20240325数据驱动的机器学习预测单层二维材料力学性能

         本论文使用模型主要有Mo,W,S,Se原子组成的单层二维材料。大小为30nmx30nm，中间有切口，切口大小从无切口以1nm增长到5nm，加载方向垂直于切口方向，并且分锯齿型和扶手椅型方向。

使用MD对模型进行拉伸，一共288个模型。

MD模型条件设置：然后使用NVE系综将系统平衡50 ps，然后在操作温度下使用等温等压（NPT）系综平衡100ps。使用正则（NVT）系综沿先前产生的裂纹垂直方向沿着施加𝟏𝟎−𝟗𝒔的恒定应变速率。

其中主要参数有拉伸温度，切口大小，原子质量，拉伸方向，应变，应力，断裂应变，断裂应变和杨氏模量。

本文还说明应变率对拉伸性能的影响较少，所以并没有将应变率作为主要参数。

使用两个机器学习模型：长短期记忆（LSTM）和前馈神经网络（FFNN）

MD模拟模型：

LSTM模型：

主要进行曲线预测，一共288个模型，每个模型拉伸步数为300（30%)，以下是输入参数，输出参数为应力。

LSTM结构：

LSTM结果：

LSTM模型训练过程中的损失

LSTM模型的不同样本的决定系数：（a）训练样本，（B）验证样本，（c）测试样本。

LSTM模型预测结果与MD模拟结果的比较：（a）断裂应力和（b）断裂应变

用于测试数据样本的LSTM模型预测

FFNN模型：

主要进行点预测，一共288个模型，每个模型拉伸5次，即1440个数据。输入参数如下，输出参数有断裂应变，断裂应力和杨氏模量。

FFNN结构：

FFNN结果：

FFNN模型训练过程中的损失

FFNN模型预测结果与MD模拟结果的比较：（a）断裂应力，（b）断裂应变，（c）杨氏模量。