人工约束的人工智能辅助识别多孔固体力学性能退化的缺陷-拓扑关系：离散元研究

《Materials》：Human-Constrained AI-Assisted Identification of Defect-Topology Relations for Mechanical Degradation in Porous Solids: A Discrete-Element Study

　　孔隙率衡量的是有多少材料被移除，但无法反映缺陷如何中断承载路径。我们开发了一套人类约束、AI辅助的工作流程，用于在一个受控键合颗粒系统中识别紧凑的拓扑–退化关系，该系统涵盖10,040个样本，覆盖五个纯族类及其混合物。研究者定义了描述符语法、可接受信息、物理先验、模型大小和审批规则；语言模型提出并批评描述符概念；作者筛选并实现了127通道的基准测试台架；确定性代码仅在训练集上运行，完成了项的选择和普通最小二乘关系的拟合。在复用但非独立的报告基准上，六描述符表示在匹配协议下取得了高于所评估的三维卷积网络的得分。在未经重新选择或重新拟合的情况下，将其应用于来自三个冻结后堆积实现的900个多孔样本，该关系在强度衰减率和模量衰减率的预测上分别达到了前瞻性的R2=0.779和0.735，且强度方面表现出更大的族类异质性。跨族类来看，模量衰减率的预测一致性高于强度衰减率。结合精确的对比关系，这种预测不对称性为两阶段失效假说提供了动机，但并未确立该假说。指数形式仍然是一种紧凑的经验参数化，而非已确立的物理定律。所有证据均为数值性的，且仅限于所测试的YADE/JCFpm设置；跨数值配置和实验系统的验证仍然必要。