《Journal of Materials Research and Technology》:Multiscale Structure Property Learning of Particulate Metal Matrix Composites via Graph Transformers for Continuous Stress–Strain Behaviour Prediction
编辑推荐:
研究人员提出了一种物理信息图变换器(Physics-Informed Graph Transformer, PIGT)模型,用于在不依赖扫描电子显微镜图像的情况下预测颗粒增强金属基复合材料(Particulate-Reinforced Metal Matrix
研究人员提出了一种物理信息图变换器(Physics-Informed Graph Transformer, PIGT)模型,用于在不依赖扫描电子显微镜图像的情况下预测颗粒增强金属基复合材料(Particulate-Reinforced Metal Matrix Composites, PRMMCs)的完整应力-应变行为。该方法将文献中可获取的颗粒尺寸、形貌、间距及体积分数等结构参数编码为颗粒相互作用图,结合图神经网络(Graph Neural Network, GNN)交互层、多尺度结构注意力机制以及物理引导的变形约束,实现从微观结构到宏观力学响应的映射。数据集来源于同行评审的金属基复合材料实验研究,包含标准化的结构描述符与数字化拉伸曲线。实验结果表明,该模型的平均绝对误差(Mean Absolute Error, MAE)为2.01,均方根误差(Root Mean Square Error, RMSE)为7.05,平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)为2.95%,决定系数(R2)为0.97,相比XGBoost、多层感知机(Multilayer Perceptron, MLP)及深度人工神经网络等方法,预测精度提升约18%–25%。生成的应力-应变曲线能够准确再现弹性-塑性转变、应变硬化行为及失效起始,验证了模型的物理一致性。该研究提供了一种无需显微图像的、融合物理规律的可解释建模范式,为复合材料设计与优化提供了高效工具。
研究背景方面,颗粒增强金属基复合材料(PRMMCs)因具有高刚度、耐磨性及比强度优势,在航空航天与汽车工业中具有广泛应用潜力。其力学性能受颗粒尺寸、分布、形貌、体积分数及界面结合状态等多因素影响,传统有限元模拟与实验测试成本高、周期长,且难以覆盖复杂的多尺度设计空间。现有基于人工智能的预测方法多依赖高分辨率显微图像或仅预测单一力学性能参数,缺乏完整的应力-应变曲线重建能力,且常忽略物理一致性约束,导致预测结果偏离真实变形规律。因此,亟需一种不依赖实验成像、能捕捉多尺度颗粒相互作用并生成物理一致力学响应的计算框架。
研究人员开发了物理信息图变换器(PIGT)模型,将文献提取的结构参数转化为统计型颗粒相互作用图,通过图神经网络层编码局部颗粒-基体交互,利用Transformer架构的多尺度注意力机制捕获全局结构效应,并在训练过程中引入弹性一致性、应力单调性和能量守恒等物理约束,实现全应力-应变曲线的端到端预测。数据集涵盖24种SiC颗粒增强铝基复合材料的已发表实验配置,采用五折交叉验证确保泛化能力。
关键技术方法包括:(1)文献数据收集与标准化处理,涵盖颗粒尺寸(10–50 μm)、形貌指数、体积分数及基体性能;(2)统计型微结构图合成,依据体积分数与颗粒直径估算颗粒数量与间距,构建无重叠的颗粒节点与边连接;(3)图神经网络(GNN)局部交互编码,通过半径邻近规则聚合邻域特征并结合颗粒形貌与尺寸权重;(4)Transformer多尺度结构注意力,计算跨颗粒的长程依赖并施加物理正则化;(5)复合行为合成层,将全局嵌入解码为连续应力-应变序列并推导屈服强度、极限抗拉强度及韧性等性能指标。
研究结果如下:
4.1 结构特征分布分析
研究人员发现颗粒尺寸、体积分数与形貌指数的多样性保证了输入空间的代表性,颗粒间距随体积分数增加而减小,符合物理预期,这确保了合成微结构图的合理性。
4.2 基于GNN的颗粒交互编码性能
GNN层有效区分了不同颗粒密度与形貌的局部交互强度,大颗粒与高体积分数对应更高的边权与聚合幅值,验证了其在捕捉局部载荷传递与聚类效应方面的能力。
4.3 基于Transformer的多尺度结构注意力分析
注意力权重在不同层级分别聚焦于短程颗粒间距、中程形貌过渡及远程体积分数分布,体现了模型对弹性刚度、屈服行为及失效模式的分层表征能力。
4.4 PIGT的应力-应变曲线预测性能
模型在弹性区、屈服点、应变硬化及失效阶段的预测与实验结果高度一致,RMSE与MAE分别低至0.017与0.012,表明其在多种复合配置下的稳定性。
4.6 对比分析
与传统回归模型(XGBoost、决策树、MLP、深度ANN)相比,PIGT在MAE、RMSE、MAPE与R2指标上均表现最优,显示出物理约束与多尺度建模的优势。
4.7 消融研究
去除任一模块(物理约束、GNN层、Transformer注意力、结构嵌入)均显著降低预测精度,证明各组件在整体性能中的互补作用。
4.8 讨论
研究证实PIGT可在无实验成像条件下实现高保真的力学响应预测,其嵌入空间与注意力模式符合已知微机械学规律,适用于材料虚拟筛选与参数优化,但受限于文献数据的完整性与对多相增强体系的适用性。
结论部分,研究人员指出PIGT模型成功实现了基于文献结构参数的连续应力-应变行为预测,结合图表示、多尺度注意力与物理正则化,为颗粒增强金属基复合材料的设计提供了一种高效、可解释且无成像依赖的计算工具。未来工作可扩展至多相体系、结合更多物理演化规律并引入联邦学习以提升跨机构数据的通用性。