北京
2025 年諾貝爾化學獎公布，授予北川進（Susumu Kitagawa）、理查德·羅布森（Richard Robson）和奧馬爾·亞吉（Omar Yaghi），以表彰“他們對金屬-有機框架的發展”。
三位獲獎者創造了一種具有巨大空間的分子結構，使氣體和其他化學物質能夠在其中流動。這些結構被稱為金屬有機框架（metal-organic frameworks，簡稱 MOF），可用于從沙漠空氣中提取水分、捕獲二氧化碳、儲存有毒氣體，或催化化學反應。
三位獲獎者發展出一種全新的分子結構架構形式。在他們的設計中，金屬離子充當“角石”，由長鏈有機（以碳為基礎的）分子相互連接。金屬離子與有機分子共同組裝成具有大量空腔的晶體結構。這種多孔材料被稱為金屬有機框架（MOF）。通過改變 MOF 所采用的構筑單元，化學家可以定向設計出能夠捕獲和儲存特定物質的材料。MOF 還可以驅動化學反應或導電。
諾貝爾化學獎評審委員會主席 海納·林克（Heiner Linke） 表示：“金屬有機框架具有巨大的潛力，為定制化的新功能材料帶來了前所未有的可能性。”在三位得主的奠基性發現之后，化學家們已經構筑出數以萬計不同類型的 MOF。其中一些材料有望為人類解決重大挑戰提供助力，其應用包括：從水中分離全氟和多氟烷基物質（PFAS），分解環境中的微量藥物殘留，捕獲二氧化碳，以及從沙漠空氣中提取水分等。
為了滿足工業界和學術界對于融合化學工程、材料科學、計算機和 AI技術多學科知識與技能的復合型人才的需求，特舉辦此次研修課程。本次培訓主辦方為北京軟研國際信息技術研究院，承辦方互動派（北京）教育科技有限公司，會議會務合作單位為北京中科萬維智能科技有限公司。
本次培訓會議主辦方為北京軟研國際信息技術研究院，承辦方互動派（北京）教育科技有限公司，會議會務合作單位為北京中科緯來智能科技有限公司。具體相關事宜通知如下：
專題一
(直播4天)
（詳情內容點擊上方名稱查看）
2025年11月01日-11月02日
2025年11月08日-11月09日
專題二
(直播4天)
（詳情內容點擊上方名稱查看）
2025年11月08日-11月09日
2025年11月15日-11月16日
專題三
(直播4天)
（詳情內容點擊上方名稱查看）
2025年10月25日-10月26日
2025年11月01日-11月02日
專題四
(直播4天)
（詳情內容點擊上方名稱查看）
2025年11月01日-11月02日
2025年11月08日-11月09日
專題五
(直播4天)
（詳情內容點擊上方名稱查看）
2025年10月18日-10月19日
2025年10月25日-10月26日
培訓對象
材料科學、電力工業、航空航天科學與工程、有機化工、無機化工、建筑科學與工程、自動化技術、工業通用技術、汽車工業、金屬學與金屬工藝、機械工業、船舶工業等領域的科研人員、工程師、及相關行業從業者、跨領域研究人員。
培訓講師
01
AI有限元講師
講師來自全國重點大學、國家“985工程”、“211工程”重點高校，計算力學博士，以第一作者于Composites Science and Technology、CMAME、CS等TOP期刊發表論文多篇，授權發明專利3項。
主要研究方向：深度學習加速的FEA、多尺度分析方法、結構逆向設計等。
02
AI聚合物講師
來自國內985高校，主要從事人工智能輔助的科學研究，相關成果發表在《Macromolecules》《Chemical Science》、《npj Computational Materials》等國際期刊上，多次擔任《Journal of Membrane Science》《Artificial Intelligence Review》等國際期刊審稿人。
擅長領域：深度學習、生成式AI和大語言模型等機器學習方法在材料科學、工業優化中的研究。
03
智能水泥基講師
由來自全國知名高校教授/博導，國家級青年人才帶領團隊講授。長期從事機器學習與智能復合材料與結構的研究與開發，近兩年以第一/通訊作者發表SCI論文20余篇，包括多個中科院一區TOP期刊發表高水平論文。發表論文谷歌引用次數超過3000次，h-index為27。團隊導師擔任省內力學學會理事、SCI期刊Nano Materials Science和Buildings青年編委和Frontiers in Materials客座編輯，以及超過70個SCI期刊的長期審稿人。
