PART.01背景介紹

材料數據在工程設計中起著至關重要的作用，但是通過實驗測試的方法不僅成本昂貴且研發周期較長。隨著使用的材料越來越復雜，包括成分、環境條件等多種因素，為了獲得材料數據需要進行大量測試，如何快速高效的獲得材料數據成為一個關鍵問題。

近年來人工智能（AI）和包含的機器學習（ML）發展迅速，利用AI/ML技術可以提供一種新方法來節約生成大型數據集的時間、精力和費用。所以材料供應商已逐步開始探索人工智能的潛力，來豐富他們的材料數據庫。

本文介紹了海克斯康利用一種新的基于物理信息的人工智能方法，通過少量測試數據即可實現材料數據的擴充，幫助用戶準確預測工程熱塑性塑料的性能，同時節省資金和時間。SABIC公司將上述解決方案應用到其ULTEM?樹脂產品中，在沒有溫度、應變率和加載角度條件的測試數據的情況下，準確地預測ULTEM?樹脂的拉伸應力-應變響應曲線。

PART.02使用物理信息的AI方法

ULTEM?樹脂是聚醚酰亞胺（PEI）材料，非常適合多個行業的高要求應用。實際工程應用中，需要了解其在不同的溫度、不同的纖維含量及類型、不同的樹脂類型、不同的纖維曲線等參數情況下的力學性能，因此需要針對上千種不同組合的材料數據進行評估。

目前材料數據的生成方法主要有三種：實驗室測試、先進的材料建模和AI/ML方法。每種方法都有優缺點如圖1所示。

圖1. 三種材料數據生成方法的優缺點

為了克服傳統方法的局限性，海克斯康提出一種使用物理信息的AI方法，如圖2所示。該方法有效地結合了實驗數據、先進的材料模型和AI/ML方法，能夠對新材料數據進行快速、低成本的響應，實現豐富和高質量的材料數據庫。目前該方法已經集成到海克斯康的新數字現實平臺Nexus中，可以根據聚合物的配方預測其工程性能，從而降低材料數據生成的復雜性、工作量和成本。

 圖2. 使用物理信息的AI方法，集成了不同材料數據生成方法的優勢

PART.03工作流程

使用物理信息的AI方法工作流程為以下三步，如圖3所示：

1.收集和準備可用的材料數據：基于物理信息的AI方法只需要少量的實驗數據。

2.使用Digimat增強材料數據：利用Digimat的先進材料建模功能以及上述少量實驗數據，對訓練數據進行豐富和增強。

3.AI模型預測材料數據：對基于物理的人工智能模型進行了訓練、驗證和測試，保證預測結果的精度。

圖3. 使用基于物理信息的AI方法的工作流程

PART.04研究結果

01溫度依賴性

圖4展示了訓練好的AI模型對SABIC ULTEM 1000樹脂（未填充纖維）的預測結果：能夠定性和定量地預測未填充纖維的樹脂材料在不同溫度下加載，直至失效的高度非線性拉伸應力-應變曲線。預測結果和實驗結果一致。

圖4. 準靜態條件下，不同溫度的ULTEM 1000樹脂的實驗應力-應變數據（虛線）和預測應力-應變數據（實線）

02應變率依賴性

圖5顯示了基于物理的人工智能模型如何捕捉SABIC ULTEM牌號在不同應變率下的性能：在23°C的實驗溫度下，分別考慮應變率在0.001至100s-1變化時，ULTEM 2300樹脂和ULTEM 1000樹脂的應力-應變曲線。

圖5. 在23℃條件下，ULTEM 1000 (a) 和ULTEM 2300 (b)的應變率依賴性

03纖維取向依賴性

纖維取向導致增強塑料的各向異性行為，這對于使用計算機輔助工程（CAE）對零件進行精確建模至關重要。圖6的結果表明，基于物理信息的AI模型能夠準確地擴充ULTEM 2300樹脂在不同溫度和加載角度下的拉伸測量結果。

圖6. 準靜態條件下，0° (a)，45° (b)和90°  (c)的ULTEM 2300材料纖維取向相關性，其中虛線為實驗結果，實線為預測結果

04對材料配方的敏感性

基于物理信息的AI模型還可以考慮ULTEM樹脂配方的影響，包括樹脂類型、纖維類型和纖維含量。圖7顯示了AI模型對材料配方的敏感性。通過在材料數據擴充時考慮材料配方特性，可以虛擬評估尚未開發或實驗表征的新配方的性能。

圖7. 在實驗溫度23℃，纖維取向0°的準靜態條件下，不同材料配方的應力-應變曲線

05置信度指標

置信度指標是對預測數據準確性的定性和定量評估，用于指導用戶識別初始材料數據庫中潛在弱點。它結合了如初始實驗材料數據庫的豐富性、輸入參考實驗數據的可變性和訓練好的人工智能模型的全局準確性等不同標準。圖8中給出一個置信度指標的熱圖，紅色區域表示低置信度區域，表明需要額外的實驗數據來提高置信度。

圖8. 準靜態條件下，粉碎玻璃纖維填充ULTEM樹脂的置信度指標熱圖

總體而言，基于物理信息的AI模型預測的拉伸應力-應變數據與實驗結果非常接近，精度在±10%以內。上述結果證明了基于物理信息的AI方法能夠準確地擴充ULTEM樹脂數據集，從而減少昂貴且耗時的實際物理材料測試。

PART.05使用物理信息的AI方法的優勢

基于物理信息的AI方法的優勢與傳統材料數據生成方法相比，可以降低數據的高昂成本、提高效率、增加數據準確性，如表1所示。

表1. 基于物理信息的AI方法與傳統數據生成方法比較

PART.06總結與展望

本文的研究表明，在不同溫度、應變率、纖維取向和材料配方情況下，海克斯康基于物理信息的AI解決方案，可以準確高效地擴充纖維增強的ULTEM樹脂和單純ULTEM樹脂的應力-應變曲線。該方法將人工智能與先進的微觀力學建模相結合，克服了純人工智能方法的弱點。上述方法也可以擴展到擴充材料其他性能數據，例如蠕變和疲勞行為。在實際工程中，SABIC公司已經使用上述基于物理信息的AI方法，有效地滿足客戶及其材料工程數據需求，為其客戶提供大量材料工程數據和材料CAE卡片。