基于微观结构的变分深度材料网络，用于材料数字孪生中的稳健不确定性量化

《npj Computational Materials》：Microstructure-based variational deep material networks for robust uncertainty quantification in materials digital twins

　　

摘要

随机不确定性——微观结构形态、组成成分行为以及加工条件中的不可消除的变异性——对开发具有抗不确定性的数字孪生模型构成了重大挑战。我们提出了变分深度材料网络（VDMN），这是一种基于物理原理且具备微观结构认知能力的替代模型，能够高效地进行材料行为的概率性正向和逆向预测。VDMN通过在其分层、力学架构中嵌入变分分布来捕捉由微观结构引起的变异性。利用基于泰勒级数展开和自动微分的分析传播方法，VDMN能够在训练和预测过程中有效地将不确定性在整个网络中传播。我们在两个数字孪生应用中展示了其能力：（1）作为具有不确定性感知能力的材料数字孪生模型，它能够预测并实验验证增材制造聚合物复合材料的非线性力学变异性；（2）作为逆向校准工具，它能够分离并定量识别组成成分属性中相互重叠的不确定性来源。这些结果共同证明了VDMN作为抗不确定性材料数字孪生基础模型的可行性。