顛覆性突破！DeepSeek大模型與材料疲勞斷裂分析強強聯(lián)合，95后女博士連發(fā)三篇國際頂刊，引領技術革命！

近年來，深度學習技術在多個工程領域取得了顯著突破，特別是在疲勞與斷裂分析中的應用。傳統(tǒng)的疲勞分析方法依賴于物理模型和實驗數(shù)據(jù)，然而，隨著結構復雜性的增加和多物理場交互的挑戰(zhàn)，傳統(tǒng)方法的計算成本和準確性已無法滿足高精度要求。深度學習通過強大的數(shù)據(jù)處理和模式識別能力，能夠有效地從大量復雜數(shù)據(jù)中提取特征，進而提供更高效、更精準的分析。特別是在疲勞壽命預測、裂紋檢測與擴展、以及多物理場耦合分析等方面，深度學習展現(xiàn)了巨大的潛力，能夠彌補傳統(tǒng)方法的不足，提升工程分析的效率與可靠性。

材料力學的傳統(tǒng)分析方法在面對多維度、多物理場的復雜問題時，往往需要大量的實驗數(shù)據(jù)支持，并且計算過程繁瑣。而人工智能，特別是深度學習的應用，正在推動材料科學領域的革命。通過將物理學定律與深度學習模型結合，如物理信息神經(jīng)網(wǎng)絡（PINN），工程師可以實現(xiàn)更為精確的疲勞與斷裂分析。AI技術的引入，不僅使得傳統(tǒng)的疲勞與斷裂分析方法更為高效，而且能夠自動處理非結構化數(shù)據(jù)，如圖像、傳感器數(shù)據(jù)等，打破了傳統(tǒng)方法的限制，提升了預測的精度和應用的廣泛性。

隨著航空航天、風電、橋梁等關鍵基礎設施領域對安全性和可靠性要求的提高，在工程實踐中的前沿趨勢與挑戰(zhàn)方面，深度學習在疲勞與斷裂分析中的應用正日益重要。在這些領域，傳統(tǒng)的疲勞分析方法面臨著復雜負載譜、材料不均勻性和裂紋擴展行為等多方面的挑戰(zhàn)，急需更高效、更智能的解決方案。深度學習，尤其是卷積神經(jīng)網(wǎng)絡（CNN）和生成對抗網(wǎng)絡（GAN）的引入，為實時監(jiān)測、裂紋擴展預測和疲勞壽命評估提供了新的方向。未來，結合深度學習與傳統(tǒng)方法的混合分析模型，將在智能化、自動化的工程決策過程中扮演越來越重要的角色，推動結構安全與維護管理向更高水平發(fā)展。

課程一、深度學習助力材料疲勞與斷裂應用研究
課程二、深度學習PINN大模型輔助編程+量子計算

課程三、人工智能技術助力增材制造領域研究與工程落地專題

課程四、

課程一、深度學習助力材料疲勞與斷裂應用研究

教學概述

隨著航空航天、新能源、高速鐵路等重大裝備對材料服役性能要求的不斷提升，金屬材料的疲勞與斷裂問題已成為制約結構安全性與壽命的關鍵瓶頸。傳統(tǒng)基于物理模型的疲勞分析方法在面對復雜載荷、多場耦合及微觀結構演化時，往往難以兼顧精度與效率。與此同時，深度學習技術在圖像識別、時序預測等領域的突破，為解決上述難題提供了全新的研究范式。

本課程旨在系統(tǒng)闡述深度學習技術與金屬疲勞斷裂力學交叉融合的前沿理論與工程實踐。內容圍繞兩大主軸展開：

一是理論核心。系統(tǒng)講解金屬疲勞與斷裂的經(jīng)典力學理論（S-N曲線、Paris法則、應力強度因子等），并深入剖析深度學習（CNN、LSTM、PINN等）處理力學數(shù)據(jù)的核心原理。

二是實踐驅動。 深度融合航空結構、風電裝備、船舶海洋、腐蝕環(huán)境、復合材料及高溫極端條件等領域的真實案例，通過“力學原理-算法剖析-代碼復現(xiàn)-案例研討”四位一體的教學模式，培養(yǎng)學生運用深度學習技術解決金屬疲勞壽命預測、裂紋智能檢測、斷裂參數(shù)反演、多尺度損傷建模等實際工程問題的能力。課程特別引入DeepSeek大模型在疲勞斷裂科研中的輔助應用，提升分析與診斷效率。

課程定位

適用對象：材料科學與工程、力學、機械工程、航空航天、船舶與海洋工程等相關專業(yè)的研究生，以及從事結構健康監(jiān)測、壽命評估的科研人員與工程師。

先修知識：具備材料力學/彈性力學基礎，了解金屬疲勞基本概念；熟悉Python編程，對PyTorch或TensorFlow有基本了解；掌握線性代數(shù)與概率統(tǒng)計基礎知識。

課程性質：跨學科前沿課，強調理論深度與工程實踐的緊密結合。

教學方法

本課程采用“四位一體”的教學模式，將理論深度、文獻前沿、代碼實現(xiàn)與工程案例有機融合。

理論研討：精講經(jīng)典力學理論與深度學習核心算法，剖析前沿文獻的數(shù)學原理與模型創(chuàng)新點。

文獻精讀：選取代表性文獻，拆解其方法論與實驗設計。

代碼復現(xiàn)：基于PyTorch框架，復現(xiàn)論文中的關鍵模型（如CNN裂紋分割、LSTM裂紋擴展預測、PINN物理約束求解、GAN多尺度數(shù)據(jù)生成），實現(xiàn)“從論文到代碼”的轉化。

案例研討：針對航空發(fā)動機渦輪盤、風電主軸軸承、船舶結構、腐蝕環(huán)境管道、復合材料風機葉片、高溫蠕變部件等真實場景，引導學生設計并討論基于深度學習的疲勞分析解決方案。

課程目標

1.理解核心原理：掌握金屬疲勞斷裂的經(jīng)典力學理論（應力強度因子、Paris公式、Miner準則），理解CNN、LSTM、Transformer、PINN、GAN等深度學習模型處理力學數(shù)據(jù)的基本原理。

2.掌握處理流程：獨立完成金屬疲勞數(shù)據(jù)（SN曲線、裂紋擴展記錄、微觀圖像、載荷譜、電化學信號）的預處理、特征工程與表示學習，并能針對不同數(shù)據(jù)類型（時序、圖像、結構化數(shù)據(jù)）選擇合適的網(wǎng)絡架構。

