在人工智能与复合材料技术融合的背景下，复合材料的研究和应用正迅速发展，创新解决方案层出不穷。从复合材料性能的精确预测到复杂材料结构的智能设计，从数据驱动的材料结构优化到多尺度分析，人工智能技术正以其强大的数据处理能力和模式识别优势，推动复合材料领域的技术进步。据最新研究动态，目前在复合材料领域的机器学习应用主要集中在以下几个方面：
1.材料设计优化：机器学习可以用于预测复合材料的微观结构和宏观性能，帮助设计出更轻、更强、更耐用的材料。
2.制造过程控制：机器学习可以用于预测和控制制造缺陷，优化生产参数，提高生产效率。
3.性能预测与模拟：通过对复合材料的力学性能、热性能等进行模拟和预测，机器学习可以帮助研究人员和工程师更好地理解材料在不同条件下的行为。
4.缺陷检测：利用图像识别和模式识别技术，机器学习可以自动识别复合材料中的微小缺陷，提高检测的准确性和效率。
5.寿命预测与健康管理：机器学习可以分析复合材料在实际使用中的性能退化数据，预测其剩余使用寿命，为维护和更换提供决策支持。
6.数据驱动的材料发现：通过分析大量的实验和模拟数据，机器学习有助于发现新的复合材料配方和结构，加速新材料的研发过程。
7.多尺度建模：机器学习可以辅助进行多尺度建模，从原子尺度到宏观尺度，为复合材料的性能预测提供更全面的视角。
为促进科研人员、工程师及产业界人士对智能算法在复合材料设计领域应用技术的掌握，特举办“机器学习在智能复合材料中的应用与实践”以及“ABAQUS复合材料建模技术与应用”专题培训会议，本次培训会议主办方为北京软研国际信息技术研究院，承办方互动派（北京）教育科技有限公司，具体相关事宜通知如下：
专题一 (直播四天) | 机器学习在智能水泥基复合材料中的应用与实践 2024年11月23日-11月24日 2024年11月30日-12月01日 |
专题二 (直播四天) | ABAQUS复合材料建模技术与应用 2024年10月19日-10月20日 2024年10月26日-10月27日 |
专题三 (直播三天) | 机器学习在聚合物及其复合材料中的应用与实践 2024年11月22日-11月24日 |
另有课程：点击上方名称下方图片查阅↓
↓
适用人群
材料科学、电力工业、航空航天科学与工程、有机化工、无机化工、建筑科学与工程、自动化技术、工业通用技术、汽车工业、金属学与金属工艺、机械工业、船舶工业等领域的科研人员、工程师、及相关行业从业者、跨领域研究人员。
01
培训讲师
1
机器学习水泥基讲师
由来自全国知名高校教授/博导，国家级青年人才带领团队讲授。长期从事机器学习与智能复合材料与结构的研究与开发，近两年以第一/通讯作者发表SCI论文20余篇，包括多个中科院一区TOP期刊发表高水平论文。发表论文谷歌引用次数超过3000次，h-index为27。团队导师担任省内力学学会理事、SCI期刊Nano Materials Science和Buildings青年编委和Frontiers in Materials客座编辑，以及超过70个SCI期刊的长期审稿人。
2
ABAQUS 讲师
由全国重点大学、国家“985工程”、“211工程”重点高校教授及团队成员讲授。在国内外重要杂志发表论文二十余篇，曾先后主持和参与完成国家专项、国家自然科学基金、省基金项目二十余项；拥有20余年复合材料结构有限元数值模拟经验，在复合材料有限元力学分析设计、复合材料断裂和损伤过程的数值模拟和实验研究等方面具有深厚的造诣.
