深度学习驱动框架在相互竞争强度要求下优化多晶微结构

摘要

研究提出深度学习驱动框架，在相互竞争的准静态与动态性能要求下优化多晶微结构。3D U-Net代理模型将多晶铜微结构直接映射到板撞击模拟的全场速度历史，保留评估动态性能与失效机制所需时空分辨率，并与随机微结构生成、无导数优化耦合以搜索设计空间。为监测代理可靠性，作者引入基于最大均值差异（MMD）的分布一致可靠性区域（DCRR），量化相对训练数据的分布偏移。框架用于层裂强度与屈服强度的约束优化及逆向设计。最优设计经CPFE模拟验证，预测误差低于3%，代理驱动优化使累计评估时间较直接CPFE优化减少约四个数量级。该框架适用于高保真全场模拟代价高昂、但时空分辨响应信息对评估与优化必不可少的问题。