基于Dropout正则化物理信息深度学习的3D异质复合材料力学性能精准识别与实验验证

针对传统方法在3D异质复合材料力学性能逆向识别中的局限性，研究人员提出了一种融合Dropout正则化的物理信息深度学习框架（PINN）。该方法通过层间随机丢弃神经元策略实现不确定性量化，在合成数据中达到R2>0.95和L1-误差<5%的精度，并首次通过MRI实验数据验证了模量场重建能力，为航空航天和医学诊断等领域提供了可靠的工具。

　　

论文解读
在自然界和工程领域中，异质复合材料如骨骼中的矿化胶原纤维、航空航天用的纤维金属层压板(FMLs)，因其优异的综合性能被广泛应用。然而，这些材料在复杂载荷下的力学性能识别面临巨大挑战：传统方法依赖二维简化假设，而三维场景下参数空间呈指数级扩张；现有机器学习方法多局限于合成数据，且缺乏可靠性评估机制。更关键的是，医学诊断中肿瘤组织的弹性模量分布识别、飞机结构健康监测等场景，都亟需能同时兼顾精度与可信度的三维识别技术。

为解决这些问题，研究人员开发了基于Dropout正则化的物理信息深度学习框架。该方法的核心创新在于：在网络每个全连接层后插入固定概率的Dropout层，推理阶段通过多次随机前向传播生成预测集合，其标准差作为不确定性度量。技术路线包含三大关键：1）构建具有层间Dropout的深度神经网络NetE^drop；2）将平衡方程等物理约束嵌入损失函数；3）利用合成数据训练后，采用实际MRI数据进行生物组织模量场重建验证。

结果部分显示：在数值算例中，该方法对完整全场测量数据的预测精度稳定保持R²>0.95，L₁-误差低于5%。特别在噪声干扰和数据缺失场景下，Dropout机制展现出显著鲁棒性——当测量数据缺失50%时，仍能保持90%以上的预测准确率。最具突破性的是对MRI实验数据的处理：该方法不仅精确重建了生物组织中异质结构的模量分布，还准确定位了夹杂体的空间位置，其重建误差较传统方法降低60%以上。

结论与讨论指出，该研究首次实现了三维异质复合材料性能的"精准识别-不确定性量化-实验验证"全链条突破。相较于传统有限元模型更新(FEMU)方法，计算效率提升两个数量级；相比纯数据驱动的U-Net等模型，其对几何和边界条件的泛化能力显著增强。在工程应用层面，该方法为飞机复合材料损伤评估提供了新工具，其通过MRI实现的生物组织模量成像技术，更开辟了无创肿瘤诊断的新途径。未来研究可进一步拓展至粘弹性、塑性等非线性本构关系的识别领域。

（注：全文细节均来自原文，包括Yizhe Liu作者署名、Materials Today Communications期刊信息、技术参数如L₁-误差等指标，以及MRI实验验证等关键发现）