3.實現(xiàn)關鍵模型：設計并實現(xiàn)基于深度學習的裂紋檢測模型（UNet）、疲勞壽命預測模型（ANN/CNN）、裂紋擴展時序預測模型（LSTM）、物理信息神經(jīng)網(wǎng)絡（PINN）、多尺度數(shù)據(jù)生成模型（GAN），并能將物理規(guī)律嵌入神經(jīng)網(wǎng)絡。

4.批判性分析文獻：熟練檢索并評述Web of Science、Scopus等數(shù)據(jù)庫中疲勞與深度學習交叉領域的高質量文獻，理解其技術貢獻與局限性。

5.解決工程問題：針對航空結構疲勞壽命評估、風電裝備健康監(jiān)測、船舶裂紋量化、腐蝕疲勞分析、復合材料壽命預測、高溫蠕變疲勞交互等具體場景，設計出可行的、基于深度學習的智能疲勞分析方案。

深度學習助力材料疲勞與斷裂應用研究大綱

Day 1：深度學習基礎與疲勞斷裂力學理論

【切入式問題：為什么同樣材料的兩個試件，在相同載荷下疲勞壽命可能相差數(shù)倍？這背后是微觀缺陷的隨機性與深度學習的用武之地】

（一）深度學習基礎與物理信息神經(jīng)網(wǎng)絡：從神經(jīng)網(wǎng)絡到PINN

教學目標：建立對深度學習核心模型的系統(tǒng)認知，理解物理信息神經(jīng)網(wǎng)絡（PINN）如何將力學定律融入數(shù)據(jù)驅動建模。

1.深度學習基礎

（1）神經(jīng)網(wǎng)絡核心組件：神經(jīng)元模型、激活函數(shù)（ReLU、Tanh）、前饋傳播。

（2）訓練算法：反向傳播與梯度下降優(yōu)化器（SGD、Adam）。

（3）常見網(wǎng)絡架構：

①全連接網(wǎng)絡（ANN）：處理結構化數(shù)據(jù)（材料成分、工藝參數(shù)、載荷條件）。

②卷積神經(jīng)網(wǎng)絡（CNN）：局部連接、權值共享、池化操作；適用于裂紋圖像、微觀組織圖譜。

③循環(huán)神經(jīng)網(wǎng)絡（RNN/LSTM）：門控機制與長期依賴建模；適用于時序載荷譜、裂紋擴展歷史。

2.物理信息神經(jīng)網(wǎng)絡（PINN）原理

（1）核心思想：將物理控制方程（如彈性力學方程、Paris公式）作為損失函數(shù)的正則項，迫使網(wǎng)絡輸出滿足物理定律。

（2）自動微分：如何利用深度學習框架的自動微分計算物理殘差。

（3）損失函數(shù)設計：數(shù)據(jù)擬合損失 + 物理殘差損失 + 邊界/初始條件損失。

（4）應用場景：裂紋尖端應力場重構、疲勞壽命外推、數(shù)據(jù)稀疏下的力學行為預測。

3.前沿拓展

（1）探討PINN框架在疲勞裂紋擴展預測中的實現(xiàn)細節(jié)與優(yōu)勢。

（2）DeepSeek應用：如何利用DeepSeek大模型輔助文獻檢索、代碼生成與實驗設計思路啟發(fā)。

文獻檢索與知識提取

大語言模型（Large Language Models, LLMs）如 GPT-4、DeepSeek、Claude 等，在海量科學文獻的自動化分析中展現(xiàn)出顯著優(yōu)勢。具體應用包括：

自動文獻綜述：輸入研究主題（如"增材制造鈦合金的高周疲勞"），LLM 可自動檢索、篩選并總結關鍵文獻，提取研究趨勢、主流方法和未解決問題。

知識圖譜構建：將非結構化的論文文本轉化為結構化的"材料-工藝-性能-失效模式"知識圖譜，輔助疲勞斷裂領域的跨尺度關聯(lián)分析。

實驗方案推薦：基于歷史文獻數(shù)據(jù)，LLM 可推薦合理的疲勞實驗參數(shù)（應力水平、頻率、環(huán)境條件），減少試錯成本。

代碼生成與輔助建模

Python/PyTorch 代碼生成：輸入自然語言描述（如"構建一個三層的全連接神經(jīng)網(wǎng)絡預測 S-N 曲線中的疲勞壽命"），LLM 可直接生成可執(zhí)行的 PyTorch 代碼框架，包括數(shù)據(jù)加載、模型定義、訓練循環(huán)和可視化。

錯誤調試與優(yōu)化建議：用戶在實現(xiàn) PINN、LSTM 等模型遇到收斂困難或數(shù)值錯誤時，LLM 可分析代碼邏輯，指出潛在問題（如損失函數(shù)權重失衡、梯度消失）并提供修正方案。

參數(shù)調優(yōu)建議：結合材料疲勞領域的先驗知識，LLM 可提供學習率、網(wǎng)絡層數(shù)、正則化策略等的經(jīng)驗性推薦。

（二）金屬疲勞與斷裂力學基礎

教學目標：系統(tǒng)掌握金屬疲勞與斷裂的關鍵力學理論，為后續(xù)深度學習方法的應用奠定物理基礎。

1.材料力學與斷裂力學基礎

（1）應力應變分析：胡克定律、塑性變形與本構關系。

（2）斷裂力學關鍵參數(shù)：應力強度因子K、J積分、能量釋放率G、斷裂韌性K_IC。

（3）裂紋擴展準則：Paris公式 da/dN = C(ΔK)^m 及其變體（Forman公式、Walker公式）。

2.金屬疲勞壽命預測理論

（1）疲勞現(xiàn)象：裂紋萌生（駐留滑移帶、夾雜物界面脫粘）與擴展（短裂紋、長裂紋）的微觀機制。

（2）壽命描述方法：S-N曲線（應力-壽命法）、ε-N曲線（應變-壽命法）、Miner線性累積損傷準則。

（3）概率疲勞建模：疲勞數(shù)據(jù)的分散性、Weibull分布、概率S-N曲線。

（4）缺陷主導的疲勞模型：Murakami模型（考慮夾雜物尺寸與位置）、El Haddad模型（短裂紋修正）、Kitagawa-Takahashi圖。

3.實踐演練：Python實現(xiàn)概率疲勞壽命預測

（1）數(shù)據(jù)集：使用公開的疲勞S-N數(shù)據(jù)（如來自NIMS疲勞數(shù)據(jù) sheets）或模擬生成的Weibull分布數(shù)據(jù)。

