目录

主要内容

第一部分

多尺度模拟基础与微观机理

1. 论内容：

1.1. 金属材料多尺度模拟范式：从电子结构到宏观性能的跨尺度关联

1.2. 第一性原理计算基础：密度泛函理论（DFT）的基本假设、泛函选择及标准计算流程

1.3. 分子动力学模拟核心：经典势函数的物理内涵、适用范围与验证原则；LAMMPS 的基本建模思想

1.4. 跨尺度参数传递的基本原则：从电子/原子尺度计算获取

2. 实践内容：（从参数计算到原子尺度变形模拟）

案例：金属物性计算—后续微观 / 跨尺度计算的基准前提

○ 计算晶格常数：构建原子模型（纯金属、缺陷、合金）的几何基础

○ 计算体积模量：反映材料抵抗体积压缩的能力

○ 计算弹性常数矩阵：连续尺度本构模型的直接输入参数

○ 计算空位形成能与迁移能垒：揭示材料的 “动态响应机制”

○ 计算简单合金体系的形成能：从纯金属到实际合金的体系扩展，判断合金的热力学稳定性，为介观组织模拟提供基础。

案例：纳米线拉伸变形的MD模拟 —跨尺度塑性机制的核心桥梁

○ 构建金属纳米线模型并施加载荷，复现材料动态受力场景

○ 可视化解析塑性微观机制：追踪原子轨迹，分析位错的形核位点等

○ 量化多因素影响规律：对比不同温度与加载速率下位错运动特征，理解热激活过程与尺度效应

第二部分

相场方法：微观组织演化与断裂模拟

1. 理论内容：

1.1. 相场法核心思想

1.2. 相场热力学动力学耦合模型

1.3. 相场模型参数物理意义

1.4. 相场模型参数化分析：如何利用第一部分计算结果校准相场模型中的关键参数（如界面能、迁移率）

2. 实践内容：（从微观组织演化到裂纹扩展）

案例：微观组织演化模拟 —连接微观参数与宏观性能的关键纽带

○ 模拟凝固枝晶生长行为

○ 固态相变核心过程：模拟固态相变过程中新相的形核与生长

○ 模拟多晶晶粒生长行为

○ 探究 Zener 钉扎调控机制：在多晶模型中引入第二相粒子，研究钉扎效应对晶粒长大的抑制机制

案例：锯齿型晶界对裂纹扩展的抑制机制—抗裂材料微观结构设计的支撑

○ 构建含不同曲率锯齿形晶界的双晶模型：引入初始微裂纹

○ 解析裂纹扩展动态机制：采用相场 - 力学耦合方法施加外载，模拟并分析裂纹尖端塑性区演变及裂纹扩展路径

○ 验证抗裂优化设计准则

○ 关联疲劳损伤演化规律：研究循环载荷下裂纹的扩展行为

第三部分

晶体塑性有限元模拟与多尺度衔接

1. 理论内容：

1.1. 晶体塑性理论框架

1.2. 晶体塑性有限元在科学软件中实现

1.3. 多尺度数据传递策略与模型验证

2. 实践内容：（从单晶到多晶的塑性响应预测）

案例：晶体塑性本构模型的单晶验证

○ 滑移系开动的数值模拟：基于弹性常数与滑移系参数，模拟典型滑移系的启动与演化过程，验证本构模型

○ 分析单晶各向异性力学响应：模拟单晶在不同取向下的拉伸与压缩变形，分析各向异性响应

案例：基于真实微观结构的多晶宏观性能预测

○ 微观组织 - 有限元网格映射：将相场法生成的微观组织图像通过脚本转换为有限元网格，实现微观结构与数值模型的对应。

○ 多晶宏观力学响应计算：构建多晶代表性体积单元，施加周期性边界条件，计算宏观应力-应变响应。

○ 组织 - 性能定量关联分析：讨论组织特征（晶粒尺寸、取向分布）对整体力学性能的影响

案例：循环载荷下的疲劳损伤与织构演化分析

○ 模型构建与循环载荷模拟：基于相场微观组织特征建立三维多晶RVE模型，模拟循环加-卸载过程。

○ 疲劳损伤与织构演化耦合分析

第四部分

金属液铸造成型过程模拟与应用实例

1. 理论内容

1.1 铸造成型过程模拟软件（EasyCast）概述

1.2 流场、温度场控制方程及求解

1.3 缺陷预测

1.4 与相场微观组织模拟耦合

2. 实践内容：（为企业界优化铸造工艺，带来经济效益）

○ 舱体、轮毂、隔板件等铸造成型过程建模仿真

第五部分

集成工作流与论文实例解读与复现

1. 理论内容：

1.1. 专题研讨：相场-扩散耦合模拟在金属氢致裂纹问题中的应用

1.2. 专题研讨：基于晶体塑性有限元CPFEM的高温蠕变损伤分析

1.3. 多尺度模拟结果在科研论文中的有效呈现与数据解读技巧

1.4. 集成工作流设计原则：针对特定科学问题，选择和组合多尺度方法

2. 实践内容：（前沿论文总结与复现）

案例：典型多尺度模拟论文精读与关键结果复现

