近日，必赢3003no1线路检测中心计算力学理论与工程应用团队在力学领域顶级期刊Composite Structures（中科院一区Top期刊，IF=6.3）发表了题为“Optimal design approach of interpenetrating pre-stressed metal-ceramic composites based on deep learning neural network”的最新研究成果。论文由刘坤、赖欣、刘立胜、张金咏和刘逸飞合作完成，其中硕士研究生刘坤为第一作者，赖欣副教授、刘立胜教授为通讯作者。这是本校力学学科在CS上发表的一篇重要学术论文，该研究得到了中国国家自然科学基金（52494933，11972267和11802214）；湖北省隆中实验室开放基金（2024KF-30）；以及中央高校基本科研业务费专项资金（104972024KFYjc0067）的大力支持。这项工作提出了一种基于深度神经网络的预应力金属-陶瓷互穿多孔结构的优化设计框架，旨在提高材料的表观抗拉强度的需求。

金属-陶瓷互穿相复合材料（IPCs）兼具陶瓷的高硬度、高模量和金属的延展性、韧性，适用于抗冲击、耐损伤装甲材料。然而，陶瓷在复杂工况下易受拉破坏，提升其抗拉性能是关键。IPCs优异性能来源于复杂的拓扑结构，但在极端冲击条件下，其结构与性能的关系尚不明确。传统的结构设计方法已难以适应其多变量复杂特性，阻碍了性能优化。为此，本文提出结合机器学习和梯度下降算法的预应力金属-陶瓷互穿结构优化方法，开展结构优化研究，旨在揭示力学机理并提高其防护性能。图1给出了本文研究的优化设计流程方案。研究中首先利用有限元模拟方法，生成包含多种拓扑结构（BCC、FCC、SC、HCP）的代表性单胞模型，批量化计算得到了金属-陶瓷复合多孔结构在预应力条件下的最小主应力及其方差分布的数据集。

图1：互穿预应力金属-陶瓷复合材料优化设计方法

随后，研究团队基于批量化建模构建的高质量数据库构建了以深度神经网络为核心的金属-陶瓷互穿结构力学性能预测的代理模型，该代理模型能够准确预测典型单胞下金属-陶瓷互穿结构在不同几何特征下的力学性能（见图2）。

图2：金属-陶瓷互穿结构力学性能预测代理模型网络结构图

在优化设计阶段，研究团队基于深度神经网络的替代模型，结合梯度下降算法，系统优化了各单胞几何尺寸，实现了在减小应力集中现象的同时，进一步提升陶瓷基体的表观抗拉强度。图3展示了优化前后SC型结构单胞的应力分布云图，对比可见，优化后的陶瓷基体应力分布更为均匀，峰值应力显著减小，体现了优化策略的有效性和工程应用潜力。

图3：(a)优化前SC单胞的陶瓷基体应力云图；(b)优化后陶瓷基体应力显著减小且分布更加均匀。

研究表明，该优化框架下得到的优化结构显著提升了金属-陶瓷互穿结构表观抗拉能力，优化后结构的应力集中区域明显减弱，有助于延长材料服役寿命并提升工程可靠性。相关成果为基于深度神经网络的复杂材料多孔结构优化提供了新思路，对轻质高强材料的设计与应用具有重要参考价值。

论文链接：https://doi.org/10.1016/j.compstruct.2025.11927。

                                          (文/图:刘坤编辑:刘敏 审核:何大平)