（2）任務：

①編寫代碼讀取并可視化S-N數(shù)據(jù)。

②使用SciPy擬合Weibull分布參數(shù)，繪制不同存活概率下的P-S-N曲線。

③基于Miner準則計算隨機載荷譜下的累積損傷與壽命。

④文獻關聯(lián)：此實踐為理解Chang等（2025）中基于機器學習的壽命預測與不確定性量化奠定基礎。

4.Workbench仿真簡介

（1）簡要介紹：ANSYS Workbench在應力應變分析、斷裂參數(shù)計算中的基本操作。

（2）目的：為后續(xù)深度學習與有限元結合打下基礎，理解仿真數(shù)據(jù)的生成與利用。

（3）實操演示：展示一個簡單缺口試樣的應力分析流程，輸出應力云圖。

5.前沿拓展

通過精確控制微觀組織與夾雜物實現(xiàn)鋼中超高疲勞強度的研究，探討如何將微觀組織特征作為深度學習模型的輸入特征。

Day 2：金屬疲勞裂紋擴展與深度學習核心應用

【切入式問題：如何讓計算機像材料專家一樣，自動從掃描電鏡圖像中識別出微米級的疲勞裂紋？】

（一）裂紋擴展與智能檢測技術

教學目標：掌握疲勞裂紋擴展的多尺度分析方法，并能夠利用深度學習模型實現(xiàn)裂紋的自動檢測與量化。

1.疲勞裂紋擴展的多尺度分析

（1）微觀尺度：位錯運動、晶界阻礙、夾雜物誘發(fā)裂紋。

（2）細觀尺度：短裂紋擴展、微觀結構敏感性。

（3）宏觀尺度：長裂紋擴展、Paris區(qū)、失穩(wěn)斷裂。

（4）跨尺度關聯(lián)：基于微觀機制的裂紋萌生壽命模型與宏觀Paris法則的銜接。

2.智能裂紋檢測與特征提取

（1）數(shù)字圖像相關（DIC）技術：原理、應變場計算、與深度學習結合的潛力。

（2）深度學習在裂紋圖像分析中的應用：

①語義分割：U-Net架構及其變體（Res-UNet、Attention U-Net）用于像素級裂紋分割。

②目標檢測：YOLO系列、Faster R-CNN用于裂紋位置定位與尺寸估計。

③分類：ResNet、EfficientNet用于裂紋階段分類（萌生/擴展/失穩(wěn)）。

④可解釋性：利用Grad-CAM、SHAP分析模型關注的微觀特征（如夾雜物、晶界）。

3.實踐演練：基于U-Net的裂紋分割

（1）數(shù)據(jù)集：使用公開的金屬微觀裂紋數(shù)據(jù)集或合成數(shù)據(jù)。

（2）任務：

①使用PyTorch搭建U-Net模型。

②加載裂紋圖像與對應的掩膜標簽，進行數(shù)據(jù)增強（旋轉、翻轉、彈性變形）。

③訓練模型并評估IoU、Dice系數(shù)等指標。

④可視化分割結果，分析模型對微小裂紋的識別能力。

4.前沿拓展：基于監(jiān)測數(shù)據(jù)的裂紋量化，探討如何從應變傳感器數(shù)據(jù)中反演裂紋深度與長度

（二）深度學習在疲勞與斷裂中的應用

教學目標：掌握利用深度學習進行疲勞壽命預測和斷裂參數(shù)反演的方法，并理解時序模型在裂紋擴展預測中的作用。

1.數(shù)據(jù)驅動的疲勞壽命預測模型

（1）問題定義：將疲勞壽命預測建模為回歸任務，輸入為材料屬性、載荷譜、幾何特征等，輸出為循環(huán)周次。

（2）模型選擇：

①全連接網(wǎng)絡（ANN）：處理結構化表格數(shù)據(jù)。

②卷積神經(jīng)網(wǎng)絡（CNN）：處理一維載荷譜或二維微觀圖像。

③圖神經(jīng)網(wǎng)絡（GNN）：處理材料微觀結構的圖表示（晶粒為節(jié)點，晶界為邊）。

（3）多軸疲勞預測：利用深度學習處理復雜應力狀態(tài)

