《Advanced Intelligent Systems》：Machine Learning-Enabled Field Prediction and Inverse Design of Functionally Graded Materials Inspired by Tendon–Bone Enthesis
编辑推荐：
功能梯度材料（FGMs）提供了一种有效策略来缓解力学失配界面处的应力集中，但最优空间梯度的逆设计仍具挑战性。本研究开发了一个力学信息驱动的机器学习框架，用于受肌腱-骨界面启发的FGMs的场预测与逆设计。研究人员建立了一个代表性界面区域的3D有限元模型（FEM）
功能梯度材料（FGMs）提供了一种有效策略来缓解力学失配界面处的应力集中，但最优空间梯度的逆设计仍具挑战性。本研究开发了一个力学信息驱动的机器学习框架，用于受肌腱-骨界面启发的FGMs的场预测与逆设计。研究人员建立了一个代表性界面区域的3D有限元模型（FEM），其中局部材料属性通过多尺度连续体公式由矿化尺度、平均原纤维取向和角度分散度控制。研究人员引入了一个组成和微结构信息的风险因子来评估局部失效敏感性。FEM结果表明，与非连续界面相比，梯度矿化和原纤维分散显著降低了应力集中和失效风险。为了加速设计探索，研究人员训练了一个基于卷积神经网络的场预测器（CNNFP）作为高效的FEM替代模型，将空间材料描述符场映射到应力和风险因子场。针对FEM真值的验证表明，CNNFP能够高保真地捕捉全场分布、峰值和峰值位置特征。通过将CNNFP与基于核函数的梯度优化框架集成，研究人员逆向设计出平滑且物理可接受的梯度架构，并经FEM验证，从而建立了一条将生物梯度架构转化为力学弹性FGMs的人工智能辅助路径。
一、研究背景与问题提出
自然界中，生物组织经过数百万年的进化，发展出了异质性和梯度化的成分与结构，使其具备卓越的承载能力、接触损伤抵抗力和韧性。其中，肌腱-骨界面（tendon-bone enthesis）是一个极具启发性的天然功能梯度材料（Functionally Graded Material, FGM）范例。它连接了力学性能迥异的两种组织：柔顺、各向异性的肌腱与坚硬、近似各向同性的骨骼。传统的机械失配材料间的粘接界面极易产生严重的应力集中和界面失效，而肌腱-骨界面却能在大多数人类和动物体内可靠地传递载荷数十年。这种卓越的力学功能源于其层级化、多尺度的结构和成分梯度，包括胶原原纤维的矿化程度、平均取向和角度分散度等空间变化。尽管已有大量研究致力于阐明肌腱-骨界面的结构-性能关系，但仍存在关键空白：如何将生物学观察到的梯度设计原则转化为合成FGMs的定量设计规则？现有的机器学习（Machine Learning, ML）替代模型大多侧重于正向模拟，而将全场预测与连续成分和微观结构梯度的逆设计相结合的研究较少。因此，本研究的目的是建立一个力学信息驱动的ML框架，既能高效地从材料描述符场预测空间力学响应，又能实现这些场的优化，以识别力学性能优越的梯度架构。
二、研究方法概述
为实现上述目标，研究人员采用了一套层级化的计算与机器学习框架。首先，利用自下而上的多尺度均质化框架建立了胶原纤维的本构力学行为。在此基础上，构建了一个代表性的界面纤维-骨区域的3D有限元模型（Finite Element Model, FEM），其中局部材料属性由空间变化的矿化程度、平均原纤维取向和原纤维角度分散度决定。随后，引入了一个组成和微结构信息的风险因子（risk factor），用以评估局部失效敏感性。基于FEM生成的输入-输出场对，开发了一个基于卷积神经网络（Convolutional Neural Network, CNN）的场预测器（CNN-based Field Predictor, CNNFP），学习从矿化和原纤维组织描述符场到空间分辨的应力和风险因子场的映射。最后，将CNNFP与基于核函数的场生成器和梯度优化算法集成，实现了对最小化失效风险的平滑矿化和原纤维取向场的快速预测、探索和逆设计。
三、研究结果
3.1 梯度矿化和原纤维角度分散度对界面力学的影响
研究人员通过对比非连续与梯度分布的矿化程度和原纤维角度分散度发现，非连续场会在界面处引起显著的横向正应力、剪切应力和von Mises应力集中，而梯度场则有效地平滑了这些过渡，消除或大幅降低了应力不连续性。风险因子的空间分布与von Mises应力基本一致，但其还整合了局部原纤维取向分布和矿化依赖的原纤维网络强度，能更全面地评估失效敏感性。
3.2 CNNFP的性能评估
研究人员训练了CNNFP来预测应力分量和风险因子场。通过与FEM真值对比，CNNFP的预测场与真实场高度吻合，不仅捕捉了高、低应力带的形状和位置，而且其输出的平滑性优于FEM中的数值伪影。像素级均方根误差（Root Mean Square Error, RMSE）在整个域内相对均匀，大部分低于0.03，仅在曲面附近略有升高。对于最大应力值和风险因子最大值的位置概率密度分析显示，CNNFP预测与FEM真值高度一致，且峰值误差主要集中在较低范围。这表明CNNFP能以高保真度捕捉全场分布、峰值及其位置特征，并实现了约560倍的预测速度提升。
3.3 矿化程度和原纤维取向场的优化
研究人员以最小化风险因子场的最大值为目标，利用CNNFP和梯度优化算法对输入场进行了逆设计。结果显示，优化后的风险因子场分布更加均匀，原本在曲面附近的高风险区域被显著抑制。优化后的输入场揭示了重要的设计特征：矿化程度在横向上呈现中心低、径向向外增加再降低的趋势；纵向上从肌腱侧到骨骼侧先急剧增加后趋于平稳。角度分散度在曲面附近保持较低水平，表明高度对齐的原纤维在此区域有利于载荷传递。平均原纤维取向在肌腱区主要沿纵向，而在曲面附近则发生平滑重定向，使局部各向异性刚度轴跟随界面几何形状，从而避免了载荷传递方向的突变，减少了应力集中。定量比较表明，CNNFP优化的场将最大风险因子从非连续场的10降至4.67，经FEM验证后仍保持在5.33，显著低于线性梯度场的5.41，且均值未明显增加。
四、讨论与结论
讨论部分指出，提出的风险因子比传统标量应力度量更能反映生理状态下的失效倾向，因为它同时考虑了局部加载状态和原纤维网络的空间变化承载能力。然而，研究并未提供统计学证据证明其优于von Mises应力，这需要未来结合独立实验数据进行验证。此外，该指标基于单次弹性分析，未考虑渐进损伤演化、应力重新分布等机制，应被视为简化的保守指标。关于框架的适用范围，当前演示集中于一个代表性的轴对称几何和线弹性模型，结果应视为概念验证，而非普遍适用。CNNFP的泛化能力限于同一几何、网格、加载条件和参数范围内的未见场。
研究结论：本研究成功建立了一个将本构力学、FEM、CNN场预测和核函数参数化相结合的集成框架，用于受肌腱-骨界面启发的FGM的正向预测与逆设计。结果表明，矿化程度和原纤维取向的优化配置能有效抑制曲面附近的局部应力集中，促进失效风险的均匀分布。优化场揭示了一个通用的FGM设计原理：刚度失配不仅可以通过梯度材料成分来缓解，还可以通过微观结构各向异性和承力结构单元取向的空间编程来实现。同步成分梯度与空间编程的微观结构各向异性，是设计受肌腱-骨界面启发的FGMs的重要原则。