○ Serrated grain boundary modulation inhibits nano cracks propagation in   pure magnesium: A phase field crystal and quasi in-situ EBSD study, Acta   Materialia, 301(2025):121573

○ Enhancing plasticity in BCC Mg-Li-Al alloys through controlled   precipitation at grain boundaries, International Journal of   Plasticity,181(2024):104105

目录

主要内容

第一部分

AI与MOF计算基础及环境搭建

1. 关键理论：

1.1. AI 在计算化学中的范式革新：从计算化学到深度学习

1.2. MOF结构-功能关系解析：从金属节点、有机配体的化学特性到宏观吸附、分离性能

1.3. 科学计算与AI工作流整合：数据获取(DB)→结构清洗(Code)→特征计算(Tool)→模型训练(AI)的标准流程

1.4. 量子化学基础：DFT在MOF结构优化、电子结构与吸附位点分析中的应用

案例实践1：

◇ Case 1：使用MOSAEC算法处理CoRE-MOF、QMOF数据库，进行结构合理性校验与数据清洗，确保所有结构满足化学合理性

◇ Case 2：使用Zeo++计算 MOF 孔结构特征（比表面积、孔隙率等）

◇ Case 3：拓扑分析与化学描述符（开放金属位点、有机配体结构式）批量提取

◇ Case 4：使用CP2K完成MOF的晶体结构优化，并计算CH4的结合能，为机器学习筛选出来的潜在候选物进行机理解释。

第二部分

分子模拟和高通量计算在MOFs中的应用

1.  关键理论：

1.1. 分子模拟核心：力场与电荷分配的物理意义与选择策略

1.2. 分子模拟在揭示MOF吸附与分离机制（吸附位点、扩散路径）中的作用

1.3. 高通量计算：作为AI模型“数据工厂” 的搭建流程与MOF 设计中的应用

案例实践2：

◇ Case 1：使用 RASPA2 计算气体吸附/分离性质

◇ Case 2：使用 RASPA2计算等温吸附曲线和气体吸附概率密度图

◇ Case 3： 使用GPU加速的gRASPA实现高通量GCMC模拟，体验“计算产生数据”的规模与效率，并构建后续所需数据集

◇ Case4：高通量GCMC计算结果的分析与可视化，提取结构-性能对应关系。

文献复现：复现经典文献的高通量筛选流程，讨论如何将结果作为AI模型的输入Large-scale screening of hypothetical metal–organic frameworks. Nature   Chem 2012, 4, 83–89

DOI: 10.1038/nchem.1192

第三部分

传统机器学习与可解释AI在MOF中的应用

1. 理论部分

1.1. 机器学习在MOF中的QSAR/QSPR模型：结构-性质定量关系

1.2. 特征工程核心：化学描述符（比表面积、孔径等）的物理意义

1.3. 算法深度解析：随机森林（RF）、XGBoost、SVM在吸附预测中的优劣

1.4. 可解释AI前沿：SHAP、SISSO 在挖掘物理机制与发现设计规则中的应用

案例实践3：

◇ Case 1：Python实现XGBoost、SVM、RF模型预测MOF气体吸附分离性质

◇ Case 2：使用贝叶斯优化算法进行参数调优与特征选择

◇ Case 3：基于独立筛选和稀疏算子 (SISSO) 算法从高维特征空间中学习简洁且可解释的物理公式

◇ Case 4：可视化结果：AUC曲线、误差散点图、蜜蜂群图

◇ Case 5：预测未知MOF的吸附性质，验证模型泛化能力

文献复现：Robust Machine Learning Models for Predicting High CO2 Working   Capacity and CO2/H2 Selectivity of Gas Adsorption in   Metal Organic Frameworks for Precombustion Carbon Capture J. Phys.   Chem. C 2019, 123, 7, 4133–4139