2.時序模型與裂紋擴展預測

（1）LSTM與GRU：門控機制詳解，適用于裂紋長度隨時間演化的預測。

（2）序列到序列模型：用于多步裂紋擴展預測。

（3）融合物理的LSTM：將Paris公式作為先驗知識引入LSTM損失函數(shù)或網(wǎng)絡結構。

（4）注意力機制：Transformer在時序預測中的應用。

3.實踐演練：構建LSTM預測裂紋擴展

（1）數(shù)據(jù)集：使用疲勞裂紋擴展實驗數(shù)據(jù)（如鋁合金2024-T3的a-N曲線），或從文獻中提取數(shù)據(jù)。

（2）任務：

①預處理裂紋擴展數(shù)據(jù)，構造滑動窗口樣本。

②使用PyTorch搭建LSTM模型，輸入歷史裂紋長度與載荷循環(huán)數(shù)，預測未來裂紋長度。

③訓練模型并與傳統(tǒng)Paris公式擬合結果對比。

④（進階）實現(xiàn)一個簡單的物理信息LSTM，將Paris公式的殘差加入損失函數(shù)。

4.前沿拓展：大規(guī)模疲勞數(shù)據(jù)集，討論在模型預訓練與基準測試中的價值

Day 3：深度學習的工程應用

【切入式問題：航空發(fā)動機渦輪盤和風電主軸軸承，哪個的疲勞分析更具挑戰(zhàn)性？】

（一）航空結構疲勞與斷裂分析

教學目標：深入理解深度學習在航空結構疲勞分析中的具體應用，掌握多尺度分析框架與超分辨率重建技術，能結合有限元與深度學習構建應力場預測代理模型。

1.飛機蒙皮裂紋多尺度分析框架

（1）多尺度建模邏輯：微觀（晶粒、夾雜）裂紋萌生機制與宏觀（結構應力場）裂紋擴展行為的關聯(lián)建模。

（2）深度學習加速策略：用輕量 CNN 替代細觀尺度有限元計算，提升多尺度仿真效率。

（3）數(shù)據(jù)融合：整合微觀組織圖像、宏觀載荷譜、有限元仿真數(shù)據(jù)為模型多源輸入。

2.超分辨率重建技術在裂紋檢測中的應用

（1）核心模型：超分辨率卷積神經(jīng)網(wǎng)絡（SRCNN/ESRGAN）原理與網(wǎng)絡架構設計。

（2）實操要點：低分辨率顯微裂紋圖像的預處理、超分模型的微調與效果評估。

（3）工程案例：航空鋁合金 7075-T6 早期微裂紋的識別與量化，對比超分前后的檢測精度。

3.裂紋尖端應力場預測與分析

（1）有限元-深度學習融合思路：以有限元仿真數(shù)據(jù)為訓練集，構建 CNN/ANN 代理模型快速預測應力強度因子。

（2）模型構建步驟：裂紋幾何 / 載荷特征提取、代理模型訓練、預測結果與有限元解的誤差驗證。

（3）工程案例：渦輪盤榫槽部位裂紋尖端應力場重構，實現(xiàn)毫秒級應力因子預測。

4. 疲勞壽命預測模型與數(shù)據(jù)驅動方法

（1）多特征融合：將載荷譜、溫度場、材料微觀組織特征作為深度學習模型輸入，預測渦輪盤低循環(huán)疲勞壽命。

（2）模型優(yōu)化：引入注意力機制，讓模型自動關注對疲勞壽命影響顯著的載荷特征。

（3）驗證方法：結合臺架試驗數(shù)據(jù)，采用MAE、RMSE、R2 等指標評估模型預測精度。

（二）新能源裝備疲勞分析

教學目標：掌握風電、海洋、橋梁工程領域疲勞問題的深度學習解決方法，能實現(xiàn)風電主軸軸承剩余壽命預測，掌握 PINN 在工程疲勞分析中的落地要點。

1.風電主軸承疲勞分析與壽命預測

（1）風電裝備失效特征：風機主軸軸承、塔筒法蘭的疲勞失效模式，風載隨機性帶來的載荷譜非平穩(wěn)特性。

（2）海洋新能源結構：波浪載荷下海洋平臺鋼結構的疲勞累積，流-固耦合效應對裂紋擴展的影響。

（3）工程案例：基于LSTM的風機主軸軸承剩余壽命預測，輸入振動、轉速、溫度等 SCADA 監(jiān)測數(shù)據(jù)。

2.物理信息神經(jīng)網(wǎng)絡（PINN）在疲勞斷裂中的深入應用

（1）PINN工程化建模要點：針對工程場景的物理損失項設計、邊界條件的嵌入方法、模型訓練的收斂性優(yōu)化。

（2）四大典型應用：

①PINN求解彈性力學方程：以二維裂紋問題為例，構建滿足平衡方程和邊界條件的應力場。

②基于Paris公式的裂紋擴展PINN：將Paris定律作為物理約束，預測裂紋擴展速率。

③熱-力耦合疲勞的PINN建模：結合熱傳導方程與力學方程，預測熱機械疲勞壽命。

④混合驅動模型：物理模型（如Murakami模型）與神經(jīng)網(wǎng)絡并行/串行融合，提升泛化能力。

3.橋梁工程裂紋疲勞分析

（1）橋梁疲勞特征：鋼筋混凝土 / 鋼結構橋梁的裂紋類型，交通載荷譜的統(tǒng)計特征與疲勞累積規(guī)律。

（2）深度學習應用：基于 YOLO 的橋梁表面裂紋定位、基于 LSTM 的橋梁裂紋擴展趨勢預測。

4.載荷譜分析與多物理場耦合模型

（1）多物理場數(shù)據(jù)融合：風 - 浪 - 流、熱 - 力 - 環(huán)境等多場數(shù)據(jù)的特征對齊、歸一化與融合方法。

（2）模型挑戰(zhàn)與解決：針對工程場景數(shù)據(jù)稀缺、噪聲大的問題，采用數(shù)據(jù)增強、遷移學習提升模型性能。

（3）在線更新策略：結合實時監(jiān)測數(shù)據(jù)，實現(xiàn)深度學習模型的增量訓練與疲勞壽命的動態(tài)更新。

5.實踐演練：PyTorch實現(xiàn)風電主軸軸承壽命預測

（1）數(shù)據(jù)集：公開風機 SCADA 數(shù)據(jù)集或模擬生成的軸承監(jiān)測數(shù)據(jù)（含振動、轉速、溫度、壽命標簽）。

（2）任務：

①數(shù)據(jù)預處理：缺失值填充、異常值剔除、時間序列特征提取（均值、方差、峰值）。

②搭建模型：選擇LSTM/MLP/CNN模型，構建輸入（監(jiān)測特征）-輸出（剩余壽命）的回歸模型。

③訓練與評估：采用交叉驗證訓練模型，以MAE、RMSE評估精度，對比不同輸入特征的預測效果。

④模型輕量化：通過剪枝、量化實現(xiàn)模型壓縮，為工程落地做準備。

6.實踐演練2：簡易PINN實現(xiàn)塔筒裂紋應力場預測

（1）數(shù)據(jù)集：ANSYS Workbench仿真生成的塔筒裂紋二維應力場數(shù)據(jù)。

（2）任務：

①搭建全連接 PINN 模型，嵌入彈性力學平衡方程作為物理損失項。

②設計總損失函數(shù)：數(shù)據(jù)擬合損失 +λ× 物理殘差損失，調試 λ 的最優(yōu)取值。

③訓練模型并對比：有無物理約束下模型對未見過的裂紋工況的應力場預測精度。

Day 4：先進材料與復雜環(huán)境下的疲勞分析

【切入式問題：海水腐蝕與交變載荷共同作用下，材料的壽命如何預測？】

（一）腐蝕疲勞分析

教學目標：理解腐蝕與疲勞耦合機理，掌握利用深度學習方法處理電化學-力學數(shù)據(jù)。

1.腐蝕-疲勞耦合的基本理論

（1）耦合損傷機制：腐蝕對裂紋萌生的加速作用（點蝕坑作為裂紋源）、交變應力對腐蝕速率的促進作用（應力腐蝕開裂）。

（2）腐蝕疲勞的壽命特征：與純疲勞、純腐蝕相比，腐蝕 - 疲勞耦合下材料壽命的衰減規(guī)律與失效形式。

（3）關鍵影響因素：腐蝕介質濃度、溫度、載荷頻率、材料耐蝕性對耦合損傷的影響。

2.電化學-力學耦合分析方法

（1）監(jiān)測數(shù)據(jù)類型：電化學信號（極化曲線、電化學噪聲、阻抗譜）、力學響應數(shù)據(jù)（應變、載荷、裂紋長度）。

（2）多模態(tài)數(shù)據(jù)預處理：

①電化學數(shù)據(jù)：特征提?。ǜg電流密度、自腐蝕電位）、時間序列對齊、歸一化。

②力學數(shù)據(jù)：應變信號去噪、載荷譜重構、裂紋擴展速率計算。

（3）深度學習融合模型：CNN+LSTM 多模態(tài)模型，CNN 提取電化學譜圖特征，LSTM 處理時序力學數(shù)據(jù)，全連接層融合特征預測疲勞壽命。

