of Periodic Composite Materials［J］. Acta Materiae Compositae Sinica， 2018， 35（1）： 208-217.
[15]	SCHUMACHER C， BICKEL B， RYS J， et al. Microstructures to Control Elasticity in 3D Printing［J］. ACM Transactions on Graphics， 2015， 34（4）： 1-13.
[16]	PANETTA J， ZHOU Qingnan， MALOMO L， et al. Elastic Textures for Additive Fabrication［J］. ACM Transactions on Graphics， 2015， 34（4）： 1-12.
[17]	MARTÍNEZ J， DUMAS J， LEFEBVRE S. Procedural Voronoi Foams for Additive Manufacturing［J］. ACM Transactions on Graphics， 2016， 35（4）： 1-12.
[18]	TEMIZER İ， WRIGGERS P. An Adaptive Method for Homogenization in Orthotropic Nonlinear Elasticity［J］. Computer Methods in Applied Mechanics and Engineering， 2007， 196（35/36）： 3409-3423.
[19]	YVONNET J， GONZALEZ D， HE Q C. Numerically Explicit Potentials for the Homogenization of Nonlinear Elastic Heterogeneous Materials［J］. Computer Methods in Applied Mechanics and Engineering， 2009， 198（33/36）： 2723-2737.
[20]	YVONNET J， MONTEIRO E， HE Qichang. Computational Homogenization Method and Reduced Database Model for Hyperelastic Heterogeneous Structures［J］. International Journal for Multiscale Computational Engineering， 2013， 11（3）： 201-225.
[21]	LIU Peiqing， LIU An， PENG Hao， et al. Mechanical Property Profiles of Microstructures via Asymptotic Homogenization［J］. Computers & Graphics， 2021， 100： 106-115.
[22]	FRITZEN F， KUNC O. Two-stage Data-driven Homogenization for Nonlinear Solids Using a Reduced Order Model［J］. European Journal of Mechanics—A/Solids， 2018， 69： 201-220.
[23]	LE B A， YVONNET J， HE Q C. Computational Homogenization of Nonlinear Elastic Materials Using Neural Networks［J］. International Journal for Numerical Methods in Engineering， 2015， 104（12）： 1061-1084.
[24]	LU Xiaoxin， GIOVANIS D G， YVONNET J， et al. A Data-driven Computational Homogenization Method Based on Neural Networks for the Nonlinear Anisotropic Electrical Response of Graphene/Polymer Nanocomposites［J］. Computational Mechanics， 2019， 64（2）： 307-321.
[25]	BERMEJILLO BARRERA M D， FRANCO-MARTÍNEZ F， DÍAZ LANTADA A. Artificial Intelligence Aided Design of Tissue Engineering Scaffolds Employing Virtual Tomography and 3D Convolutional Neural Networks［J］. Materials， 2021， 14（18）： 5278.
[26]	WU Peichen， IQUEBAL A S， ANKIT K. Emulating Microstructural Evolution during Spinodal Decomposition Using a Tensor Decomposed Convolutional and Recurrent Neural Network［J］. Computational Materials Science， 2023， 224： 112187.
[27]	ZHENG Li， KUMAR S， KOCHMANN D M. Data-driven Topology Optimization of Spinodoid Metamaterials with Seamlessly Tunable Anisotropy［J］. Computer Methods in Applied Mechanics and Engineering， 2021， 383： 113894.
[28]	ZHENG Xiaoyang， CHEN Tate， GUO Xiaofeng， et al. Controllable Inverse Design of Auxetic Metamaterials Using Deep Learning［J］. Materials & Design， 2021， 211： 110178.
[29]	DONG Jiaqi， QIN Qinghua， XIAO Yi. Nelder-mead Optimization of Elastic Metamaterials via Machine-learning-aided Surrogate Modeling［J］. International Journal of Applied Mechanics， 2020， 12（1）： 2050011.
[30]	ANDREASSEN E， ANDREASEN C S. How to Determine Composite Material Properties Using Numerical Homogenization［J］. Computational Materials Science， 2014， 83： 488-495.

