20240430使用浅层和深层神经网络表征缺陷石墨烯的断裂应力

Name： Characterizing fracture stress of defective graphene samples using shallow and deep artificial neural networks

DOI： https://doi.org/10.1016/j.carbon.2020.03.038

摘要：先进的机器学习方法可能有助于获得一些具有挑战性的纳米力学问题的新见解。在这项工作中，我们采用人工神经网络来预测有缺陷的石墨烯样品的断裂应力。首先，浅层神经网络被用来预测断裂应力，这取决于温度，空位浓度，应变速率和加载方向。通过基于Bailey耐久性准则和Arrhenius方程开发解析解，获得了模拟浅层网络所需的部分数据。分子动力学（MD）模拟也被用来获得一些数据。我们进行了敏感性分析，以探索神经网络学习到的特征，并研究了它们在外推法下的行为。随后，开发了深度卷积神经网络（CNN）来预测含有随机分布的空位缺陷的石墨烯样品的断裂应力。CNN建模所需的数据从MD模拟中获得。我们的研究结果表明，神经网络有很强的能力来预测各种加工条件下的缺陷石墨烯的断裂应力。此外，这项工作突出了一些优势使用神经网络来解决计算材料设计领域的复杂问题的局限性和挑战。

引言：纳米材料的计算设计和表征往往受到计算能力的限制。例如，第一性原理方法，如密度泛函理论，由于计算成本高，对纳米级的断裂表征的适用性有限。另一方面，即使是计算效率高的基于连续介质的数值方法，如有限元法，当它们被用来研究复杂的断裂力学问题，如裂纹扩展的存在相互作用的微裂纹时，变得过于昂贵。此外，这种基于连续介质的方法不能直接应用于纳米级的相应问题，因为当特征尺寸达到几纳米时，表面能效应和底层原子结构的离散性质变得重要。另一方面，分子动力学（MD）模拟似乎在计算成本和准确性之间取得了平衡。即使MD模拟可以用来生成大量的数据，现有的基于连续介质的理论框架是无法正确地表征这些数据，由于连续介质方法往往排除离散性和表面效应的影响。例如，石墨烯的底层晶体结构对现有缺陷/裂纹处的应力集中及其传播具有显著影响，这在经典连续介质力学的框架内难以捕获。深度神经网络已被用于解决具有挑战性的纳米级问题，例如预测石墨烯在各种加工条件下的机械性能。深度学习技术的应用可以显著改变材料力学行为的原子模型。例如，在图像识别方面非常成功的深度卷积网络可以用于获得对复杂纳米级问题的新见解，例如在存在相互作用的纳米裂纹的情况下的断裂和裂纹扩展，这些问题使用原子模拟来解决在计算上是昂贵的。这些研究对于通过缺陷纳米材料的拓扑设计来定制物理性质的新兴主题是重要的。在这方面，值得注意的是，深度学习尚未被用于研究缺陷分布对纳米材料断裂应力的影响。在这项工作中，我们采用浅层和深层神经网络来预测各种加工条件下有缺陷的石墨烯样品的断裂应力，包括详细调查缺陷分布对石墨烯断裂应力的影响。

一、神经网络

二、断裂强度数值方法

训练浅层神经网络所需的部分数据通过基于Bailey耐久性准则和Arrhenius方程开发解析解来获得。早期开发了一个数值模型来计算含有随机分布的单个空位的石墨烯的断裂应力，后来扩展到开发一个分析模型来研究氢官能化对断裂应力的影响。在目前的工作中，联合收割机结合以前的工作，以达到一个分析模型，以评估包含一个随机分布的单空位的石墨烯样品的断裂应力。该模型结合了Arrhenius方程和Bailey耐久性标准，以获得广义分析解，其中预测的断裂应力是温度、应变率、空位浓度和加载方向的函数。

三、分子动力学模拟

分子动力学模型

用于MD模拟的典型石墨烯样品如图所示。样品的平面尺寸为15nmx15nm。尽管较小的样品（例如5nm和5nm）足以计算原始样品的机械性能，但由于原子尺度上显著的尺寸效应，在有缺陷的石墨烯的情况下需要相对较大的样品。例如，当模拟具有裂纹（即一排空位）的石墨烯样品时，模拟石墨烯片的长度和宽度必须保持在半初始裂纹长度的十倍以上，以避免有限尺寸对MD模拟结果的影响。尽管10nm × 10nm的尺寸足以模拟含有10%空位浓度的石墨烯样品，但我们选择了15 nm × 15 nm的样品尺寸，这允许我们在样品内产生各种空间分布的缺陷。在当前MD模拟中使用的最大空位浓度为2%，其中缺陷随机分布。

四、结果与讨论

1、数据集

数据来源于断裂强度数值方法和MD模拟

2、神经网络模型

使用简单人工神经网络和深度卷积神经网络对断裂强度进行预测分析。

3、结果与讨论

全面的神经网络研究表明，浅层和深层网络都可以作为计算效率高的工具来预测石墨烯样品在各种加工条件下的断裂应力。训练神经网络所需的数据从一个数值分析解决方案，以及从分子动力学模拟。研究结果表明，浅层神经网络有很强的能力来预测石墨烯样品的断裂应力，也可以具有显着的外推能力。此外，当训练样本数量有限时，浅层网络特别有用。另一方面，深度神经网络需要大量的训练样本，可用于解决高度复杂的问题，例如石墨烯样品中缺陷分布对其断裂应力的影响。研究表明，当最初为分类问题训练的深度网络用于回归问题时，迁移学习可能会有一些固有的局限性，尽管这两种情况的特征提取部分有些相同。此外，当深度学习模型用于计算材料设计领域时，可能需要对输入数据进行重要的特征工程（或预处理）以获得更好的结果。

一些结果图，详细内容可以参考原文。

包含五个隐藏神经元的网络的性能：（a）到（c）训练，验证和测试集的输出-目标关系。(d)三个数据集的误差分布。

（a）扶手椅和（b）锯齿形石墨烯的MD模拟、浅神经网络（NN）和分析模型（AM）的结果比较。

这篇文章篇幅较大，还没有详细认真梳理，后续会在读。

若有问题，欢迎讨论