04
增材制造講師
高校副教授、碩導。主持國家及省自然科學基金多項，發表 SCI 檢索論文30余篇，論文總共他引1000余次，擔任多個國內外期刊審稿人。主要從事金屬激光增材制造過程監控研究。在深度學習應用、增材制造仿真等方面積累了豐富的經驗。
05
金屬結構疲勞講師
國內高校副教授帶領團隊成員講授。主持或者參與國家及省自然科學基金、博士后面上基金等項目10余項，發表 SCI/EI 檢索論文50余篇，論文總共他引500余次，擔任10余個國內外期刊審稿人。主要從事材料與結構疲勞損傷評估及優化設計研究。曾在國內知名企業主研客車骨架疲勞耐久試驗標準，在深度學習應用、壽命預測與智能監測等方面積累了豐富的經驗。
培訓大綱
基于AI-有限元融合的復合材料多尺度建模與性能預測前沿技術
目錄
主要內容
關鍵理論與軟件
二次開發使用方法
1. 基礎理論：
1.1.復合材料均質化理論（Eshelby方法、代表性體積單元RVE）論文詳述
1.2.有限元在復合材料建模中的關鍵問題（網格劃分、周期性邊界條件）
1.3.神經網絡基礎與遷移學習原理（DNN、CNN、Domain Adaptation）
1.4.纖維復合材料的損傷理論（Tsai-Wu準則、Hashin準則）
實踐1：軟件環境配置與二次開發方法實踐
☆ABAQUS/Python腳本交互（基于論文中RVE建模案例）
☆ ABAQUS GUI操作與Python腳本自動化建模
☆ 輸出應力-應變場數據的文件格式標準化
☆ ABAQUS二次開發框架搭建
☆ 基于ABAQUS二次開發程序的Hashin/Tsai-Wu失效分析有限元實踐
☆ TexGen軟件安裝及GUI界面操作介紹、Python腳本參數化方法
☆ 三維編織/機織纖維復合材料幾何模型及網格劃分方法
多尺度建模與數據生成方法
1. 復合材料多尺度建模與仿真分析方法
1.1.多相復合材料界面（纖維/基質界面）理論機理（Cohesive模型）
1.2.連續纖維復合材料RVE建模（纖維分布算法、周期性邊界條件實現）
1.3.參數化設計：纖維體積分數、纖維直徑隨機性等對性能的影響
1.4.雙尺度有限元仿真方法原理及理論（FE2方法）
1.5.直接雙尺度有限元仿真方法原理及理論方法（Direct FE2方法）
實踐2：大批量仿真分析與數據處理方法
☆ 考慮界面結合（Cohesive模型）的復合材料分析模型建立
☆ 基于Python的ABAQUS批量仿真（PyCharm嵌入ABAQUS計算內核）
☆ 基于PowerShell調用Python FEA腳本解決動態內存爆炸問題
☆ 控制纖維體分比的纖維絲束生成算法（RSE）
☆ 編寫腳本生成不同纖維排布的RVE模型
☆ 輸出訓練數據集（應變能密度、彈性等效屬性等）
☆ ABAQUS實現Direct FE2方法仿真分析（復合材料）
深度學習模型構建與訓練
1. 深度學習模型設計：
1.1.基于多層感知機（DNN）的訓練預測網絡
1.2.基于卷積神經網絡（CNN）的跨尺度特征提取網絡（ResNet/DenseNet）
1.3.復合材料的多模態深度學習方法（結構特征提取+材料屬性）
1.4.三維結構（多相復合材料/單相多孔材料）的特征處理及預測方法
1.5.物理信息神經網絡（PINN）：將物理信息融合到深度學習中
1.6.遷移學習策略：預訓練模型在新型復合材料中的參數微調
實踐3：代碼實現與訓練
☆ 深度學習框架PyTorch/TensorFlow模型搭建
☆ 構建多層感知機（DNN）的訓練預測網絡
☆ 數據增強技巧：對有限元數據進行噪聲注入與歸一化
☆ 構建二維結構的特征處理及預測網絡（CNN—ResNet/DenseNet）+多模態學習預測
☆ 構建三維結構的特征處理及預測網絡（三維卷積神經網絡）
☆ 建立物理信息神經網絡（PINN）學習預測模型
遷移學習與跨領域應用
1. 遷移學習理論深化
1.1.歸納遷移學習與遷移式學習理論深入詳解與應用
1.2.歸納遷移學習在跨領域學習預測中的應用