序号	结构	本层输入、输出的数据维度
1	卷积块1	（2×40×40×40）、（2×20×20×20）
2	卷积块2	（2×20×20×20）、（2×10×10×10）
3	卷积块3	（2×10×10×10）、（2×5×5×5）
4	全连接层1	（2×5×5×5）、128
5	全连接层2	128、64
6	全连接层3	64、32
7	全连接层4	32、3

序号	结构	本层输入、输出的数据维度
1	卷积块1	（2×40×40×40）、（2×20×20×20）
2	卷积块2	（2×20×20×20）、（2×10×10×10）
3	卷积块3	（2×10×10×10）、（2×5×5×5）
4	全连接层1	（2×5×5×5）、128
5	全连接层2	128、64
6	全连接层3	64、32
7	全连接层4	32、3

体积分数/ %	三维卷积网络预测结果	数值均质化计算结果	相对误差/ %
11	（3.99，3.44，3.17）	（4.03，3.45，3.13）	0.85
23	（11.27，8.35，7.48）	（11.18，8.43，7.66）	1.37
35	（22.15，14.29，13.18）	（22.31，14.14，13.12）	0.75
47	（40.12，20.98，19.91）	（39.51，20.63，19.73）	1.38
59	（66.91，28.84，28.22）	（66.22，28.68，27.95）	0.86
11	（9.75， 0.76，0.38）	（9.78，0.75，0.39）	1.40
23	（22.19，2.48，1.63）	（22.23，2.41，1.67）	1.83
35	（38.25，5.63，4.69）	（38.37，5.56，4.76）	1.01
47	（59.23，11.15.10.49）	（59.34，11.04.10.57）	0.65
59	（86.28，20.73，19.97）	（87.01，20.45，19.89）	0.87
11	（6.26，2.75，2.49）	（6.13，2.84，2.56）	2.67
23	（15.26，6.42，5.78）	（14.93，6.25，5.68）	2.23
35	（29.25，10.32，10.25）	（28.93，10.65，10.02）	2.17
47	（48.93，16.12，15.63）	（48.67，15.99，15.55）	0.62
59	（76.24，23.46，22.71）	（76.62，23.67，23.02）	0.91
11	（5.45，3.11，2.94）	（5.37，3.19，2.89）	1.91
23	（13.57，7.47，6.85）	（13.49，7.54，6.78）	0.85
35	（25.79，12.82，12.25）	（25.78，12.97，11.96）	1.21
47	（43.85，19.36，18.44）	（43.38，19.08，18.29）	1.12
59	（71.26，27.65，26.99）	（70.61，27.36，26.82）	0.87
11	（6.91，2.56，2.29）	（6.77，2.47，2.22）	2.95
23	（15.88，6.56，5.98）	（15.60，6.46，5.91）	1.51
35	（28.73，11.35，10.62）	（28.99，11.52，10.84）	1.47
47	（47.74，18.21，17.35）	（47.19，17.92，17.32）	1.54
59	（74.63，27.54，26.75）	（74.26，27.22，26.40）	1.00

体积分数/ %	三维卷积网络预测结果	数值均质化计算结果	相对误差/ %
11	（3.99，3.44，3.17）	（4.03，3.45，3.13）	0.85
23	（11.27，8.35，7.48）	（11.18，8.43，7.66）	1.37
35	（22.15，14.29，13.18）	（22.31，14.14，13.12）	0.75
47	（40.12，20.98，19.91）	（39.51，20.63，19.73）	1.38
59	（66.91，28.84，28.22）	（66.22，28.68，27.95）	0.86
11	（9.75， 0.76，0.38）	（9.78，0.75，0.39）	1.40
23	（22.19，2.48，1.63）	（22.23，2.41，1.67）	1.83
35	（38.25，5.63，4.69）	（38.37，5.56，4.76）	1.01
47	（59.23，11.15.10.49）	（59.34，11.04.10.57）	0.65
59	（86.28，20.73，19.97）	（87.01，20.45，19.89）	0.87
11	（6.26，2.75，2.49）	（6.13，2.84，2.56）	2.67
23	（15.26，6.42，5.78）	（14.93，6.25，5.68）	2.23
35	（29.25，10.32，10.25）	（28.93，10.65，10.02）	2.17
47	（48.93，16.12，15.63）	（48.67，15.99，15.55）	0.62
59	（76.24，23.46，22.71）	（76.62，23.67，23.02）	0.91
11	（5.45，3.11，2.94）	（5.37，3.19，2.89）	1.91
23	（13.57，7.47，6.85）	（13.49，7.54，6.78）	0.85
35	（25.79，12.82，12.25）	（25.78，12.97，11.96）	1.21
47	（43.85，19.36，18.44）	（43.38，19.08，18.29）	1.12
59	（71.26，27.65，26.99）	（70.61，27.36，26.82）	0.87
11	（6.91，2.56，2.29）	（6.77，2.47，2.22）	2.95
23	（15.88，6.56，5.98）	（15.60，6.46，5.91）	1.51
35	（28.73，11.35，10.62）	（28.99，11.52，10.84）	1.47
47	（47.74，18.21，17.35）	（47.19，17.92，17.32）	1.54
59	（74.63，27.54，26.75）	（74.26，27.22，26.40）	1.00

	数值均质化方法	三维卷积神经网络
总耗时	3445.6	2.1
单个耗时	34.46	0.02