3
机器学习聚合物 讲师
02
培训大纲
机器学习在智能水泥基复合材料中的应用与实践
目录 | 主要内容 | |
机器学习基础模型与复合材料研究融合 | 1.机器学习在复合材料中的应用概述 2.机器学习用于复合材料研究的流程 3.复合材料数据收集与数据预处理 实例：数据的收集和预处理 4.复合材料机器学习特征工程与选择 实例：以纳米材料增强复合材料为例，讨论特征选择、特征工程在提高模型性能中的作用。 5.线性回归用于复合材料研究 实例：线性回归在处理复合材料数据中的应用 6.多项式回归用于复合材料研究 实例：多项式回归在处理复合材料数据中的非线性关系时的应用 7.决策树用于复合材料研究 实例：决策树回归在预测水泥基复合材料强度中的应用 | |
复合材料研究中应用集成学习与支持向量模型 | 1.随机森林用于复合材料研究 实例：随机森林在预测复合材料性能中的应用 2. Boosting算法用于复合材料研究 实例：Catboost在预测复合材料强度中的应用 3.XGBoost和LightGBM用于复合材料研究 (1) XGBoost (2) LightGBM (3) 模型解释性技术 实例：XGBoost和LightGBM在水泥基复合材料性能预测中的应用，模型比较 4.支持向量机 (SVM) 用于复合材料研究 (1) 核函数 (2) SVM用于回归（SVR） 实例：SVR在预测复合材料的力学性能中的应用 5.模型调参与优化工具包 (1) 网格搜索、随机搜索的原理与应用 (2) 工具包Optuna 实例：超参数调整方法，模型调参与优化工具包的应用 6.机器学习模型评估 (1) 回归模型中的评估指标（MSE, R2, MAE等） (2) 交叉验证技术 实例：比较不同模型的性能并选择最佳模型 | |
复合材料研究中应用神经网络 | 1.神经网络基础 (1) 激活函数 (2) 前向传播过程 (3) 损失函数 实例：手动实现前向传播 2.神经网络反向传播与优化 (1) 梯度下降法原理 (2) 反向传播算法 (3) 随机梯度下降(SGD) 实例：实现梯度下降算法 3.复合材料研究中的多层感知机(MLP) (1) MLP架构设计 (2) MLP的训练过程 (3) MLP在回归和分类中的应用 实例：构建简单的MLP解决复合材料中的回归问题 4.PyTorch基础 (1) 张量(Tensor)的创建和操作 (2) 自动求导(Autograd)机制 (3) 损失函数和优化器 实例：使用PyTorch构建简单研究复合材料的神经网络 5.可解释性机器学习方法-SHAP (1) SHAP理论基础 (2) 计算和解释SHAP值 实例：复合材料中应用SHAP进行模型解释和特征理解 | |
论文复现机器学习综合应用以及SCI文章写作 | 论文实例解读与复现：选择两篇应用机器学习研究水泥基复合材料的SCI论文 Ø 论文应用机器学习研究的创新点分析 Ø 论文中使用的复合材料数据集介绍 Ø 论文中的复合材料特征选择与数据预处理方法 Ø 论文中使用的模型结构与构建 Ø 机器学习研究复合材料的超参数调整 Ø 复合材料研究中机器学习模型性能评估 Ø 复合材料机器学习研究结果可视化 | |
课程总结与未来展望 Ø 课程重点回顾 Ø 机器学习在复合材料中的未来发展方向 Ø 如何继续学习和深入研究 Ø Q&A环节 | ||
部分案例图示：
ABAQUS复合材料建模技术与应用
时间 | 主要内容 | |
第一天 | 1. ABAQUS复合材料建模基础 1.1.ABAQUS软件简介与基本操作 1.2.几何建模与物理参数设定、网格剖分技术 1.3.复合材料层结构建模方法（壳单元、连续壳单元及多层实体单元） 1.4.静力分析中强度准则和损伤判据 1.5.数据输入与输出操作及结果解读 复合材料层合结构热-力耦合算例（实例） 2. 断裂力学与与损伤分析 2.1.断裂力学基础理论 2.2.基于XFEM方法的裂纹扩展模拟(实例） 2.3.VCCT方法入门（实例） 2.4.Cohesive方法入门（实例） | |
第二天 | 3. 断裂力学与损伤分析 3.1.基于虚裂纹闭合技术(VCCT)的分层扩展模拟（实例） 3.2.基于cohesive单元的分层/界面损伤扩展模拟（实例） 4. 复合材料加筋板静载荷分析与承载能力预测 4.1.复合材料加筋板的压溃分析基本理论 4.2.复合材料加筋板的压溃分析（实例） 4.3.复合材料加筋板剪切失效测试案例解析 4.4.复合材料层合板剪切失效模拟（实例） | |
第三天 | 5. 特殊复合材料建模与分析 5.1.复合材料损伤失效行为的多尺度分析概述 5.2.颗粒增强金属基复合材料结构建模、胞元分析技术（实例） 5.3.短纤维增强复合材料结构建模、胞元分析技术（实例） 6. 复合材料冲击与动态响应 6.1.结构动力学基础理论与ABAQUS动力学分析工具 6.2.复合材料加筋板自由振动分析(实例） 6.3.低速冲击理论与冲击后剩余压缩强度实验方法 6.4.复合材料冲击损伤模型与仿真流程 6.5.复合材料加筋板低速冲击过程模拟与剩余强度计算（实例） 6.6.高速冲击问题概述与模拟策略 6.7.高速冲击模拟（实例） | |