1.3.領域自適應（Domain Adaptation）在材料跨尺度預測中的應用
1.4.案例：碳纖維→玻璃纖維、樹脂基質→金屬基質的性能預測遷移
實踐4：基于預訓練模型的遷移學習
☆ 遷移學習神經網絡模型的搭建
☆ 歸納學習方法：加載預訓練模型權重，針對新材料類型進行微調
☆ 領域自適應：使用領域自適應方法預測未知新材料相關屬性
☆ 使用TensorBoard可視化訓練過程與性能對比
實踐5：端到端復合材料性能預測系統開發
☆ 參數化建模→有限元計算→神經網絡預測→結果可視化全流程實現
☆部分案例圖展示
人工智能賦能聚合物及復合材料模型應用與實踐
目錄
主要內容
一、基礎概述與核心方法論
1. AI 在聚合物及復合材料領域的理論基礎和應用概述
2. 傳統機器學習，深度學習和生成式 AI 方法概述
3. AI for 聚合物（及復合材料）研究的核心問題（聚合物多層次結構表示、性能預測、結構設計等）
4. 聚合物研究的 AI 方法論框架
4.1 數據驅動與機理驅動的協同（第一性原理到領域知識）
4.2 聚合物智能創制研究全流程：從數據到模型，從預測到設計
二、數據與特征工程
1. 學術數據資源與獲取
1.1 常見數據庫：Material Project、Polymer Genome、Polylnfo 等
1.2 聚合物公開benchmark和Kaggle數據集
2. 數據預處理與質量優化
2.1 均聚物數據集清洗、去噪、標準化 (實踐)
2.2 使用清洗后的數據進行可視化：小提琴圖、PCA、T-SNE、UMAP等 (實踐)
2.3 聚合物復合材料數據收集與預處理 (實踐)
3. 特征工程
3.1 結構表示與編碼（如分子指紋、鏈結構特征、3D結構特征、神經網絡指紋）
3.2 特征選擇方法（過濾法、包裝法、遞歸消除法等）(實踐)
3.3物理機理指導的特征選取（聚合物鏈結構帶來的空間位阻、氫鍵描述符等）
3.4均聚物性能研究（如耐熱性、力學性能、介電性能、透氣性/阻燃性等）(實踐)
3.5數據集規模與質量對模型的影響(Scalling laws in polymers) (實踐)
三、模型體系（從基礎到前沿）
1. 傳統機器學習模型及應用
1.1 基礎模型：SVR、決策樹、隨機森林、感知機、XGBoost、LGBM、AdaBoost等，模型評估策略：MAE、RMSE、R2、Accuracy、F1等
1.2 應用場景：復合材料力學性能預測（如應力應變曲線）(實踐)
2. 深度學習模型
2.1 深度學習模型訓練與部署：Tensorflow/PyTorch、Gradio等 (實踐)
2.2 深度神經網絡（DNN）與參數更新、卷積神經網絡（CNN）、圖神經網絡（GNN）在聚合物中的應用 (實踐)
3. （聚合物）材料基因工程中的高通量計算與模型概述及入門（MatterSim、DeepMD、RadonPy、SMiPoly等)
4. 生成式 AI 與大語言模型
4.1 大模型訓練與部署：Langchain、HuggingFace等(實踐)
4.2 （聚合物）分子生成模型：VAE、GAN、Diffusion等 (實踐)
4.3 大語言模型（LLM）：GPT、BERT、T5、DeepSeek等架構與應用 (實踐)
四、性能預測與材料設計
1. 正向性能預測
1.1 機器學習預測聚氨酯復合材料應力應變曲線(實踐)
1.2 機器學習預測PI復材力學性能 (實踐)
1.3 可解釋性分析：特征重要性分析、SHAP 值的應用 (實踐)
2. 逆向設計與智能篩選
2.1 生成式 AI 驅動的全空間聚合物材料生成 (實踐)
2.2 高通量篩選工作流：從結構生成到性質預測的聚合物批量篩選(實踐)
五、前沿AI方法在聚合物領域實踐案例與科研指導
1. 聚合物表示學習性能探索（描述符、分子圖、SMILES、BigSMILES、SELFIES等）(實踐)
2. 聚合物領域知識出發的對比學習，主動學習和強化學習框架實現 (實踐)
3. 聚合物生成式模型與大語言模型實踐（如 polyBERT、Transpolymer 預測聚合物性能）(實踐)
☆部分案例圖展示
機器學習在智能水泥基復合材料中的應用與實踐
目錄
主要內容
