随着航空航天、轨道交通等领域对复合材料结构轻量化、高强度、耐高温等性能需求的提升，传统基于经验公式和等效均匀化理论的力学分析方法已难以满足复杂工况下的精准设计需求。一方面，复合材料微观结构（纤维随机分布、界面结合状态等）对其宏观力学性能具有决定性影响，但多尺度耦合机理复杂，全参数空间探索计算成本高昂；另一方面，工业界对复合材料构件的失效预测、寿命评估等提出了更高要求，亟需引入数据驱动与物理信息融合的新一代计算范式。
近年来，人工智能与计算力学的融合为复合材料力学研究开辟了新路径：物理信息神经网络（PINN） 能够将复合材料本构方程、平衡微分方程等物理约束直接嵌入深度学习模型，显著提升小样本条件下的预测外推能力；生成式 AI（GAN/VAE）可有效扩充微观结构图像数据集，解决材料数据稀缺痛点；机器学习可解释性（SHAP） 则为揭示“纤维含量-温度-应变率-强度”之间的非线性映射关系提供了量化工具。与此同时，Nature、CMAME 等顶刊持续刊发“PINN+复合材料”、“多尺度建模+AI”等交叉研究成果，表明该方向已成为国际学术前沿。
适合材料科学、固体力学、航空宇航科学与技术、机械工程、土木工程、新能源科学与工程、自动化技术等领域科研人员、高校研究生、企业 CAE 仿真工程师，以及希望将机器学习/深度学习技术引入复合材料力学研究的跨领域从业者
AI 赋能复合材料力学：机器学习、PINN 与多尺度仿真实战
机器学习基础与复合材料应用入门
- 理论方法：
1.1.机器学习模型构建流程：数据采集→特征工程→模型构建→评估优化
1.2.经典机器学习模型（线性回归、决策树、SVR、随机森林等）及应用
1.3.深 度 学 习 基 础 ： 神 经 网 络 基 本 原 理 、 反 向 传 播 算 法 、PyTorch/TensorFlow 框架入门
1.4.回归模型评价指标：MSE、RMSE、MAE、R²
实例一：不同机器学习模型在复合材料性能预测中的对比—使用公开数据集，在 Python 中分别实现线性回归、决策树、随机森林等模型，对比各模型在预测纤维增强复合材料拉伸模量时的表现
实例二：搭建简单神经网络进行聚合物性能预测—基于 PyTorch 搭建全连接神经网络，以温度、应变率等为输入特征，预测聚合物材料的拉伸强度，实现数据加载、模型训练与结果可视化全流程。
复合材料数据科学— 特征工程、模型优化与可解释性
- 理论方法：
2.1.多材料数据收集与数据预处理（归一化、标准化、缺失值处理）
2.2.特征工程与特征选择：递归特征消除（RFE）与皮尔逊相关系数结合
2.3.超参数优化、小提琴图等高级可视化方法
2.4.可解释性机器学习——SHAP 详解：输入特征对预测结果的量化解释
实例三：特征选择对复合材料性能预测模型的影响—以 POM 聚合物或纤维增强复合材料数据集为例，使用 RFE+皮尔逊相关系数进行特征筛选，对比筛选前后模型预测性能，可视化特征重要性排序。
实例 四 ：基于 SHAP 的模型可解释性分析—对训练好的模型进行SHAP分析，解释各物理特征（如温度、纤维含量、应变率等）对复合材料力学性能预测结果的定量贡献程度并可视化。
深度学习物理信息神经网络（ PINN ）在复合材料中的前沿应用
- 理论方法：
3.1.卷积神经网络（CNN）原理及在复合材料 RVE 图像特征提取中的应用
3.2.材料数据增强方法
3.3.物理信息深度学习（PINN）在复合材料力学中的应用：物理约束嵌入神经网络的原理与方法、控制方程（PDE）作为损失函数的实现
3.4.深度学习进阶：将 PINN 与迁移学习结合，解决小样本材料问题
实例 五 ：基于 N CNN 提取复合材料 E RVE 图像关键特征—使用 Python 加载复合材料微观组织图像，搭建 CNN 网络进行特征提取与分类/回归任务。
实例 六 ：基于 N PINN 的纤维增强复合材料强度性能预测—搭建 PINN 框架，将复合材料力学控制方程（如本构关系）编码为损失函数的一部分，实现物理约束下的深度学习模型训练，预测材料不同服役条件下的强度性能。
复合材料微观力学建模（RVE 方法）与Python 自动化
- 理论方法：
4.1.代表性体积单元（RVE）理论与周期性边界条件设置方法
4.2.基于 Python 的纤维随机分布 RVE 几何自动生成：纤维体积分数控制、随机分布算法实现等
4.3.材料性能随温度演化函数的 Python 定义
4.4.失效准则与基于能量的渐进损伤演化设置
4.5.复合材料力热耦合作用下的渐进损伤演化与力学行为仿真
实例 七 ：单向纤维复合材料 E RVE 建模与等效弹性常数预测—在 ABAQUS 中构建纤维随机分布 RVE 模型，施加周期性边界条件，通过 Python 脚本完成自动建模、提交计算与等效性能提取。
实例八：n Python 脚本自动施加周期性边界条件与批量后处理—编写Python 脚本实现在不同纤维体积分数下的 RVE 仿真，自动提取应力-应变曲线和等效模量数据。
生成式 AI 、多尺度融合建模与前沿综合实践
- 理论方法：
5.1.生成式 AI 辅助材料数据增强与小样本学习：生成对抗网络（GAN）、变分自编码器（VAE）基本原理与应用
5.2.生成式 AI+深度学习融合框架
5.3.FRP 复合材料高温/湿热环境下损伤失效机理、界面结合强度模型介绍
实例九：利用生成式 I AI 扩充复合材料 E RVE 图 像数据集—基于 GAN 或 VAE生成复合材料微观结构图像，使用 FID 等指标评估生成图像质量，对比扩充前后数据集对模型预测性能的提升效果。
案例十：物理信息深度学习+ + 生成式 I AI 混合框架【复现 S IJSS 论文实例】重点：混合框架设计思路、PINN 与生成式模型的协同机制
论文写作规范、
前沿进展
➢ 顶刊论文中机器学习研究的创新点分析与选题思路
➢ 论文中特征选取与数据预处理方法的规范描述
➢ 论文中模型结构与构建的撰写技巧（含 PINN、CNN 等新型模型架构的论文呈现方式）
➢ 论文中模型性能评估的规范表达与图表呈现
➢ 论文中机器学习结果的可视化与高水平作图技巧
➢ 大语言模型（LLM）辅助科研写作与代码生成实践
➢ 物理信息深度学习与生成式 AI 在材料领域的研究前沿
➢ 讲师科研经验分享：力学实验设计、数据获取、模型构建与论文写作全流程心得——包括高温环境下材料力学行为测试方法、界面脱粘机制的定量表征与损伤演化规律、从物理机制驱动的模型构建到 SCI 论文发表的经验
➢ 互动答疑与交流
