准确预测石墨烯增强金属基复合材料的力学性能至关重要，因为它在纳米复合材料的设计和利用中起着至关重要的作用。在考虑多种因素的综合影响时，采用分子动力学 （MD） 模拟的传统方法面临着计算成本的大幅增加。相比之下，机器学习 （ML） 模型通过在充分训练后快速理解和预测材料特性，提供了一种快速有效的替代方案。本文采用基于MD计算数据的长短期记忆（LSTM）模型，准确预测了镍-石墨烯复合纳米材料的力学响应和关键力学性能。
本工作研究了温度、石墨烯取向角和石墨烯体积分数对力学性能的综合影响。验证过程表明，高石墨烯体积和高取向角导致位错吸收增加，从而削弱了复合材料。为了评估硬度预测能力，进行了LSTM模型与经典多层感知器（MLP）神经网络以及传统非线性回归方法支持向量机（SVM）的对比分析。结果表明，LSTM模型具有准确预测镍-石墨烯复合纳米材料力学性能的显著能力，与计算数据相比，Pearson相关系数超过0.95。此外，LSTM模型有效地理解和预测了完整的压痕深度-力曲线，从而提供了对材料性能的增强预测。该研究组合了MD模拟和ML模型，在石墨烯增强金属基复合材料性能的预测和设计中具有意义。
图1. 镍-石墨烯纳米复合材料的MD模型。（a）镍-石墨烯复合材料的典型模型;（b）石墨烯取向角的定义;（c）在纳米压痕模拟过程中捕获瞬态的代表性MD模型。
图2. LSTM单元结构。
图3. LSTM模型的三维架构。
图4. 石墨烯体积分数、石墨烯取向角和温度对硬度的影响。
图5. MD位错-界面相互作用对复合材料弱化效应的模拟.（a）石墨烯界面位错的吸收，1-4是沿（111）平面的横截面图，5-6是侧视图;（b，c）θ = 0 和 60° 时的塑性区和位错分布;（d）不同取向角下纳米压痕过程中位错长度净增加，石墨烯含量为1.567%;（e） θ = 75°时的塑性区和位错分布。
图6. 典型LSTM预测纳米压痕深度-力曲线与训练、验证和测试数据集的原始数据的比较。
文献资源：Weiye Jin, et al. Machine Learning-Based Prediction of Mechanical Properties and Performance of Nickel–Graphene Nanocomposites Using Molecular Dynamics Simulation Data, ACS Appl. Nano Mater. 6, 2023, 12190–12199.
本文来自金属基复合材料，本文观点不代表石墨烯网立场，转载请联系原作者。
