近日，《Extreme Mechanics Letter》刊登了武汉大学周伟教授团队的最新研究成果。该研究基于机器学习研究了不同摩擦系数颗粒体系的结构-性能关系。研究论文题为《The structure-property relationship of granular materials with different friction coefficients Insight from machine learning》。马刚副教授为通讯作者。

1研究背景

当颗粒材料受到机械扰动时，其内部会产生动态非均匀性。尽管长期以来在材料科学中学者们认为这种动态非均匀性与微观结构有关，但对颗粒材料结构-动力学特性的相关研究还很少。本研究中，我们采用离散单元法模拟多分散颗粒体系的常规三轴加载试验。数值模拟中我们使用不同的摩擦系数表示不同的微观接触模式。引入极端梯度提升机算法进行机器学习，从颗粒材料的微观结构环境出发，成功地建立了可以预测颗粒材料塑性变形的机器学习模型。此外，我们还研究了颗粒材料的微观结构指标对颗粒体系多种动力学特性的影响。我们进一步观察并解释了不同摩擦系数的颗粒体系中机器学习预测能力的变化。总之，我们的研究对颗粒材料的结构-动力学特性关系提出了更加深入和富有创新性的见解。

2模型和方法

我们制备了由16000个多分散球形颗粒组成的一系列数值试样，如图1所示。在本工作中，我们使用LIGGGHTS离散元算法来实现离散单元法的数值模拟。在离散单元法模拟中采用Hertz-Mindlin接触模型，颗粒为可变形体。将摩擦系数分别设置为0.01,0.05,0.1,0.2,0.3,0.4，对于每个摩擦系数的颗粒体系，我们分别进行了25次平行试验。

图1 数值试样示意图

3主要结果

本研究中，我们使用极端梯度提升机（XGBoost）作为机器学习算法，这是一个得到广泛使用的监督学习算法。将颗粒的近程和中程结构特征编码为结构特征向量作为机器学习模型的输入。对不同应变条件下的颗粒体系内的塑性变形进行预测，取得了不错的效果。

图2 机器学习模型与特征矢量

图3 “软度”因子与前5%塑性变形最大颗粒的空间分布

进一步的研究表明，软度因子的时空相关性与塑性变形的时空相关性高度一致，且颗粒体系整体软度的演化与应力应变曲线的演化高度一致。

图4 颗粒平动和转动的耦合关系

我们发现了不同摩擦系数条件下机器学习模型预测能力的变化，如图5所示。当摩擦系数为0.01时，机器学习模型的AUC-ROC值仅仅略高于0.80；随着摩擦系数的增加，AUC-ROC值单调增加至0.92左右。结果表明，完全相同的机器学习模型训练方法对不同摩擦系数条件下颗粒体系的塑性行为具有不同的预测能力。此外，我们发现XGBoost算法比SVM算法具有更好的预测能力。

图5 不同摩擦系数情况下机器学习模型的准确率变化

4结论

（1）我们利用极端梯度提升机算法，从颗粒的局部结构信息出发，成功地建立了可有效预测颗粒材料塑性变形的机器学习模型。

（2）我们使用“软度”这一综合性结构因子从微观和宏观两个层面证明了颗粒材料的结构-动力学特性关系。

（3）我们观察到机器学习预测能力在不同微观接触模式下颗粒体系内的变化，并通过模型特征重要性分析和局部结构特征分析对其进行了解释。

 

通讯作者：马刚

联络邮箱：magang630@whu.edu.cn

研究方向：连续离散耦合数值分析方法、岩土颗粒材料的宏细观多尺度力学特性

论文链接：https://doi.org/10.1016/j.eml.2022.101759