初探机器学习与力学研究的交叉领域

目录

关于如何踏入机器学习领域

机器学习与力学研究的交叉方向

1.使用机器学习加速有限元求解

2.结合有限元计算和机器学习预测复杂材料结构与力学性能的关系

3.结构健康检测

4.疲劳寿命预测

总结

---

关于如何踏入机器学习领域

因为我本科的专业是力学，所以当我开始关注机器学习领域时，首先考虑的是机器学习和力学的交叉领域。对于很多对人工智能感兴趣的朋友，想加入人工智能的潮流却不知道从何学起，我提供一个思路，我认为将自己学习的专业内容和机器学习相结合是一个不错的选择。这样既可以发挥自己专业的长处，也能从一个独特的角度开始学习人工智能。现在很多的学科都开始融入人工智能的洪流，比如生物医学、分子动力学、传统力学、物理学等等。在数学和物理方面，目前人工智能最前沿的发展就是将机器学习融入对偏微分方程的求解。而在力学方面，则有以下几点比较热门。

---

机器学习与力学研究的交叉方向

1.使用机器学习加速有限元求解

有限元作为力场和物理场的模拟软件，可以较为确切地展示物体在受到外界影响（如力、温度）时的变化规律，核心思想就是将物体切分为很小的单元，给定边界条件，求解每个单元的几何相容方程、物理方程和受力平衡方程。有限元方法在物理学、力学和机械等学科均有涉及。但是有限元的缺点在于，当切分的单元越来越小时，需要的计算量越来越大，且容易造成结果不收敛的情况。目前有研究将深度学习应用于有限元，可以加速有限元的求解。

2.结合有限元计算和机器学习预测复杂材料结构与力学性能的关系

在清华大学的文章——“机器学习与计算力学的结合及应用初探”中，基于细观页岩扫描照片和随机建模算法, 成功训练出可以有效预测细观页岩样本等效模量的卷积神经网络。

3.结构健康检测

结构健康检测与机器学习的关系颇为密切，基于神经网络的结构健康检测是以结构对外界激励的动力学响应为输入，以结构的损伤为输出。众所周知，深度学习最重要的就是数据，数据通过实验测量或者有限元分析得到，结构的损伤包括结构的损伤程度和结构的损伤位置两部分，所以神经网络的输出也包含损伤程度信息和位置信息。目前最前沿的应用可以在机械（如发动机）运作的过程中实时检测损伤，来避免严重的事故。

4.疲劳寿命预测

机器学习的模型通过分析历史数据，自行学习对机械寿命有影响的因素，这些因素的互相之间的关联和因素的重要程度，对机械进行寿命预测，评估机械的健康状况，这一点其实和上一点结构健康检测较为相似。目前有很多学者在研究航空发动机基于历史数据的寿命预测。

---

总结

由于机器学习与力学结合的方向颇多，以上只是最典型的代表。在交叉领域中，大部分研究都是基于人工神经网络，基于最底层的网络优化，并未涉及到多模态的大模型应用。机器学习在工程领域的应用中，最重要的一点，工程领域不允许存在很大的误差，差之毫厘，失之千里，工程领域人命关天，而神经网络本质上还是一个无法解释的黑箱，无法预测它会突然发生什么变化，所以神经网络在工程领域的研究还是偏少，希望随着神经网络的发展，以后可以增强神经网络的可解释性和准确性，更好地应用于工程领域。