第四天 | 7. 高级编程与二次开发 7.1.工程材料本构关系与损伤模型简介 7.2.基于MATLAB与Python的参数化建模与脚本编程（实例） 7.3.ABAQUS接口子程序（UMAT、USDFLD等）原理与应用 7.4.基于接口子程序的材料弹塑性与粘弹性分析（实例） 7.5.复合材料损伤分析（实例） 8. 论文写作与科研指导 8.1.复合材料仿真计算文章（SCI）案例解析 8.2.SCI 论文撰写规范与创新思路 8.3.航空航天复合材料发展趋势与创新研究展望 8.4.算例补充与论文写作互动环节 | |
欢迎各位学员带着课程相关问题参加学习交流， 我们将全力为你们解决问题！ | ||
部分案例展示：
机器学习在聚合物及其复合材料中的应用与实践
目录 | 主要内容 | |
研究背景与机器学习基础模型介绍 | 1.机器学习在先进复合材料中的应用概述 2.机器学习用于聚合物及其复合材料研究的流程 3.数据机理协同驱动机器学习方法概述 4.基于物理机理的能量等效原理在纤维增强复合材料性能研究中的应用 5.数据机理协同驱动机器学习算法模型构建介绍 6.常用机器学习模型入门介绍 实例：展示不同的机器学习算法（如BP神经网络、SVR、CNN、DTR、RF）在复合材料性能预测中的应用，以及如何利用机器学习模型预测复合材料在不同温度下的力学性能 | |
材料力学性能研究中应用机器学习模型 | 1.机器学习虚拟环境的搭建及所需库的安装 2.机器学习回归与预测的区别和联系 3.聚合物及其复合材料数据收集与数据预处理 实例：以PBO为例，讲解如何进行有效的数据清洗和预处理，以提高模型的预测准确性。 4.聚合物及其复合材料机器学习特征工程与选择 （1）递归特征消除（RFE）与皮尔逊相关系数 （2）输入特征综合选取 实例：以POM为例，讨论特征选择、特征工程在提高模型性能中的作用，以及如何结合物理机理进行特征选择。 5.常用机器学习模型用于聚合物及其复合材料力学性能研究 （1）BP神经网络 （2）支持向量回归（SVR） （3）卷积神经网络（CNN） （4）决策树回归（DTR） （5）随机森林（RF） 实例：以纤维增强热塑性复合材料为例，使用物理基础的能量等效原理和机器学习算法来建立复合材料的力学性能模型，预测其应力应变曲 线并进行模型比较 6.机器学习模型评估 （1）回归模型中的评价指标（MSE、RMSE、MAE和R2） （2）小提琴图绘制及评估 实例：以PBO为例，比较不同模型的性能并选择最佳模型 7.可解释性机器学习方法—SHAP （1）SHAP理论基础，介绍SHAP值在复合材料力学性能预测中的应用，以及如何利用SHAP值进行模型解释和特征重要性分析 （2）计算和解释SHAP值 实例：以PBO为例，解释各输入特征对预测结果的影响 8.机器学习数据集及其对预测结果的影响 实例：以PBO为例，讨论数据集的质量和规模对模型预测性能的影响，以及如何构建和优化数据集 | |
SCI文章写作与科研指导 | 1.应用机器学习研究复合材料力学性能的SCI论文案例解析 参考文献：Theory-inspired machine learning for stress–strain curve prediction of short fiber-reinforced composites with unseen design space （1）论文应用机器学习研究的创新点分析 （2）特征选取与数据预处理方法 （3）使用的模型结构与构建 （4）机器学习模型性能评估 （5）机器学习结果可视化 2.SCI论文撰写规范与创新思路 3.先进复合材料发展趋势与创新研究展望 4.论文写作互动环节 | |
部分案例图示：
03
报名须知
时间地点
机器学习在智能水泥基复合材料中的应用与实践
2024年11月23日-11月24日
2024年11月30日-12月01日
在线直播（授课四天）
ABAQUS复合材料建模技术与应用
2024年10月19日-10月20日
2024年10月26日-10月27日
在线直播（授课四天）
机器学习在聚合物及其复合材料中的应用与实践
2024年11月22日-11月24日
在线直播（授课三天）
报名费用
（含报名费、培训费、资料费）
课程名称 | 价格（元） | |
专题一：机器学习在智能水泥基复合材料中的应用与实践 | 4600 | |
专题二：ABAQUS复合材料建模技术与应用 | 4300 | |
专题三：机器学习在聚合物及其复合材料中的应用与实践 | 3900 | |
优惠一：
专题一、二2024年10月1日前报名缴费可享受300元早鸟价优惠；
参加过我单位举办的其它课程的老学员可享受额外500元优惠；
优惠二：
专题三2024年11月1日前报名缴费可享受200元早鸟价优惠；
参加过我单位举办的其它课程的老学员可享受额外300元优惠
【注】费用提供用于报销的正规机打发票及盖有公章的纸质通知文件；北京中科万维智能科技有限公司作为本次会议会务合作单位，负责注册费用收取和开具发票。如需开具会议费的单位请联系招生老师索取会议邀请函；
增值服务
1、凡报名学员将获得本次培训电子课件及案例模型文件；
2、培训结束可获得本次所学专题课程全部无限次回放视频；
3、参加培训并通过试的学员，可以获得：主办方北京软研国际信息技术研究院培训中心颁发的《智能复合材料结构设计与应用》《ABAQUS复合材料建模应用工程师》《机器学习在聚合物及其复合材料中的应用与实践》专业技能结业证书；
联系方式