機器學習基礎模型與復合材料研究融合
1. 機器學習在復合材料中的應用概述
2. 機器學習用于復合材料研究的流程
3. 復合材料數據收集與數據預處理
實例：數據的收集和預處理
4. 復合材料機器學習特征工程與選擇
實例：以納米材料增強復合材料為例，討論特征選擇、特征工程在提高模型性能中的作用
5. 線性回歸用于復合材料研究
實例：線性回歸和多項式回歸在處理復合材料數據中的應用
6. 多項式回歸用于復合材料研究
實例：多項式回歸在處理復合材料數據中的非線性關系時的應用
7. 決策樹用于復合材料研究
實例：決策樹回歸在預測水泥基復合材料強度中的應用
復合材料研究中應用集成學習與支持向量模型
1. 隨機森林用于復合材料研究
實例：隨機森林在預測復合材料性能中的應用
2. Boosting算法用于復合材料研究
實例：Catboost在預測復合材料強度中的應用
3. XGBoost和LightGBM用于復合材料研究
(1) XGBoost
(2) LightGBM
(3) 模型解釋性技術
實例：XGBoost和LightGBM在水泥基復合材料性能預測中的應用，模型比較
4. 支持向量機 (SVM) 用于復合材料研究
(1) 核函數
(2) SVM用于回歸（SVR）
實例：SVR在預測復合材料的力學性能中的應用
5. 模型調參與優化工具包
(1) 網格搜索、隨機搜索的原理與應用
(2) 工具包Optuna
實例：超參數調整方法，模型調參與優化工具包的應用
6. 機器學習模型評估
(1) 回歸模型中的評估指標（MSE, R2, MAE等）
(2) 交叉驗證技術
實例：比較不同模型的性能并選擇最佳模型
復合材料研究中應用神經網絡
1. 神經網絡基礎
(1) 激活函數
(2) 前向傳播過程
(3) 損失函數
實例：手動實現前向傳播
2. 神經網絡反向傳播與優化
(1) 梯度下降法原理
(2) 反向傳播算法
(3) 隨機梯度下降(SGD)
實例：實現梯度下降算法
3. 復合材料研究中的多層感知機(MLP)
(1) MLP架構設計
(2) MLP的訓練過程
(3) MLP在回歸和分類中的應用
實例：構建簡單的MLP解決復合材料中的回歸問題
4. PINNs
(1) PINN基本原理
(2) 彈簧振動正問題中的PINNs
(3) 彈簧振動逆問題中的PINNs
實例：使用PyTorch構建PINNs
5. GAN
(1) GAN基本原理
(2) 針對表格數據的GAN
(3) 增強數據的評估指標
實例：構建GAN生成水泥基復合材料數據
6. 可解釋性機器學習方法-SHAP
(1) SHAP理論基礎
(2) 計算和解釋SHAP值
實例：復合材料中應用SHAP進行模型解釋和特征理解
論文復現機器學習綜合應用以及SCI文章寫作
論文實例解讀與復現：選擇兩篇應用機器學習研究水泥基復合材料的SCI論文
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.
? 論文中使用的復合材料數據集介紹
? 論文中的復合材料特征選擇與數據預處理方法
? 論文中使用的模型結構與構建
? 機器學習研究復合材料的超參數調整
? 復合材料研究中機器學習模型性能評估
? 復合材料機器學習研究結果可視化
課程總結與未來展望
? 課程重點回顧
? 機器學習在復合材料中的未來發展方向
? 如何繼續學習和深入研究
? Q&A環節
☆部分案例圖示：
智能融合：增材制造多物理場AI建模與工業應用實戰
目錄
主要內容
基礎奠基
1. 增材制造物理基礎（理論+案例）
1.1.金屬激光增材制造物理過程
1.1.1. 激光-材料相互作用機理
1.1.2. 關鍵缺陷形成機制
1.2.多物理場監測方法（紅外、可見光、相干光、聲發射信號、同步輻射等）
1.3.金屬增材成型質量監測一般技術路線（數據采集、特征提取、模型構建、閉環控制）
2. 深度學習核心理論（理論+案例）
2.1.深度學習基礎（CNN、RNN、LSTM、Attention、Transformer等）
2.2.遷移學習、聯邦學習、迭代學習等
2.3.增材特征工程：多模態特征融合、時頻域變換、經驗模態分解、特征提取。
2.4.工業場景模型評估指標：準確性、魯棒性、穩定性、泛化能力
