《Advanced Intelligent Discovery》：AI-BioMech: Deep Learning Prediction of Mechanical Behavior in Aperiodic Biological Cellular Materials
编辑推荐：
研究人员提出了AI-BioMech，这是一种基于深度学习的方法，可直接从二维图像预测多孔结构的力学响应，无需人工几何定义和传统有限元模拟。该框架在代表生物多孔结构的合成数据集上进行训练，并以真实实验数据为基准进行验证。研究人员采用基于有限元分析(FEA)的标注
研究人员提出了AI-BioMech，这是一种基于深度学习的方法，可直接从二维图像预测多孔结构的力学响应，无需人工几何定义和传统有限元模拟。该框架在代表生物多孔结构的合成数据集上进行训练，并以真实实验数据为基准进行验证。研究人员采用基于有限元分析(FEA)的标注生成像素级注释用于语义分割，实现对应力与应变分布的精确识别。通过学习这些注释中的空间及层级模式，模型自动提取复杂特征，以预测压缩载荷条件下多孔材料的响应。通过在DeepLabv3架构中使用ResNet50、ResNet101和Inception-ResNetV2主干网络进行迁移学习与微调，提升了在有限数据集下的预测精度与泛化能力。模型预测结果与实验结果及数字图像相关(DIC)测量结果一致，显示出与物理观测的高度吻合。结果表明，AI-BioMech的预测精度可达99%，并在计算速度与可扩展性上显著优于传统方法。
研究背景方面，预测多孔材料的力学行为在多个领域中具有广泛应用价值，然而高精度复杂微观结构的建模通常计算资源消耗巨大，限制了大规模模拟与结构-性能设计空间的探索。尤其是生物结构的高度不规则与复杂几何形态，使得人工建模与传统有限元分析(FEA)耗时且易出错，因此亟需高效自动化方法。人工智能(AI)与图像处理的发展为这一挑战提供了解决方案，卷积神经网络(CNN)能够自动提取原始图像中的层级特征，识别孔隙几何、细胞壁厚度及纹理等微观结构模式，支持材料性能的精准预测。语义分割技术在像素级预测材料属性方面表现出色，结合U-Net、DeepLab等架构，可实现多尺度特征建模。迁移学习(TL)通过利用预训练模型，能够在小规模专业数据集上显著提升预测精度与效率。然而，针对非周期性生物多孔材料，仍缺乏将复杂微观结构与力学行为有效关联的高质量标注数据，并且深度学习模型在泛化性和“黑箱”特性方面仍存在挑战。为此，研究人员开发了AI-BioMech框架，以填补这一空白。
技术方法方面，研究人员首先生成涵盖六角形、正方形和三角形晶格的合成多孔结构数据集，并通过受控几何扰动引入非周期性与多样性，同时使用随机旋转、翻转、缩放及形态学操作进行数据增强。为确保合成数据的真实性，研究人员采用ResNet101提取特征，通过余弦相似度和欧氏距离与真实生物多孔材料图像进行比较。随后，研究人员基于图像的有限元分析(FEA)计算位移场与应力场，并将其转化为彩色图谱作为监督学习的像素级标签。模型训练采用DeepLabv3架构，分别使用ResNet50、ResNet101和Inception-ResNetV2作为主干网络，并结合空洞空间金字塔池化(ASPP)模块进行多尺度特征提取。训练完成后，研究人员将预测的位移场与材料本构关系结合，通过物理后处理计算应力和应变分布。实验验证阶段，研究人员制备了仿木与海绵结构的聚乳酸(PLA)三维打印样品，并在平面应变条件下进行压缩测试，同时利用数字图像相关(DIC)技术测量全场位移与应变分布，与模型预测进行对比。
研究结果方面，首先在3.1 合成数据集基准测试结果中，研究人员通过特征相关性分析发现约85%的合成样本与真实样本在余弦相似度和欧氏距离指标上呈现高或中等相关性，表明合成数据有效捕捉了生物多孔材料的关键结构特征。其次，在3.2 优化迁移学习模型的性能中，Inception-ResNetV2在所有超参数设置下均取得最高验证精度，峰值达到99%，显著高于ResNet101（91%）和ResNet50（84%），但训练时间也最长。第三，在3.3 分割性能评估中，定量指标显示Inception-ResNetV2的像素精度(PA)为99.05%，平均像素精度(mPA)为98.65%，平均交并比(mIoU)为98.40%，Dice相似系数(DSC)为98.10%，并在未见过的真实样本中保持了稳定的高性能。第四，在3.4 模型预测的物理知情后处理中，研究人员将预测的冯·米塞斯应力分布与木材本构模型结合，成功重建弹性与塑性区域的局部应力-应变响应，屈服点预测误差在0.03%应变以内。第五，在3.5 实验验证中，研究人员对仿木与海绵PLA样品进行压缩实验，结果显示模型预测的屈服应力与实验值高度一致，分别位于实验数据的变异范围内。第六，在3.6 DIC分析中，研究人员比较了预测与DIC测量的剪切应变分布，发现两者在局部高应变区域与整体分布上均表现出良好的一致性。
讨论与结论部分，研究人员指出AI-BioMech在1%至10%应变范围内能够可靠预测弹性与早期塑性行为，但在更大应变及损伤失效机制方面尚未覆盖，未来计划扩展数据集以包含更高应变水平与更广泛的材料体系。总体而言，该框架实现了仅需单张二维输入图像即可快速、准确地预测复杂多孔结构的力学行为，兼具高效率、高精度与用户友好性，为生物启发及工程材料的设计与优化提供了可靠平台。该研究发表于《Advanced Intelligent Discovery》。
