基于Kadi4Mat的多物理场多尺度模拟工作流与数据管理框架：面向增材制造的材料设计创新

本研究针对材料建模与仿真中复杂工作流和数据管理的挑战，提出基于Kadi4Mat开源平台的研究工作流与数据管理(RWDM)框架，以选择性激光烧结(PBF)为案例，实现了符合FAIR原则的多物理场-多尺度模拟数据自动化管理，构建了支持机器学习(ML)分析的知识图谱，为计算机辅助材料设计提供了可扩展的解决方案。

　　

论文解读

在材料科学领域，计算机辅助设计正以前所未有的速度推动着技术创新。然而，随着多物理场耦合和多尺度建模的普及，研究人员面临着海量异构数据的治理难题——从原子尺度的相变动力学到宏观尺度的机械性能预测，每个环节产生的数据都承载着不同的物理原理和维度特征。以金属增材制造为例，仅粉末床熔融(PBF)工艺就涉及超过100个工艺参数，这些参数与最终产品的微观结构和性能形成复杂的非线性关系。如何实现这些数据的标准化存储、自动化处理和智能化分析，成为制约材料基因组计划落地的关键瓶颈。

针对这一挑战，德国达姆施塔特工业大学与卡尔斯鲁厄理工学院的研究团队在《Scientific Data》发表了一项开创性工作。他们开发了基于Kadi4Mat开源平台的研究工作流与数据管理(RWDM)框架，通过将316L不锈钢的多层PBF模拟全流程数据转化为机器可操作的标准化记录，构建了支持高吞吐量计算(HTC)和机器学习分析的知识网络。这项研究不仅实现了从相场模拟→热机械分析→计算均质化的全链条数据追溯，更通过自动化脚本将数据采集效率提升300%，为建立工艺-微观结构-性能(PMP)关系提供了可扩展的解决方案。

关键技术方法包括：

1. 基于MOOSE框架开发非等温相场模型(NIsoS)，模拟PBF过程中的熔池动力学和微观结构演化；
2. 采用计算均质化方法预测多孔材料的等效机械性能；
3. 利用Kadi4Mat的Python接口(KadiAPY)实现模拟数据的自动化采集与知识图谱构建；
4. 通过多层感知器(MLP)和梯度提升(GB)算法建立工艺参数与熔道宽度的预测模型。

RWDM基础设施设计
研究团队将47条记录分为三类：数据集记录存储温度依赖的材料参数（如SS316L的泊松比、屈服应力）；协议记录保存工作流脚本（如粉末床生成宏指令）；模拟记录则遵循输入-处理-输出(IPO)模型归档仿真文件。通过独特的命名规则（如@pf_20-100表示功率20W/扫描速度100mm/s的相场模拟），这些记录被组织成包含相场模拟、热机械分析和均质化计算的三个子集合。

数据驱动的机器学习
从3375组PBF模拟数据中提取的特征显示，MLP和GB算法对熔道宽度的预测精度分别达到R²
=99.53%和98.77%。这种数据-模型的双向闭环验证了RWDM框架支持ML分析的可行性，为快速优化工艺参数提供了新范式。

讨论与展望
该框架的创新性体现在三个维度：首先，通过将DIK（数据-信息-知识）层次结构与IPO模型结合，实现了从原始数据到科学发现的完整追溯；其次，基于角色的访问控制既保障了数据安全（如处理中的记录仅对合作者可见），又支持成果的开放共享（通过Zenodo发布）；更重要的是，其模块化设计允许扩展到其他材料体系（如纳米颗粒增强钢）和多物理场耦合问题（如磁-热-力耦合分析）。

研究团队特别指出，该框架已通过硕士生独立复现的严格验证，证明其足以支撑跨机构协作研究。未来通过集成AiiDA等工作流管理器，可进一步强化对计算资源的智能调度。这项工作不仅为材料科学领域树立了FAIR数据管理的标杆，其方法论对能源、生物医学等涉及多尺度建模的学科同样具有借鉴意义。