3. PyTorch在增材制造中的應用實踐
3.1.工業 AI 模型開發范式
3.2.性能優化與工程調優技術
案例實踐（SCI論文復現）：
（1）定向能量沉積常見缺陷過程監測；
（2）定向能量沉積或激光焊接形貌質量控制；
核心算法精研
1. 物理信息神經網絡(PINN)基礎
1.1.以物理約束替代或補充標簽數據的原因、優勢、途徑
1.2.PINN核心原理與構建方式
案例實踐：一維熱傳導問題的PINN構建流程
2. PINN在增材制造中的建模策略
2.1.增材制造中的溫度場建模需求
2.2.控制方程建模與邊界條件設定
3. 工程化處理技巧
3.1.網格采樣（collocation points）策略
3.2.輸入歸一化與輸出約束
3.3.梯度計算效率優化與收斂調試技巧
案例實踐：熔池狀態分類部署
4. PINN的前沿擴展與高級用法
4.1.深層結構設計（多輸出PINN（溫度+應力等多物理量）、輕量化網絡等）
4.2.數據融合與弱監督建模（稀缺樣本、數據驅動 + 物理約束的混合模型）
4.3.工程挑戰與實際部署問題
案例實踐：基于遷移學習PINN的增材制造3D溫度場預測（論文復現，如何套殼實現你自己領域的PINN模型）
增材制造專題（一）
1. 增材制造中不確定量化（UQ）建模基礎
1.1.不確定性種類和來源
1.2.不確定性傳遞的基本原理
1.3.不確定性傳遞的數學框架（輸入不確定性 → 模型 → 輸出響應不確定性）
2. 基于Fluent的仿真與不確定性傳播分析
2.1.Fluent在增材制造中的典型建模內容
2.2.如何在Fluent中引入不確定性
2.3.不確定性傳播分析流程
3. 不確定性量化與敏感性分析方法
3.1. Polynomial Chaos Expansion
3.2. Sobol 敏感性分析與方差分解
3.3. Kriging代理模型
案例實踐：
（1）仿真數據驅動定向能量沉積溫度場不確定性量化
（2）溫度梯度/冷卻速率穩定性魯棒最優化
增材制造專題（二）
1. 增材制造中的微觀組織與晶體結構建模
1.1.晶粒結構與材料性能關系
1.2.增材制造過程微觀組織多尺度建模路徑
1.3.顯微組織圖像的獲取與處理
2. ExaCA 模擬工具入門與操作流程
2.1.ExaCA模擬流程詳解
2.2.輸出結果分析與可視化
3. 基于圖像的晶體學參數預測模型構建
3.1.數據獲取、網絡結構設計
3.2.模型訓練與驗證、可視化
案例實踐：ExaCA + AI的集成建模與預測應用（與前面的知識相融合）
☆部分案例圖展示
金屬結構疲勞壽命預測與健康監測技術
目錄
主要內容
理論基礎與核心方法
1. 疲勞經典理論及其瓶頸
1.1.疲勞失效的微觀與宏觀機理： 裂紋萌生、擴展與斷裂的物理過程。
1.2.傳統方法的回顧與評析。
1.3.引出核心問題：是否存在一個更具物理意義、能統一描述疲勞全過程（萌生與擴展）且試驗量更少的參量？
2. 能量法理論體系—從物理原理到數學模型
2.1.疲勞過程中的能量觀、核心物理量-塑性滯后環與能量耗散。
2.2.能量型壽命預測模型建立：Miner線性累積損傷理論、經典能量模型講解、模型參數（如 Wc, Ec）的物理意義及其試驗確定方法。
3. 能量法的數值實現通路
3.1.通路一：試驗法直接獲取。
3.2.通路二：有限元法仿真獲取。（本課程重點）
3.2.1. 關鍵技術：使用有限元軟件進行準靜態循環塑性分析。
3.2.2. 材料模型選擇：線性隨動強化模型、非線性隨動強化模型、Chaboche模型及其適用場景。
3.2.3. 分析步設置：如何設置加載、卸載循環，以穩定地模擬出滯后環。
3.2.4. 結果后處理：在FEA軟件中如何提取特定單元或節點的應力-應變數據，并導出用于計算ΔWp。
案例實踐1：基于ABAQUS的后橋殼疲勞壽命能量分析方法
案例實踐2：對含有應力集中的焊接接頭進行精細有限元建模及壽命預測
監測與數據驅動方法—紅外熱像技術與深度學習
4. 紅外熱像技術基礎與疲勞監測原理
4.1.紅外物理學基礎及紅外熱像系統核心。
4.2.疲勞過程中的熱力學響應。
4.2.1. 兩大熱源機理：熱彈性效應、塑性耗散。