DOI: 10.1021/acs.jpcc.8b10644

第四部分

图神经网络（GNN）与MOF结构-性能建模

1. 理论部分

1.1. GNN基础：如何将晶体结构表示为图—节点、边与全局状态的化学信息编码

1.2. 主流GNN模型：CGCNN、MEGNet消息传递机制及在MOF建模中的优势

1.3. 节点/边特征构建：化学键、配位环境、拓扑连通性的编码策略

1.4. GNN的可解释性：如何理解GNN“看到”的化学信息

案例实践4：

◇ Case 1：使用Pymatgen将MOF晶体结构转换为图神经网络所需的张量数据

◇ Case 2：训练CGCNN或MEGNet模型，预测MOF的吸附性能，并与传统ML对比

◇ Case 3：GNN可视化：使用t-SNE或主成分分析模型学习到的结构表征

◇ Case 4：利用训练好的GNN模型，对虚拟MOF数据库（如hMOF）进行快速性能筛选与候选材料推荐

文献复现：Hydrogen storage metal-organic framework classification models based on   crystal graph convolutional neural networks, Chemical Engineering   Science 2022, 259, 117813.

DOI: 10.1016/j.ces.2022.117813

目录

主要内容

第一部分

Python与材料科学数据分析基础

1. 理论内容：

1.1. 数据驱动材料设计的范式革命与核心流程

1.2. Python材料数据科学生态系统

1.3. 材料数据库与数据标准化概述

2. 实践内容：从环境搭建到数据分析

◇ Case 1：Python科学计算环境搭建与核心库（NumPy, Pandas等）

◇ Case 2：准备或数据库下载特定材料数据

 □ 高温合金体系，获取其原子结构、成分、相溶解温度等基本信息

 □ 钛合金体系，重点关注蠕变性能和拉伸力学性能

 □ 下载/准备钛合金或高温合金的数据，并将结果保存为DataFrame

◇ Case 3：数据清洗、探索与可视化分析

第二部分

描述符工程与特征优化

1. 理论内容：

1.1. 材料描述符的核心概念：如何数字化表征材料

1.2. 成分描述符、工艺描述符、晶体结构描述符与电子结构描述符详解

1.3. 特征选择、降维与特征重要性分析方法及原理

2. 实践内容：从生成描述符到优化特征空间

◇ Case 1：使用Matminer批量生成多元化描述符

 □ 为钛合金体系生成描述符

 □ 为高温合金体系生成描述符

 □ 获得包含原始材料信息和数十至上百个描述符列的DataFrame

◇ Case 2：无监督学习与数据可视化

□ 数据预处理： 对生成的大量描述符进行标准化，确保处于同一量纲

□ 主成分分析：对钛合金/高温合金体系描述符数据进行PCA分析

 □ t-SNE可视化：使用t-SNE对钛合金体系/高温合金体系进行可视化

◇ Case 3：特征选择与优化

 □ 过滤法：计算描述符与目标性能的相关系数

 □ 随机森林或其他回归模型进行训练。 以“预测钛合金的蠕变断裂寿命或其他性能”为例，分析模型哪些描述符最为重要。

 □ 递归特征消除：使用RFECV工具，自动确定最佳特征数量。

第三部分

经典与集成机器学习算法

1. 理论内容：

1.1. 监督学习的基本框架与材料数据的建模流程

1.2. 经典机器学习算法的核心思想与比较

1.3. 集成学习方法及其在复杂材料体系中的优势

1.4. 模型评估、误差分析与模型选择策略

2. 实践内容——从基础建模到集成算法应用

◇ Case 1：基于经典算法的材料性能预测入门实践

 □ 使用给定合金属性数据集（如晶体结构/力学性能 - 元素特征数据）建立初始化线性回归、支持向量机回归、决策树回归/分类器等模型

 □ 完成训练–测试流程，可视化预测误差

◇ Case 2：超参数调优实战：使用交叉验证和自动化搜索工具来寻找模型的最佳超参数组合

◇ Case 3：集成模型在复杂材料任务中的应用与解释

 □ 针对合金力学性能等，分别训练基于随机森林、GBDT等性能预测模型，调整主要超参数，比较不同集成模型的预测精度与训练效率

 □ 模型解释性：使用SHAP库，对合金力学性能预测模型进行分析

第四部分

主动学习与多目标优化

1. 理论内容：

1.1. 材料研发的瓶颈与主动学习的核心

1.2. 主动学习优化框架：建模与决策

1.3. 单目标优化与多目标优化介绍

2. 实践内容：

◇ Case 1：在一个简单一维函数上实现主动学习循环，理解其工作原理

◇ Case 2：综合案例—钛合金增材制造工艺参数优化

 □ 问题定义

 □ 构建初始代理模型

 □ 设计主动学习循环

 □ 执行循环，绘制每一轮中发现的最佳性能的进化图

 □ 循环结束后，分析最终推荐出的增材制造工艺参数

论文实例复现与解读：

1.Active learning framework to optimize process   parameters for additive-manufactured Ti-6Al-4V with high    strength and ductility. Nature   Communication, 2025: 16: 931.