3.遷移學習在腐蝕疲勞分析中的應用

（1）遷移學習適用場景：不同腐蝕介質（實驗室鹽水→實際海水）、不同材料牌號、不同載荷條件下的疲勞數(shù)據(jù)稀缺問題。

（2）具體實現(xiàn)步驟：

①預訓練：在實驗室豐富數(shù)據(jù)集上訓練腐蝕疲勞預測基準模型。

②微調：用少量實際工程數(shù)據(jù)對模型最后 1-2 層進行微調，適配新場景。

③特征遷移：采用領域自適應方法，減小實驗室與工程場景的特征分布差異。

（3）工程案例：從3.5%NaCl鹽水環(huán)境遷移至實際海水環(huán)境的船舶鋼腐蝕疲勞壽命預測。

4.腐蝕疲勞模型的實驗驗證

（1）驗證數(shù)據(jù)集：文獻公開的腐蝕疲勞實驗數(shù)據(jù)（如 Q345 鋼、海洋工程用鋼 E36）。

（2）模型評估指標：除 MAE/RMSE 外，引入相對誤差率、壽命預測置信區(qū)間作為工程評估指標。

（3）典型問題解決：氫脆、材料老化對腐蝕疲勞模型的影響，以及對應的模型修正方法。

（二）復合材料疲勞與損傷分析

教學目標：掌握復合材料疲勞損傷機理，能利用 CNN 處理應變分配圖像并提取損傷特征，構建物理-數(shù)據(jù)融合的復合材料疲勞壽命預測模型。

1. 復合材料疲勞損傷機理

（1）多形式損傷演化：基體開裂→界面脫粘→分層→纖維斷裂的漸進式損傷過程，以及各損傷形式的相互作用。

（2）宏觀性能退化：疲勞載荷下復合材料的剛度退化、強度衰減規(guī)律，剛度退化與剩余壽命的關聯(lián)關系。

（3）典型復合材料：風電葉片玻璃纖維 / 環(huán)氧樹脂層合板、航空碳纖維復合材料的疲勞特性差異。

2.應變分配圖像的CNN特征提取技術

（1）應變圖像獲?。簲?shù)字圖像相關（DIC）技術采集復合材料疲勞過程中的表面應變分配圖。

（2）CNN特征提取流程：

①圖像預處理：去噪、裁剪、歸一化，標注損傷區(qū)域（分層、裂紋）。

②模型選擇：采用ResNet/EfficientNet作為特征提取骨干網(wǎng)絡，凍結淺層權重，微調深層權重。

③特征可視化：通過Grad-CAM查看模型關注的損傷特征區(qū)域，驗證模型的物理合理性。

（3）損傷量化：將CNN提取的特征與損傷程度（裂紋密度、分層面積）進行關聯(lián)，實現(xiàn)損傷的定量評估。

3.復合材料疲勞壽命的預測方法

（1）物理-數(shù)據(jù)融合建模：將復合材料剛度退化模型（物理模型）作為損失項，嵌入深度學習模型，提升預測的物理一致性。

（2）多輸入特征融合：整合應變分配圖像特征、載荷譜特征、材料鋪層特征，構建多源輸入預測模型。

（3）工程案例：風電葉片玻璃纖維層合板的疲勞壽命預測，結合濕熱環(huán)境因子優(yōu)化模型。

4.多場耦合分析與疲勞預測

（1）多場影響因素：濕熱環(huán)境、溫度場、交變載荷對復合材料疲勞的耦合作用。

（2）特征工程：將環(huán)境因子（濕度、溫度）、鋪層角度作為模型的額外輸入特征，提升模型的工程適配性。

（3）模型泛化：采用交叉驗證，驗證模型對不同鋪層、不同環(huán)境條件的復合材料疲勞壽命預測能力。

5.實踐演練：Keras構建復合材料疲勞壽命預測模型

（1）數(shù)據(jù)集：公開的復合材料疲勞數(shù)據(jù)集（含應變分配圖像、載荷譜、剛度退化、壽命標簽）。

（2）任務

①用CNN提取應變分配圖像的損傷特征，用全連接層處理載荷譜與鋪層特征。

②融合多特征搭建預測模型，引入剛度退化物理約束作為損失項。

③訓練模型并對比：有無物理約束、有無圖像特征時的模型預測性能。

Day5：極端環(huán)境與多尺度疲勞分析

（一）高溫/極端環(huán)境下的金屬疲勞

教學目標：理解高溫疲勞、蠕變-疲勞交互損傷機理，掌握PINN在熱-力-蠕變耦合疲勞建模中的應用，能利用GAN生成微觀損傷演化數(shù)據(jù)。

1.高溫疲勞機理與特征

（1）高溫對金屬變形的影響：動態(tài)應變時效、晶界滑移、氧化腐蝕等高溫特有現(xiàn)象。

（2）蠕變-疲勞交互損傷機制：

①蠕變對疲勞的影響：應力松弛導致的滯回環(huán)收縮、空洞萌生與長大。

②疲勞對蠕變的影響：交變載荷加速晶界裂紋擴展，降低材料蠕變壽命。

（3）滯回環(huán)特征：高溫蠕變 - 疲勞下滯回環(huán)的演化規(guī)律，以及滯回環(huán)特征參數(shù)（面積、峰值應變）與損傷的關聯(lián)。

2.蠕變金屬疲勞的PINN建模

（1）物理方程融合：將蠕變本構方程（Norton 公式）、疲勞損傷模型（Coffin-Manson 公式）與熱傳導方程融合，構建多物理約束的 PINN 模型。

（2）損失函數(shù)設計：總損失=數(shù)據(jù)擬合損失（滯回環(huán)/壽命數(shù)據(jù)）+蠕變物理損失+疲勞物理損失+熱傳導物理損失。

（3）模型訓練要點：多物理損失項的權重調試、高溫材料參數(shù)的溫度相關性嵌入、模型的收斂性優(yōu)化。

3. 領域基礎模型與生成式仿真

材料疲勞基礎模型：類比自然語言處理中的大模型預訓練范式，通過對海量材料疲勞數(shù)據(jù)（S-N 曲線、裂紋擴展記錄、微觀組織圖像）進行自監(jiān)督預訓練，構建可微調適配多種材料體系和載荷條件的疲勞預測基礎模型。