4.2.2. 從“測溫”到“讀力”與“讀傷”：闡釋如何從采集到的溫度信號中分離出上述兩種效應，從而反推應力信息或損傷信息。
5. 從溫度數據到能量耗散的實戰數據處理流程
5.1.數據預處理。
5.2.關鍵算法與分離技術。（本課程重點）
5.3.可視化分析：生成耗散能圖，直觀顯示試件表面的損傷熱點與分布。
案例實踐3：MATLAB紅外熱像數據處理
① 環境搭建：使用MATLAB，導入提供的示例紅外數據。
② 數據讀取與查看：讀取數據，查看平均溫度歷程曲線。
③ 圖像預處理：編寫代碼進行空域濾波和時域濾波，對比濾波效果。
④ 耗散能計算，將計算結果可視化為全場耗散能圖，定位疲勞熱點。
6. 深度學習入門：當CNN和RNN遇見工程數據
6.1.卷積神經網絡（CNN）核心概念：
6.1.1.卷積層、池化層、激活函數如何自動提取圖像的空間層級特征。
6.1.2.經典網絡結構（如ResNet, U-Net）。
6.2循環神經網絡（RNN/LSTM）核心概念：為何需要處理序列數據？LSTM的門控機制如何捕捉溫度序列中的時序依賴關系。
6.3.模型架構設計：講解如何為疲勞熱像序列設計一個“CNN特征提取器+ LSTM時序理解器+全連接層回歸/分類”的混合模型。
案例實踐4：基于熱耗散機制構建裂紋長度和擴展路徑智能預測模型
① 環境與數據：使用本地MATLAB環境。提供已標注的數據集（熱像圖序列 + 對應的裂紋長度標簽）。
② 數據加載與預處理：進行圖像縮放、歸一化、序列分割等操作。
③ 模型搭建：使用MATLAB搭建CNN-LSTM模型，并輸出對最終裂紋長度的預測。
④ 模型訓練與評估：
1) 定義損失函數（如MSELoss）和優化器（如Adam）。
2) 運行訓練循環，觀察訓練損失和驗證損失的變化。
3) 使用訓練好的模型對測試集進行預測，計算平均絕對誤差（MAE），評估模型性能。
綜合應用—從局部損傷到整體壽命與可靠性
7. 從局部到全局——結構系統疲勞壽命評估框架
7.1.問題引出：如何將一個“點”（FEA危險點、熱像熱點）的損傷預測，推廣到預測一個復雜焊接接頭或整個鉚接結構的壽命？
7.2.基于能量的系統級疲勞分析流程。（本課程重點）
① 全局-局部建模。
② 局部響應分析。
③ 壽命外推與合成。
7.3.多源信息融合：探討如何利用紅外熱像實測的耗散能分布來驗證、修正或替代FEA模型的計算結果，提高預測置信度。
案例實踐5：考慮應力集中系數基于耗散能的鉚接結構疲勞壽命預測
案例實踐6：非公路電動輪自卸車車架焊縫壽命預測
① 全局模型：建立整車多體動力學模型，提取車架安裝點處的載荷譜。
② 局部模型：建立包含詳細焊縫的車架精細有限元模型，導入載荷譜進行有限元分析。
③ 能量計算：定位焊縫熱點，提取其應力-應變響應，計算ΔWp。
④ 壽命預測：預測該焊縫在給定載荷譜下的壽命。
8. 不確定性、可靠性分析與設計優化導論
8.1.為何需要可靠性分析、可靠性分析核心方法概念。
8.2.基于可靠性的設計優化 (RBDO) 框架。
案例實踐7：非公路電動輪自卸車A型架模糊疲勞可靠性分析
案例實踐8：磁流體密封系統冷卻結構多學科優化設計
① 數字化建模：密封殼體網格劃分及數值建模。
② 實驗設計 (DOE)：使用最優拉丁超立方采樣生成設計點。
③ 仿真流程：利用多物理場仿真軟件（如COMSOL），計算每個設計點的性能（密封壓差、最大應力、溫度）。
④ 代理模型構建：使用克里金（Kriging）或神經網絡，用仿真數據擬合出設計變量與系統響應之間的近似數學關系，極大加速優化循環。
⑤ 優化求解：使用遺傳算法等算法進行RBDO求解，找到全局最優設計。
培訓特色
AI有限元專題
1、多尺度建模技術融合：不僅涵蓋了復合材料從微觀到宏觀的多尺度建模理論，還特別強調了有限元方法與神經網絡建模的融合，提供了全面的視角來理解建模中的多尺度問題。
2、工業級科研工具鏈實戰：以ABAQUS二次開發為核心，集成PyCharm調試、PowerShell任務調度、TensorBoard可視化，構建接近工業場景的自動化仿真-學習流水線。
3、技術深度與廣度：從復合材料均質化理論和有限元建模開始，到更高級的神經網絡建模、深度學習和遷移學習，逐步深入，確保學員能夠掌握不同復雜度的技術。