第五部分

“灰箱”模型与可解释AI

1. 理论内容：

1.1. “灰箱”模型的核心思想与优势

1.2. 物理信息神经网络核心原理与应用

1.3. 符号回归

1.4. 模型可解释性技术（全局与局部解释、SHAP 理论）

2. 实践内容——构建与解读下一代AI模型（结合相关论文）

◇ Case 1：物理约束神经网络实战

◇ Case 2：符号回归发现新材料规律

 □ 输入系统或材料相关的多维数据，运行符号回归寻找关键描述符

 □ 对发现的公式进行合理性评估，判断其是否具有实际解释意义

 □ 运用SHAP工具解读一个高性能集成学习模型，获得材料设计指南

□ 全局解释：计算并绘制SHAP特征重要性条形图，识别出影响合金性能的最关键描述符，绘制SHAP摘要图，观察每个描述符与目标性能的单调性或非线性关系

 □ 局部解释：选择一个模型预测为超高力学性能的特定合金成分，生成该样本的SHAP力力图，直观展示描述符（特征）

目录

主要内容

关键理论与软件

二次开发使用方法

1.   基础理论：

1.1.复合材料均质化理论（Eshelby方法、代表性体积单元RVE）论文详述

1.2.有限元在复合材料建模中的关键问题（网格划分、周期性边界条件）

1.3.神经网络基础与迁移学习原理（DNN、CNN、Domain Adaptation）

1.4.纤维复合材料的损伤理论（Tsai-Wu准则、Hashin准则）

实践1：软件环境配置与二次开发方法实践

☆ ABAQUS/Python脚本交互（基于论文中RVE建模案例）

☆ ABAQUS GUI操作与Python脚本自动化建模

☆ 输出应力-应变场数据的文件格式标准化

☆ ABAQUS二次开发框架搭建

☆ 基于ABAQUS二次开发程序的Hashin/Tsai-Wu失效分析有限元实践

☆ TexGen软件安装及GUI界面操作介绍、Python脚本参数化方法

☆ 三维编织/机织纤维复合材料几何模型及网格划分方法

多尺度建模与数据生成方法

1.   复合材料多尺度建模与仿真分析方法

1.1.多相复合材料界面（纤维/基质界面）理论机理（Cohesive模型）

1.2.连续纤维复合材料RVE建模（纤维分布算法、周期性边界条件实现）

1.3.参数化设计：纤维体积分数、纤维直径随机性等对性能的影响

1.4.双尺度有限元仿真方法原理及理论（FE2方法）

1.5.直接双尺度有限元仿真方法原理及理论方法（Direct FE2方法）

实践2：大批量仿真分析与数据处理方法

☆ 考虑界面结合（Cohesive模型）的复合材料分析模型建立

☆ 基于Python的ABAQUS批量仿真（PyCharm嵌入ABAQUS计算内核）

☆ 基于PowerShell调用Python FEA脚本解决动态内存爆炸问题

☆ 控制纤维体分比的纤维丝束生成算法（RSE）

☆ 编写脚本生成不同纤维排布的RVE模型

☆ 输出训练数据集（应变能密度、弹性等效属性等）

☆ ABAQUS实现Direct   FE2方法仿真分析（复合材料）

深度学习模型构建与训练

1.   深度学习模型设计：

1.1.基于多层感知机（DNN）的训练预测网络

1.2.基于卷积神经网络（CNN）的跨尺度特征提取网络（ResNet/DenseNet）

1.3.复合材料的多模态深度学习方法（结构特征提取+材料属性）

1.4.三维结构（多相复合材料/单相多孔材料）的特征处理及预测方法

1.5.物理信息神经网络（PINN）：将物理信息融合到深度学习中

1.6.迁移学习策略：预训练模型在新型复合材料中的参数微调

实践3：代码实现与训练

☆ 深度学习框架PyTorch/TensorFlow模型搭建

☆ 构建多层感知机（DNN）的训练预测网络

☆ 数据增强技巧：对有限元数据进行噪声注入与归一化

☆ 构建二维结构的特征处理及预测网络（CNN—ResNet/DenseNet）+多模态学习预测

☆ 构建三维结构的特征处理及预测网络（三维卷积神经网络）

☆ 建立物理信息神经网络（PINN）学习预测模型

迁移学习与跨领域应用

1.   迁移学习理论深化

1.1.归纳迁移学习与迁移式学习理论深入详解与应用

1.2.归纳迁移学习在跨领域学习预测中的应用

1.3.领域自适应（Domain Adaptation）在材料跨尺度预测中的应用

1.4.案例：碳纤维→玻璃纤维、树脂基质→金属基质的性能预测迁移

实践4：基于预训练模型的迁移学习

☆ 迁移学习神经网络模型的搭建

