目錄
第1章 機器學習方法在顆粒材料中的應用 1
1.1 機器學習方法簡介 2
1.1.1 決策樹 3
1.1.2 隨機森林 5
1.1.3 梯度提升決策樹 6
1.1.4 極端梯度提升 6
1.1.5 k-means 7
1.1.6 反向傳播神經(jīng)網(wǎng)絡 8
1.1.7 循環(huán)神經(jīng)網(wǎng)絡 9
1.1.8 支持向量機 9
1.1.9 超參數(shù)優(yōu)化 11
1.1.10 模型評估方法 12
1.2 機器學習方法在顆粒材料中的應用概述 13
1.2.1 微觀結(jié)構與力學性能的關聯(lián) 14
1.2.2 顆粒材料宏觀本構建模 15
1.3 本章小結(jié) 16
參考文獻 16
第2章 顆粒材料試驗研究方法 19
2.1 顆粒材料物理試驗方法 20
2.1.1 淺層探測試驗方法 20
2.1.2 內(nèi)部探測試驗方法 25
2.2 顆粒材料數(shù)值仿真方法 33
2.2.1 離散單元法（DEM） 34
2.2.2 連續(xù)-離散單元法（FDEM） 41
2.3 本章小結(jié) 52
參考文獻 53
第3章 機器學習預測顆粒材料的結(jié)晶演化 57
3.1 循環(huán)剪切數(shù)值試驗 58
3.1.1 結(jié)晶演化現(xiàn)象 58
3.1.2 試驗方案 59
3.1.3 試樣制備 60
3.1.4 摩擦系數(shù)的選取 61
3.1.5 宏觀演化過程 62
3.2 局部結(jié)構與最密堆積演化的關系 65
3.2.1 特征選擇 65
3.2.2 模型訓練方法 67
3.2.3 模型驗證與對比 69
3.2.4 機器學習預測效果 71
3.3 局部結(jié)構對最密堆積演化的影響機制 74
3.3.1 特征重要性分析 74
3.3.2 特征依賴性分析 77
3.3.3 結(jié)晶相前驅(qū)體顆粒的空間分布 80
3.4 本章小結(jié) 81
參考文獻 82
第4章 微觀結(jié)構“編碼”塑性變形傾向 85
4.1 常規(guī)三軸數(shù)值試驗 86
4.1.1 試驗方案 86
4.1.2 試樣制備 86
4.1.3 宏觀力學響應 87
4.1.4 邊界效應 88
4.2 微觀塑性行為的表征與量化 89
4.3 局部結(jié)構-微觀塑性行為的關系 92
4.3.1 機器學習模型 92
4.3.2 預測時域的選擇 93
4.3.3 “軟度”因子的確定 95
4.3.4 局部結(jié)構-力學特性關系 97
4.4 摩擦系數(shù)對預測效果的影響 101
4.5 本章小結(jié) 105
參考文獻 105
第5章 初始微觀結(jié)構預測塑性演化 109
5.1 顆粒材料三軸剪切試驗 110
5.1.1 數(shù)值試驗 110
5.1.2 宏觀應力變形 111
5.2 顆粒材料結(jié)構表征量化 111
5.2.1 短程結(jié)構指標 112
5.2.2 中程結(jié)構指標 112
5.2.3 細觀組構模型 113
5.3 微觀塑性表征 116
5.4 微觀塑性的結(jié)構起源 117
5.5 微觀塑性逾滲演化 124
5.6 本章小結(jié) 131
參考文獻 132
第6章 顆粒形態(tài)與顆粒破碎強度的關系 135
6.1 顆粒三維掃描 136
6.2 顆粒形狀統(tǒng)計分析 138
6.2.1 形狀參數(shù)獲取 138
6.2.2 聚類分析 141
6.3 單顆粒單軸壓縮試驗數(shù)值模擬 144
6.3.1 數(shù)值試樣及材料參數(shù) 144
6.3.2 破碎強度Weibull分布 145
6.4 機器學習回歸分析 147
6.4.1 顆粒穩(wěn)定性分析 147
6.4.2 機器學習模型訓練 148
6.4.3 機器學習模型解釋 149
6.5 顆粒碎片形態(tài)特征統(tǒng)計分析 152
6.5.1 基于顆粒形態(tài)的顆粒分類 153
6.5.2 FDEM數(shù)值模擬 156
6.5.3 統(tǒng)計分析 158
6.6 本章小結(jié) 164
參考文獻 165
第7章 顆粒材料宏觀力學行為預測 169
7.1 機器學習預測小應變剛度 170
7.1.1 建模過程 170
7.1.2 模型預測能力對比 171
7.1.3 機器學習模型解釋 173
7.2 局部結(jié)構建模的擴展驗證 175
7.3 本章小結(jié) 179
參考文獻 179
第8章 總結(jié)與展望 181
8.1 總結(jié) 182
8.2 展望 183