4、“物理+數據”雙引擎驅動：突破純數據驅動模型的“黑箱”局限，將Hashin準則、周期性邊界條件等物理規則嵌入神經網絡（如PINN），提升模型可解釋性與外推能力。
5、端到端系統交付能力培養：最終實踐環節封裝“參數化建模→仿真→預測”流程為獨立系統，輸出GUI界面或API接口，銜接學術成果與工業落地。
AI聚合物專題
1、前沿技術與理論結合：課程涵蓋了生成式AI的基本概念、深度學習技術、大語言模型等前沿內容，同時結合了高分子材料的特性，使學員能夠系統地了解和掌握最新的技術動態及其在材料領域的應用。
2、豐富的案例實踐：通過多個案例實踐教學環節，如利用機器學習預測聚合物粘度、構建耐熱高分子篩選工作流、大語言模型實現聚合物性質預測等，讓學員在實際操作中加深對理論知識的理解，提升解決實際問題的能力。
3、多學科知識融合：課程內容涉及深度學習、高分子材料科學、材料基因組工程等多個學科領域，學員能夠在學習過程中拓寬知識面，培養跨學科思維，更好地應對復雜的研發任務。
4、系統性與針對性：課程從生成式AI的基礎知識講起，逐步深入到大語言模型、材料基因組工程等核心內容，使學員能夠系統地構建知識體系，同時掌握與高分子材料研發相關的具體技術和方法。
5、工具與平臺應用：介紹Tensorflow、Pytorch、HuggingFace、Langchain、Gradio等先進的深度學習模塊和工具，使學員能夠熟練使用這些工具進行高分子材料的研發工作，提升工作效率。
智能水泥基專題
1、跨學科前沿融合：聚焦材料科學中的實際痛點（如強度預測、性能優化），通過算法驅動研究創新，為學員提供交叉學科研究的系統性方法論。
2、全流程實戰導向：以“數據→模型→應用→論文”為主線，覆蓋復合材料研究的全流程
數據層面：從數據采集、預處理到特征工程，結合納米材料增強案例詳解數據優化策略；
模型層面：從基礎回歸模型（線性/多項式回歸）到高級技術（集成學習、神經網絡、PINNs、GAN），通過真實數據集（如水泥基復合材料力學性能）對比不同模型的優劣；
應用層面：結合PyTorch、Optuna等工具實現模型構建、調參與優化，并通過SHAP解釋模型決策邏輯，提升結果可信度；
成果轉化：復現兩篇頂刊SCI論文，解析實驗設計、超參數調整與可視化方法。
3、技術深度與廣度：涵蓋經典機器學習（SVM、隨機森林）、自動化調參（XGBoost、LightGBM）、深度學習（MLP、GAN）、物理信息神經網絡（PINNs）等多元技術；針對復合材料特性，如非線性力學關系、小樣本數據，設計專項解決方案。
4、工具鏈與可解釋性并重：引入工業級工具（PyTorch、Optuna）實現高效建模與超參數優化；強調模型透明性，通過SHAP值分析特征貢獻度，助力結果的可解釋性與學術說服力。
5、科研賦能與成果落地：提供頂刊論文復現模板，拆解實驗設計、圖表制作與寫作邏輯；探討機器學習在復合材料中的未來趨勢，引導學員規劃長期研究方向。
增材制造專題
1、【雙驅智能】物理機理與數據智能的深度耦合：突破傳統“純數據驅動”局限，獨創 “物理方程約束+工業數據訓練”雙引擎框架
(1) PINN工程化實戰：從一維熱傳導基礎推演到增材制造3D溫度場預測（含遷移學習套殼技巧），掌握用納維-斯托克斯方程、熱傳導定律替代缺失標簽的工業級建模方法。
(2) UQ與物理仿真聯動：結合Fluent仿真輸入不確定性，實現定向能量沉積溫度場方差分解與魯棒優化（Sobol指標驅動工藝參數調優）。
2、【工業閉環】SCI論文級案例貫穿研發全鏈路：以頂刊研究復現為腳手架，還原工業場景
(1) 監測→診斷→控制閉環：從多物理場信號采集（紅外/聲發射）→ 熔池缺陷分類模型部署→工藝參數動態優化；
(2) 跨尺度預測實戰：ExaCA晶體模擬 + AI顯微圖像分析，實現晶粒結構預測→力學性能關聯建模。
3、【瓶頸突破】攻克增材制造三大工程化難點：直擊企業工藝落地的核心痛點
(1) 稀缺樣本建模：物理信息約束解決小樣本場景（如航天特種合金缺陷數據不足）；
(2) 多模態特征融合：融合紅外熱像+聲發射頻域特征提升熔池狀態識別準確率；
(3) 輕量化部署：針對邊緣設備設計PINN剪枝方案，提升推理速度
