[发明专利]用于材料系统的设计优化和/或性能预测的数据驱动的表示和聚类离散化方法及系统及其应用

权利要求书

1.一种用于材料系统的设计优化和/或性能预测的方法，包括：

生成所述材料系统在多个尺度上的表示，其中，某一尺度上的所述表示包括在所述尺度上作为所述材料系统的构建块的微观结构体积单元(MVE)；

收集根据预先定义的多组材料属性/成分和边界条件由所述材料系统的材料模型计算出的所述MVE的响应场数据；

将机器学习应用于所收集的响应场数据，以生成聚类，所述聚类使每个聚类内的标称响应空间中的点之间的距离最小；

计算每个聚类与每个其他聚类的相互作用的相互作用张量；

使用格林函数操纵控制偏微分方程(PDE)，以形成广义的李普曼-施温格积分方程；以及

使用所生成的聚类和所计算的相互作用对所述积分方程进行求解，以得出可用于所述材料系统的所述设计优化和/或性能预测的响应预测。

2.根据权利要求1所述的方法，还包括将所得到的响应预测传递到下一更粗尺度以作为所述构建块的总体响应，并且迭代所述过程直到达到最终尺度。

3.根据权利要求1所述的方法，其中，所述构建块是通过材料属性和结构描述符来定义的，所述材料属性和结构描述符是通过建模或实验观察而获得的，并且被编码在结构的域分解中，以用于识别所述构建块中的每个相的位置和属性。

4.根据权利要求3所述的方法，其中，所述结构描述符包括特征长度和几何形状。

5.根据权利要求1所述的方法，其中，选择所述边界条件以满足希尔-曼德尔条件。

6.根据权利要求1所述的方法，其中，所收集的响应场数据包括应变集中张量、变形集中张量、包括PK-I应力张量和/或柯西应力张量的应力张量、塑性应变张量、热梯度等。

7.根据权利要求1所述的方法，其中，所述机器学习包括无监督机器学习和/或有监督机器学习。

8.根据权利要求1所述的方法，其中，所述机器学习是用自组织映射(SOM)法、k均值聚类法等来执行的。

9.根据权利要求1所述的方法，其中，所述聚类是通过用唯一的ID对所述材料系统的所述表示内具有相同响应场的所有材料点进行标记并对具有所述同一的ID的材料点进行分组来生成的。

10.根据权利要求9所述的方法，其中，所生成的聚类是所述材料系统的简化表示，所述简化表示减少了表示所述材料系统所需的自由度的数量。

11.根据权利要求10所述的方法，其中，所生成的聚类是所述材料系统的降阶MVE。

12.根据权利要求1所述的方法，其中，所计算的相互作用张量是针对所有所述成对聚类的。

13.根据权利要求1所述的方法，其中，所述计算所述相互作用张量是利用快速傅立叶变换(FFT)、数值积分或有限元法(FEM)来执行的。

14.根据权利要求1所述的方法，其中，所述PDE被重新构造为李普曼-施温格(LS)方程。

15.根据权利要求14所述的方法，其中，所述利用所述LS方程求解所述PDE是利用任意边界条件和材料属性来执行的。

16.根据权利要求1所述的方法，其中，将所收集的响应场数据、所生成的聚类和/或所计算的相互作用张量保存在一个或多个材料系统数据库中。

17.根据权利要求16所述的方法，其中，利用所述LS方程求解所述PDE是通过访问用于所生成的聚类和所计算的相互作用张量的所述一个或多个材料系统数据库来实时地执行的。