☆ 归纳学习方法：加载预训练模型权重，针对新材料类型进行微调

☆ 领域自适应：使用领域自适应方法预测未知新材料相关属性

☆ 使用TensorBoard可视化训练过程与性能对比

实践5：端到端复合材料性能预测系统开发

☆ 参数化建模→有限元计算→神经网络预测→结果可视化全流程实现

目录

主要内容

机器学习基础模型与复合材料研究融合

1.机器学习在复合材料中的应用概述

2.机器学习用于复合材料研究的流程

3.复合材料数据收集与数据预处理

实例：数据的收集和预处理

4.复合材料机器学习特征工程与选择

实例：以纳米材料增强复合材料为例，讨论特征选择、特征工程在提高模型性能中的作用。

5.线性回归用于复合材料研究

实例：线性回归在处理复合材料数据中的应用

6.多项式回归用于复合材料研究

实例：多项式回归在处理复合材料数据中的非线性关系时的应用

7.决策树用于复合材料研究

实例：决策树回归在预测水泥基复合材料强度中的应用

复合材料研究中应用集成学习与支持向量模型

1.随机森林用于复合材料研究

实例：随机森林在预测复合材料性能中的应用

2. Boosting算法用于复合材料研究

实例：Catboost在预测复合材料强度中的应用

3.XGBoost和LightGBM用于复合材料研究

(1)  XGBoost

(2)  LightGBM

(3)  模型解释性技术

实例：XGBoost和LightGBM在水泥基复合材料性能预测中的应用，模型比较

4.支持向量机 (SVM) 用于复合材料研究

(1)  核函数

(2)  SVM用于回归（SVR）

实例：SVR在预测复合材料的力学性能中的应用

5.模型调参与优化工具包

(1)  网格搜索、随机搜索的原理与应用

(2)  工具包Optuna

实例：超参数调整方法，模型调参与优化工具包的应用

6.机器学习模型评估

(1)  回归模型中的评估指标（MSE, R2, MAE等）

(2)  交叉验证技术

实例：比较不同模型的性能并选择最佳模型

复合材料研究中应用神经网络

1.神经网络基础

(1)  激活函数

(2)  前向传播过程

(3)  损失函数

实例：手动实现前向传播

2.神经网络反向传播与优化

(1)  梯度下降法原理

(2)  反向传播算法

(3)  随机梯度下降(SGD)

实例：实现梯度下降算法

3.复合材料研究中的多层感知机(MLP)

(1)  MLP架构设计

(2)  MLP的训练过程

(3)  MLP在回归和分类中的应用

实例：构建简单的MLP解决复合材料中的回归问题

4.PINNs

(1)PINN基本原理

(2)弹簧振动正问题中的PINNs

(3)弹簧振动逆问题中的PINNs

实例：使用PyTorch构建PINNs

5.GAN

(1)GAN基本原理

(2)针对表格数据的GAN

(3)增强数据的评估指标

实例：构建GAN生成水泥基复合材料数据

6.可解释性机器学习方法-SHAP

(1)  SHAP理论基础

(2)  计算和解释SHAP值

实例：复合材料中应用SHAP进行模型解释和特征理解

论文复现机器学习综合应用以及SCI文章写作

论文实例解读与复现：选择两篇应用机器学习研究水泥基复合材料的SCI论文

1. Comparison of traditional and automated machine learning approaches in predicting the compressive strength of graphene oxide/cement composites. Construction and Building Materials, 2023, 394: 132179. 

2. Machine learning aided uncertainty analysis on nonlinear vibration of cracked FG-GNPRC dielectric beam. Structures, 2023, 58: 105456. 

Ø论文中使用的复合材料数据集介绍

Ø论文中的复合材料特征选择与数据预处理方法

Ø论文中使用的模型结构与构建

Ø机器学习研究复合材料的超参数调整

Ø复合材料研究中机器学习模型性能评估

复合材料机器学习研究结果可视化

课程总结与未来展望

Ø 课程重点回顾

Ø 机器学习在复合材料中的未来发展方向

Ø 如何继续学习和深入研究

Ø Q&A环节