多模態(tài)融合：LLM 作為多模態(tài)推理的核心，將文本（文獻知識）、圖像（微觀組織、斷口形貌）、表格（疲勞數(shù)據(jù)）統(tǒng)一建模，實現(xiàn)跨模態(tài)的疲勞壽命預測與失效分析。

4.蠕變金屬材料的多尺度損傷分析方法

（1）跨尺度損傷關聯(lián)：微觀（空洞、位錯）演化→細觀（晶界裂紋）→宏觀（結構裂紋）的損傷傳遞規(guī)律。

（2）深度學習加速跨尺度仿真：用神經(jīng)網(wǎng)絡替代微觀晶體塑性有限元（CPFEM）計算，提升多尺度建模效率。

（3）GAN生成微觀損傷數(shù)據(jù)：利用條件 GAN，基于少量微觀實驗圖像，生成不同高溫/載荷下的微觀空洞演化序列。

（二）多尺度建模、不確定性量化與未來展望

教學目標：了解多尺度建模與不確定性量化方法，把握深度學習在疲勞斷裂領域的未來發(fā)展趨勢。

1.多尺度建模與深度學習加速

（1）多尺度框架：宏觀（連續(xù)介質）←→ 細觀（RVE）←→ 微觀（晶體塑性）。

（2）深度學習加速策略：

用神經(jīng)網(wǎng)絡替代細觀尺度的RVE均質化計算（FE-NN）。

用神經(jīng)網(wǎng)絡替代微觀尺度的晶體塑性有限元（CPFEM）。

（3）案例：基于深度學習的材料微觀結構-宏觀性能關系預測。

2.宏-微觀數(shù)據(jù)傳遞的GAN架構

利用條件GAN生成不同微觀結構下的疲勞響應數(shù)據(jù)，擴充訓練集。

實踐演練：使用PyTorch實現(xiàn)簡單的GAN生成微觀應力分布（1小時）。

3.不確定性量化

（1）不確定性來源：數(shù)據(jù)噪聲、模型誤差、參數(shù)不確定性。

（2）貝葉斯神經(jīng)網(wǎng)絡：將權重視為分布，通過變分推斷估計預測不確定性。

（3）蒙特卡洛Dropout：在測試時開啟Dropout，多次前向傳播得到預測分布。

（4）深度集成：訓練多個模型，用其輸出的均值與方差表征不確定性。

（5）應用：如何量化疲勞壽命預測的置信區(qū)間

（三）挑戰(zhàn)與未來方向

數(shù)據(jù)稀缺：小樣本學習、遷移學習、生成模型（GAN/擴散模型）合成數(shù)據(jù)。

可解釋性：如何讓“黑箱”模型提供物理上有意義的解釋。

外推能力：模型在未經(jīng)歷載荷譜下的可靠性。

數(shù)字孿生：結合實時監(jiān)測數(shù)據(jù)與物理模型，實現(xiàn)結構的在線壽命更新。

基礎模型：構建類似GPT的“材料疲勞基礎模型”，通過海量無標注數(shù)據(jù)預訓練，微調后適應各類下游任務。

（四）綜合案例研討：航空發(fā)動機渦輪盤疲勞壽命評估

1.場景描述

某型渦輪盤材料為鎳基高溫合金，承受復雜的循環(huán)熱-力載荷，需評估其低循環(huán)疲勞壽命。

2.任務

（1）梳理可用數(shù)據(jù)：材料級疲勞試驗數(shù)據(jù)（S-N、裂紋擴展速率）、微觀組織圖像、載荷譜、幾何模型。

（2）設計技術路線：選擇哪些深度學習方法（CNN處理微觀圖像、LSTM處理載荷譜、PINN融合物理）？如何融合多源數(shù)據(jù)？

（3）討論不確定性來源與量化方案。

（4）提出部署方案：邊緣計算？云端？

深度學習助力材料疲勞與斷裂應用老師

本課程由長期從事材料疲勞與斷裂研究的教師團隊授課。主講教師在疲勞壽命評估、裂紋擴展行為、斷裂機理分析與結構健康監(jiān)測等方向具有系統(tǒng)研究積累，形成了“機理建?！獢?shù)據(jù)驅動—工程驗證”相結合的研究路徑。近年來，團隊圍繞人工智能賦能材料疲勞與斷裂分析開展持續(xù)研究，在《International Journal of Fatigue》《Engineering Fracture Mechanics》《Theoretical and Applied Fracture Mechanics》等行業(yè)相關期刊上持續(xù)發(fā)表學術成果，研究內容面向航空航天、能源裝備與高端制造等應用場景。課程將基于上述研究基礎，采用理論講授、文獻解讀與案例實踐相結合的方式，幫助學員建立可遷移的學術與工程分析能力。

課程二、深度學習PINN大模型輔助編程+量子計算

前沿背景

1. 物理信息神經(jīng)網(wǎng)絡（PINN）的興起

近年來，物理信息神經(jīng)網(wǎng)絡（Physics-Informed Neural Networks, PINN）成為計算科學與人工智能交叉領域的前沿方向。傳統(tǒng)數(shù)值方法（如有限差分法、有限單元法）在高維、強非線性或反演問題中面臨計算效率低、網(wǎng)格依賴性強等瓶頸。PINN通過將控制方程、邊界條件等物理先驗嵌入神經(jīng)網(wǎng)絡，以無網(wǎng)格方式實現(xiàn)微分方程求解，在流體力學、固體力學、傳熱學等領域展現(xiàn)出突破性潛力。其核心論文（引用超13,000次）開創(chuàng)了物理驅動深度學習的范式，成為Nature、CMAME等頂刊的研究熱點。

2. 傳統(tǒng)數(shù)值方法與機器學習的融合需求

有限差分法（FDM）和有限單元法（FEM）雖成熟但依賴離散化，難以處理復雜幾何與多物理場耦合問題。機器學習（如CNN、GNN）雖具備強大的數(shù)據(jù)擬合能力，但缺乏物理可解釋性。PINN通過融合物理定律與數(shù)據(jù)驅動，顯著減少訓練數(shù)據(jù)需求，提升泛化性能，并在參數(shù)反演、方程發(fā)現(xiàn)等逆問題中展現(xiàn)獨特優(yōu)勢。此外，深度能量法（DEM）等變體進一步結合能量變分原理，為固體力學問題提供高效解決方案。

