学术前沿 | 基于机器学习的超材料表征与逆设计

文章预览

      超材料具有独特的结构，表现出适用于各个领域的卓越特性。实验和有限元方法 (FEM) 等传统方法已被广泛用于表征这些特性。然而，使用这些方法探索广泛的结构来设计具有优异性能的所需结构可能非常耗时。本文提出了一种基于机器学习的方法来加速预测有效的超材料特性，从而发现具有多样化和突出特性的微结构。该过程涉及构建 2D 和 3D 微观结构，包括多孔材料、固-固基材料和液-固基材料。然后采用有限元方法来确定超材料的有效特性。随后，应用随机森林（RF）算法来训练和预测有效属性。此外，Aquila Optimizer (AO) 方法用于逆向设计中的多重优化任务。回归模型能够准确估计，确定系数高于0.98，平均绝对百分比误差低于0.088，均方根误差低于0.03，表明基于机器学习的方法可以准确表征超材料特性。AO 在前 30 次迭代中设计了具有高杨 ………………………………