培训对象
培训特色
ABAQUS复合材料专题
1. 理论筑基：由国家重点高校老师由浅入深得讲授各个模块要点难点、用到的方法，为实现后续的仿真分析加强理论依据。
2.实践为本：由组内最擅长软件操作的讲师详细讲授各个模块模拟实现各种算例的过程、模拟结果的分析，为实际课题与论文增添仿真色彩。
机器学习与聚合物复合材料专题
1、综合性课程内容：涵盖了从机器学习基础模型介绍到实际应用案例的全面内容，模型构建、数据预处理、特征工程、模型评估等。通过多个实例演示如何将机器学习技术应用于聚合物及其复合材料的研究，强调理论与实践的结合。
2、技术深度：深入探讨了数据机理协同驱动的机器学习方法，以及如何结合物理机理进行特征选择和模型构建。
3、算法多样性：介绍了多种机器学习算法，如BP神经网络、SVR、CNN、DTR、RF等，并展示了它们在复合材料性能预测中的应用。
4、模型评估与优化：详细讲解了如何评估机器学习模型的性能，包括评价指标和可视化方法，以及如何通过数据集的构建和优化来提高预测准确性。
5、可解释性方法：介绍了SHAP（SHapley Additive exPlanations）方法，这是一种可解释性机器学习方法，用于解释模型预测和特征重要性分析。
6、SCI论文写作指导：提供了SCI文章写作的案例解析和规范，以及如何撰写具有创新性的论文。
机器学习与水泥基复合材料专题
1.多维度课程设计：培训不仅涵盖了机器学习的基础模型，还特别强调了这些模型与复合材料研究的融合，提供了全面的视角来理解机器学习在材料科学中的应用。
2.实践与理论相结合：通过实例分析，如纳米材料增强复合材料的特征工程，以及不同回归技术在复合材料数据中的应用，使学员能够将理论知识应用于实际问题解决中。
3.技术深度与广度：课程内容从基础的线性回归和多项式回归，到更高级的集成学习、支持向量机和神经网络，逐步深入，确保学员能够掌握不同复杂度的机器学习技术。
4.模型评估与优化：强调了模型评估的重要性，包括回归模型评估指标和交叉验证技术，以及如何使用工具包如Optuna进行超参数调整，帮助学员优化模型性能。
5.前沿技术探索：介绍了XGBoost和LightGBM等先进的机器学习算法，并探讨了它们的模型解释性技术，使学员能够理解并应用这些前沿技术。
6.神经网络与深度学习基础：提供了神经网络的基础知识，包括前向传播、损失函数和反向传播算法，以及使用PyTorch构建和训练神经网络的实践。
7.可解释性与可视化：特别强调了模型的可解释性，通过SHAP方法来解释模型预测，以及如何将研究成果进行可视化展示，增强了研究的透明度和说服力。
8.论文复现与写作指导：通过复现SCI论文中的机器学习应用，提供了论文写作和研究创新点分析的指导，帮助学员提升科研能力和论文发表技巧。
讲师介绍
ABAQUS复合材料讲师
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。
机器学习与聚合物复合材料讲师
由来自全国知名高校副教授，省部级人才带领团队讲授。长期从事先进复合材料极端力学性能和基于机器学习的表征预测研究，主持国家级或省部级项目10余项，发表SCI论文40余篇，其中发表在多个中科院一区TOP期刊；授权国家发明专利9项；荣获人才类、学术类及荣誉类各级别奖励10余项。团队导师担任国际期刊编委、SCI期刊Polymer International客座编辑、核心期刊专家委员会委员以及20余个SCI期刊审稿人。
机器学习与水泥基复合材料讲师
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。
培训大纲
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 | |
部分案例展示：
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：
报名须知
时间地点
ABAQUS复合材料建模技术与应用
（在线直播）
2024年12月28日-12月29日
2025年01月04日-01月05日
机器学习在聚合物及其复合材料中的应用与实践
（在线直播）
2024年12月13日-12月15日
机器学习在智能水泥基复合材料中的应用与实践
（在线直播）
2024年11月30日-12月01日
2024年12月07日-12月08日
报名费用
（含报名费、培训费、资料费）
课程名称 | 价格（元） | |
专题一：机器学习在聚合物及其复合材料中的应用与实践 | 3900 | |
专题二：机器学习在智能水泥基复合材料中的应用与实践 | 4600 | |
专题三：ABAQUS 复合材料建模技术与应用 | 4300 | |
优惠一：
专题一、二、三2024年11月1日前报名缴费可享受200元早鸟价优惠；
老学员或两人（含）以上团报可享受每人额外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；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
凡报名学员将获得本次培训电子课件及案例模型文件；
培训结束可获得本次所学专题课程全部无限次回放视频；
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专业技能结业证书；
联系方式