3. 大模型賦能科學計算的新機遇

以DeepSeek、ChatGPT為代表的大模型技術，正在顛覆傳統(tǒng)科學編程模式。通過自然語言交互生成PINN代碼，可加速復雜瞬態(tài)問題的求解流程。本課程結合大模型輔助編程，探索其在微分方程求解、代碼調試及多任務優(yōu)化中的應用，推動“AI for Science”的工程化落地。

4. 下個革命性的技術風口量子計算

量子計算對科學計算領域至關重要。傳統(tǒng)超級計算機在模擬復雜分子結構、新材料屬性等關鍵科學問題時已接近算力極限。量子計算憑借量子疊加與糾纏特性，有望實現(xiàn)對薛定諤方程等核心科學模型的高效求解，為催化反應、藥物設計等領域帶來革命性突破。開展針對性培訓，能使科研人員掌握量子算法（如VQE、QAOA）與編程工具，將量子硬件轉化為解決實際科學問題的強大工具，搶占前沿科研的制高點。這不僅是技能的提升，更是科研范式的革新。

課程目標

1. 掌握PINN理論與傳統(tǒng)數(shù)值方法的核心聯(lián)系

理解固體力學、流體力學、傳熱學中的典型偏微分方程（如Navier-Stokes方程、彈性本構方程）及其數(shù)學分類（橢圓/拋物/雙曲型）。

對比有限差分法、有限單元法與PINN的底層原理，揭示物理約束與數(shù)據(jù)驅動的協(xié)同機制。

2. 構建PINN與深度能量法的實踐能力

從零實現(xiàn)一維諧振子、滲流、彈塑性力學等案例的PINN求解代碼（基于PyTorch/DeepXDE/SciANN）。

?掌握能量驅動損失函數(shù)設計、自動微分等關鍵技術，復現(xiàn)中科院一區(qū)頂刊（如CMAME）中的創(chuàng)新方法。

3. 探索多領域工業(yè)級應用場景

流體力學：層流模擬、渦旋捕捉與Nature子刊級diffusion-reaction模擬。

固體力學：超彈性材料大變形、彈塑性問題與能量法優(yōu)化。

反問題：材料參數(shù)辨識、隱藏物理規(guī)律發(fā)現(xiàn)。

4. 精通開源工具鏈與大模型輔助編程

熟練使用DeepXDE、SciANN等PINN專用庫，配置復雜邊界條件與多物理場耦合。

利用DeepSeek、ChatGPT生成高魯棒性PINN代碼，解決瞬態(tài)偏微分方程問題。

5. 培養(yǎng)跨學科研究與創(chuàng)新能力

通過頂刊論文復現(xiàn)（如CMAME、Computers and Geotechnics）與代碼對比，深化對物理編碼、因果約束、混合變量方案等前沿方向的理解。

為計算力學、工業(yè)仿真、AI輔助設計等領域的科研與工程實踐提供方法論支持。

本課程旨在打通物理建模、數(shù)值計算與深度學習的知識壁壘，培養(yǎng)兼具理論深度與工程能力的復合型人才，推動智能科學計算在工業(yè)4.0與數(shù)字孿生中的創(chuàng)新應用。

深度學習PINN大模型輔助編程+量子計算大綱

Day 1 什么是微分方程（固體、流體、傳熱）？什么是有限差分法和有限單元法？和機器學習有什么聯(lián)系？

1. 學會偏微分方程手動推導

0.0. 一般形式的微分方程推導

0.1 散度算子與平衡項的關系

0.2. 輸運方程的對流項

0.3 偏微分方程的三種形式：強形式、弱形式、變分形式

1.1. 固體力學的偏微分方程

1.1.1. 平衡方程

1.1.2. 線彈性本構

1.1.3. 超彈性本構

1.1.4. 塑性本構

1.2. 流體力學的偏微分方程

1.2.1. 無黏、無旋的勢流方程

1.2.2. 忽略黏性效應的歐拉方程

1.2.3. 不可壓縮納維-斯托克斯方程

1.3. 傳熱學的偏微分方程

1.3.1. 穩(wěn)態(tài)熱傳導

1.3.2. 瞬態(tài)熱傳導

1.4. 一般形式的偏微分方程

1.4.1. 橢圓偏微分方程

1.4.2. 拋物偏微分方程

1.4.3. 雙曲偏微分方程

2. 偏微分方程數(shù)值解

2.1. 有限差分法原理

2.2. 有限單元法原理

2.3. 實戰(zhàn)演練：使用COMSOL求解固體力學和滲流，保存數(shù)據(jù)

2.4. 實戰(zhàn)演練：使用Abaqus求解彈塑性固體力學，保存數(shù)據(jù)

3. 使用Python寫一個機器學習的程序

3.1. 三種運行Python程序的方法

3.2. 常用科學計算庫：Numpy和Scipy

3.3. 機器學習的萬能python庫：scikit-learn

3.4. 如何在Ubuntu系統(tǒng)上運行python程序

Day 2 什么是深度學習？什么是物理數(shù)據(jù)雙驅動神經(jīng)網(wǎng)絡PINN？

4. 數(shù)據(jù)驅動深度神經(jīng)網(wǎng)絡

4.1 激活函數(shù)

4.2 神經(jīng)元

4.3 自動微分方法

4.4 損失函數(shù)的構建與正則化

4.5 最優(yōu)化方法

4.6. 實踐：基于Pytorch建立深度神經(jīng)網(wǎng)絡模型并調優(yōu)

5. 深度學習進階

5.1 卷積神經(jīng)網(wǎng)絡CNN（為什么使用CNN？）

5.2 循環(huán)神經(jīng)網(wǎng)絡RNN

5.2.1. 長短記憶神經(jīng)網(wǎng)絡LSTM

5.2.2. 門控循環(huán)單元網(wǎng)絡GRU

5.3. 圖神經(jīng)網(wǎng)絡GNN（居然與CNN一模一樣？）

5.4. Transformer （Attention is all you need！ ）

6. PINN=數(shù)據(jù)+PDE方程，數(shù)據(jù)需求銳減！泛化性能提升！

從零開始構建一維諧振子物理信息神經(jīng)網(wǎng)絡（Physics-Informed Neural Networks, PINN）為核心目標，系統(tǒng)講解如何將物理定律與深度學習結合，實現(xiàn)微分方程的高效求解與物理系統(tǒng)建模。課程從一維諧振子的動力學方程出發(fā)，剖析PINN的核心思想：通過神經(jīng)網(wǎng)絡隱式編碼控制方程、初始/邊界條件等物理約束，將微分方程求解轉化為損失函數(shù)優(yōu)化的機器學習問題。學習者將逐步掌握諧振子問題的數(shù)學建模方法，利用Python和深度學習框架（如PyTorch）搭建神經(jīng)網(wǎng)絡架構，設計融合數(shù)據(jù)驅動項與物理殘差項（如運動方程殘差）的復合損失函數(shù)，并通過自動微分技術計算高階導數(shù)，實現(xiàn)從隨機初始化到物理規(guī)律自洽的模型訓練。