4、【工具鏈整合】覆蓋主流工業軟件與AI框架：構建無縫銜接企業技術棧的能力矩陣
(1) Fluent多物理場仿真輸入UQ
(2) ExaCA晶體結構預測數據生成
(3) 同步輻射平臺缺陷機制驗證數據源
5、【前沿躍遷】解鎖下一代智能增材關鍵技術：前瞻性融合國際最新研究方向
(1) 聯邦學習：跨企業數據孤島協作建模（如多基地工藝知識共享）
(2) 多輸出PINN：同步預測溫度場-應力場-變形量，替代傳統串行仿真；
(3) Kriging代理模型：將高保真仿真壓縮多倍，實現實時工藝窗口推薦。
金屬結構疲勞專題
1. 前沿交叉，學科融合
內容整合了固體力學、熱物理學、有限元仿真、信號處理與深度學習等多個領域，旨在培養學員解決復雜工程問題的跨學科系統性思維，契合高端裝備研發對復合型人才的要求。
2. 物理機理與數據智能雙驅動
從能量法的物理本質出發，利用紅外熱像數據驗證機理模型，再引入深度學習提升預測智能性，形成“物理機理+數據驅動”融合建模閉環，確保模型既有物理意義又具預測精度。
3. 高端工業軟件實戰，貫穿全流程
課程設計以工業級軟件實戰為核心線索，覆蓋從有限元分析、熱像數據處理到多學科優化設計的完整工作流。學員通過實操將理論轉化為解決實際問題的硬核技能，即學即用。
4. 案例導向，源自真實工業場景
所有案例均源于工程實際（如后橋殼、焊接接頭、自卸車車架、磁流體密封系統），直面應力集中、焊縫疲勞、系統可靠性等工業真問題，獲得解決方案與實踐經驗。
5. 技術鏈條完整，從局部到系統
課程內容設計遵循“微觀機理-局部響應-系統評估-可靠性優化” 的完整技術鏈條。如何從一個點的損傷預測，推廣到評估整個復雜結構的壽命與可靠性，構建完整的知識體系。
6. 提供核心算法與數據處理代碼
在紅外熱像數據處理和深度學習模塊，課程將提供MATLAB核心算法代碼（如熱像數據濾波、耗散能分離、CNN-LSTM模型搭建），助力學員突破從理論到代碼實現的關鍵瓶頸。
報名須知
基于AI-有限元融合的復合材料多尺度建模與性能預測前沿技術
2025年11月01日-11月02日
2025年11月08日-11月09日
在線直播（授課四天）
人工智能賦能聚合物及復合材料模型應用與實踐
2025年11月08日-11月09日
2025年11月15日-11月16日
在線直播（授課四天）
機器學習在智能水泥基復合材料中的應用與實踐
2025年10月25日-10月26日
2025年11月01日-11月02日
在線直播（授課四天）
智能融合：增材制造多物理場AI建模與工業應用實戰
2025年11月01日-11月02日
2025年11月08日-11月09日
在線直播（授課四天）
金屬結構疲勞壽命預測與健康監測技術
2025年10月18日-10月19日
2025年10月25日-10月26日
在線直播（授課四天）
增值服務
1、凡報名學員將獲得本次培訓電子課件及案例模型文件；
2、培訓結束可獲得本次所學專題課程全部無限次回放視頻；
3、凡參加AI有限元/增材制造/金屬結構疲勞專題課程學員后期可免費再參加一次本專題課程；
4、價格優惠：
2025年10月01日前報名繳費可享受200元早鳥價優惠；
老學員或兩人（含）以上團報可享受每人額外200元優惠；
4、參加培訓并通過試的學員，可以獲得：主辦方北京軟研國際信息技術研究院培訓中心頒發的專業技能結業證書；
報名費用
（含報名費、培訓費、資料費）
基于AI-有限元融合的復合材料多尺度建模與性能預測前沿技術：￥4600元/人
人工智能賦能聚合物及復合材料模型應用與實踐：￥4300元/人
機器學習在智能水泥基復合材料中的應用與實踐：￥4600元/人
智能融合：增材制造多物理場AI建模與工業應用實戰：￥4500元/人
金屬結構疲勞壽命預測與健康監測技術：￥4300元/人
【注】費用提供用于報銷的正規機打發票及蓋有公章的紙質通知文件；北京中科緯來智能科技有限公司作為本次會議會務合作單位，負責注冊費用收取和開具發票。如需開具會議費的單位請聯系招生老師索取會議邀請函；
聯系方式
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
