深度学习辅助的纳米薄膜材料压痕力学性能反演与预测
摘要：准确高效地测定纳米金属薄膜的力学性能对于评价材料的服役可靠性至关重要。本文以人工智能技术与科学技术领域的交叉融合为驱动力，借助深度学习技术,利用试验和仿真中的数据信息，针对典型的包镍多壁碳纳米管增强烧结纳米银材料的纳米压痕力学性能表征问题开展研究。首先通过纳米压痕测试得到被测材料的载荷-位移曲线，并以此为基础进行有限元反演获得其幂指数型应力-应变关系。基于所提取的数据集和贝叶斯优化算法构建了人工神经网络（ANN）模型与卷积神经网络（CNN）模型，成功实现了对纳米薄膜材料压痕力学性能的高精度预测。结果表明，ANN模型计算效率较高，但因对应数据集关键参数较少所以预测效果较差；而CNN模型的预测效果良好且预测结果的决定系数为0.99，预测精度远高于ANN模型，其准确性和鲁棒性表现出巨大优势，很好地弥补了由于其效率低造成的性能短板。为测定航空工业中纳米金属薄膜的机械性能提供了一种通用方法，也为深度学习方法在预测其他材料的机械性能方面的应用提供了思路。
