材料断裂与失效模拟大数据集：为机器学习驱动的材料失效预测奠定基础

《Scientific Data》：Material Fracturing and Failure Simulation Datasets

本刊推荐：为突破材料断裂行为预测的瓶颈，洛斯阿拉莫斯国家实验室团队通过相场法(phase-field)和组合有限离散元法(FDEM/HOSS)两种数值模拟方法，构建了包含49万组模拟数据的大规模材料断裂演化数据集。该数据集涵盖PBX、各向异性页岩、钨、铝、钢五种材料，包含单轴/双轴拉伸边界条件及随机初始裂缝构型，首次系统提供了从初始损伤到最终失效的全过程时空数据，为开发材料失效预测的基础模型和代理模型提供了关键数据支撑。

　　

在工程材料和地质结构的完整性评估中，准确预测材料在应力作用下的断裂行为是一个长期存在的科学挑战。从航空航天关键部件的疲劳寿命预测，到地下储层水力压裂效率优化，乃至地震灾害风险评估，材料断裂机理的理解直接影响着工程安全与资源开发效率。然而，传统实验方法难以制备海量具有可控初始缺陷的样本，而数值模拟虽能弥补实验不足，但其计算成本高昂且存在物理保真度与计算效率的固有矛盾。在这一背景下，开发能够快速准确预测材料失效的机器学习模型成为新兴解决方案，但此类数据驱动模型的训练亟需大规模、高质量、多样化的断裂演化数据集作为支撑。

针对这一瓶颈问题，由洛斯阿拉莫斯国家实验室Ryley G. Hill和Kai Gao作为共同第一作者的研究团队，在《Scientific Data》上发表了题为"Material Fracturing and Failure Simulation Datasets"的数据论文，发布了目前规模最大的材料断裂模拟数据集。该研究并未提出新的机器学习模型，而是致力于构建一个可供全球学术界和工业界使用的基准数据集，为开发预测材料失效的基础模型或代理模型奠定坚实的数据基础。

研究人员创新性地采用两种互补的数值模拟方法构建数据集：一是基于连续介质力学的相场法(phase-field method)，将断裂描述为相场变量的扩散过程，适用于大规模高效模拟；二是基于离散介质力学的组合有限离散元法(FDEM/HOSS)，显式模拟裂缝的萌生、扩展和相互作用，物理保真度更高。这两种方法分别从计算效率和物理精度两个维度提供了不同分辨率的断裂演化数据。

数据集涵盖五种典型材料：高能炸药PBX、各向异性页岩、钨、铝合金和钢，覆盖了从脆性、准脆性到韧性材料的完整力学行为谱系。其中，相场法模拟规模达40万例（每种材料各4万例，含单轴和双轴拉伸条件），而计算成本更高的FDEM模拟则包含9万例（PBX、页岩和钨各3万例）。所有模拟均以随机生成的初始裂缝图案为起点，每个数据条目均包含捕捉裂缝扩展动态的时序数据。

关键技术方法包括：1）采用相场法求解耦合的动态弹性波方程和非线性相场扩散方程，结合冯·米塞斯屈服准则处理韧性材料塑性；2）应用FDEM方法通过显式时间积分和接触检测算法模拟断裂全过程，采用广义牵引-分离模型描述损伤演化；3）开发随机裂缝生成算法，批量产生正交和非正交初始裂缝构型；4）建立基于应力能和动能峰值的自动失效时间判定准则，确保数据一致性。

研究结果系统展示了不同材料和加载条件下的断裂行为规律：

材料特异性断裂行为

通过对比五种材料在相同初始裂缝和边界条件下的失效模式，清晰揭示了材料本性对断裂路径的控制作用。脆性材料（如PBX、页岩）表现为直接贯穿的单一主裂缝，而韧性金属（如钨、铝、钢）则因塑性变形导致裂缝扩展更为曲折，并伴随显著的应力重分布。

边界条件影响

单轴拉伸条件下裂缝主要沿水平或斜向扩展，而双轴拉伸则诱发更复杂的多方向裂缝网络，显著改变了最终失效模式。这表明外载条件与内部损伤之间存在强耦合效应。

初始裂缝构型的影响

随机生成的正交和非正交初始裂缝图案显著影响最终失效模式。低连通性的初始裂缝网络导致材料失效模式差异更大，凸显了初始缺陷几何对断裂路径的敏感性。

x=H_z=0.25 m(omitted for brevity).'>

多尺度模拟验证

通过三个经典基准问题（边界裂纹扩展、倾斜裂纹扩展和压剪断裂）验证了相场模拟的准确性，结果与文献实验数据和模拟结果高度一致。FDEM模拟则通过网格敏感性分析表明，虽然局部裂缝路径存在网格依赖性，但整体损伤演化模式保持稳定。

研究结论强调，该数据集通过整合两种互补的数值方法，创造了跨越不同物理复杂度和数据表示形式（结构化网格和非结构化网格）的多模态资源。其科学价值在于：为机器学习社区提供了训练材料失效预测模型的标准基准；支持跨材料、跨尺度、跨加载条件的模型泛化能力研究；助力发展用于高通量材料筛选的代理模型。数据集已通过Hugging Face平台开放获取，将为材料科学、地质工程和机械工程等领域的数据驱动研究提供重要支撑。

该研究的创新性在于首次系统性地将大规模数值模拟与机器学习数据需求相结合，不仅提供了静态的断裂图案，更包含了动态演化过程，为理解材料失效的时空动力学提供了全新维度。随着基础模型在科学领域的广泛应用，这一数据集有望成为材料智能设计和新材料发现的重要催化剂。