Composite Material Design for Optimized Fracture Toughness Using Machine Learning

本文探讨了利用机器学习技术优化二维和三维复合结构的方法，重点关注双悬臂梁试验中的断裂韧性和裂纹扩展。通过探索复合材料微观结构排列与宏观性能之间的复杂关系，本研究展示了机器学习作为一种强大工具在加速设计优化过程中的潜力，相较于传统的有限元分析具有显著优势。本研究包括四个不同的案例，研究了二维和三维复合模型中的裂纹扩展和断裂韧性。通过应用机器学习算法，本研究展示了在复合材料设计中快速准确地探索广泛设计空间的能力。研究结果突显了机器学习在预测机械行为方面具有有限训练数据的高效性，为复合材料设计和优化的更广泛应用铺平了道路。本文对于推进理解机器学习在提高复合材料设计过程效率方面的作用做出了贡献。

论文旨在利用机器学习技术优化2D和3D复合材料结构，重点关注双悬臂梁（DCB）测试中的断裂韧性和裂纹扩展问题。

通过探索微观结构排列与复合材料宏观性质之间的复杂关系，研究展示了机器学习作为一种强大的工具，可以加快设计优化过程，相比传统有限元分析具有显著优势。

论文研究了四种不同情况，分别考察了2D和3D复合材料模型中的裂纹扩展和断裂韧性。通过应用机器学习算法，研究展示了快速准确地探索复合材料设计空间的能力。研究结果突出了机器学习在有限的训练数据下预测机械行为的效率，为复合材料设计和优化的更广泛应用铺平了道路。

最近的相关研究包括使用机器学习技术进行材料设计和优化的工作，例如“使用机器学习进行高强度钢的优化设计”和“机器学习在材料设计中的应用：现状和未来方向”。