Day 3 PINN引用一萬三論文詳解+深度能量法+ PINN的python庫Deep XDE講解

7. 物理信息神經(jīng)網(wǎng)絡：一個用于解決涉及非線性偏微分方程的正問題和逆問題的深度學習框架，一萬三千次引用的論文講解和復現(xiàn)

PINN開山之作：Physics-informedneuralnetworks:Adeeplearningframeworkforsolvingforwardandinverseproblemsinvolvingnonlinearpartialdifferentialequations

1.1 傳統(tǒng)數(shù)值方法的瓶頸（網(wǎng)格生成、高維問題、反問題不適定性）

1.2 深度學習的優(yōu)勢與局限：數(shù)據(jù)驅動與物理規(guī)律缺失

1.3 PINN的誕生：物理原理與數(shù)據(jù)智能的深度融合

一、 引言：求解PDE的范式轉移

1.1 傳統(tǒng)數(shù)值方法的瓶頸（網(wǎng)格生成、高維問題、反問題不適定性）

1.2 深度學習的優(yōu)勢與局限：數(shù)據(jù)驅動與物理規(guī)律缺失

1.3 PINN的誕生：物理原理與數(shù)據(jù)智能的深度融合

二、 PINN的核心機理與數(shù)學基礎

2.1 框架總覽：將物理域作為神經(jīng)網(wǎng)絡的輸入空間

2.2 損失函數(shù)構造：物理殘差、初始/邊界條件與實測數(shù)據(jù)的多目標平衡

2.3 關鍵技術：自動微分為何是高效計算PDE高階導數(shù)的核心

三、 PINN求解正問題：以Burgers方程為例

3.1 問題描述：強非線性與激波現(xiàn)象的挑戰(zhàn)

3.2 網(wǎng)絡架構設計與訓練技巧

3.3 結果分析：與高精度數(shù)值解的比較及泛化能力驗證

四、 PINN求解反問題：以參數(shù)辨識為例

4.1 問題定義：從稀疏觀測數(shù)據(jù)中學習隱藏的PDE系數(shù)

4.2 可微學習機制：物理模型與神經(jīng)網(wǎng)絡參數(shù)的聯(lián)合優(yōu)化

4.3 案例演示：材料屬性或未知物理規(guī)律的反演

五、 進階應用與挑戰(zhàn)展望

5.1 復雜場景拓展：Navier-Stokes方程與跨尺度問題

5.2 當前挑戰(zhàn)：訓練難度、收斂性及計算成本分析

5.3 未來方向：優(yōu)化算法、多保真度融合與物理機理模型

8. 通過機器學習求解計算力學偏微分方程的能量方法：概念、實現(xiàn)和應用

深度能量/深度里茲法物理數(shù)據(jù)雙驅動網(wǎng)絡Deepenergymethod/DeepRitzmethod，DEM，DRM，中科院一區(qū)TOP數(shù)值計算頂刊CMAME：Anenergyapproachtothesolutionofpartialdifferentialequationsincomputationalmechanicsviamachinelearning:Concepts,implementationandapplications

一、 引言：當能量變分原理遇見深度學習

1.1 計算力學的核心：從偏微分方程到能量極小化原理

1.2 傳統(tǒng)有限元方法的局限與無網(wǎng)格求解的需求

1.3 新范式：用神經(jīng)網(wǎng)絡參數(shù)化力學場，將物理規(guī)律作為優(yōu)化目標

二、 能量法的核心理論：從物理原理到損失函數(shù)

2.1 理論基礎：最小勢能原理與深度學習優(yōu)化目標的數(shù)學同構性

2.2 框架構建：如何將總勢能泛函轉化為神經(jīng)網(wǎng)絡的訓練目標

2.3 優(yōu)勢解析：為何能量法能天然滿足物理約束并規(guī)避離散困難

三、 實現(xiàn)路徑：損失函數(shù)設計與自動微分技術

3.1 損失函數(shù)設計：應變能主導的物理約束與邊界條件的嵌入

3.2 關鍵引擎：自動微分技術在精確計算能量泛函梯度中的作用

3.3 實現(xiàn)流程：從場參數(shù)化到模型訓練的全鏈路解析

四、 典型案例分析：從線彈性到材料非線性

4.1 案例一：彈性力學靜動態(tài)問題求解

4.2 案例二：超彈性材料大變形分析

4.3 性能對比：與數(shù)據(jù)驅動模型及傳統(tǒng)有限元法的優(yōu)勢對比

五、 方法總結與前沿展望

5.1 方法優(yōu)勢總結：預測精度、計算效率與外推能力

5.2 當前挑戰(zhàn)與局限性分析

9. PINN庫：DeepXDE講解

第一章：DeepXDE入門——核心概念與環(huán)境搭建

1.1 引言：為何選擇DeepXDE？—— 高效PINN開發(fā)的關鍵特性

1.2 環(huán)境配置指南：在本地與云端快速配置DeepXDE運行環(huán)境

1.3 初識核心API：dde.data、dde.geometry、dde.nn模塊概覽

1.4 第一個PINN實例：求解一維泊松方程的完整工作流

第二章：幾何定義與邊界條件設置——構建物理計算域

2.1 幾何定義詳解：一維區(qū)間(Interval)與二維矩形(Rectangle)的創(chuàng)建

2.2 進階幾何：復雜幾何（圓形、多邊形）與時空域(TimeDomain)的處理

2.3 邊界條件編碼：DirichletBC、NeumannBC、RobinBC的API用法

2.4 初始條件編碼：IC及其在時空問題中的應用

第三章：定義控制方程——PDE殘差的靈活表達

3.1 使用Lambda函數(shù)快速定義PDE殘差（推薦入門）

3.2 自定義偏微分算子：處理復雜或高階微分方程

3.3 多未知數(shù)方程組（PDE系統(tǒng)）的定義方法

3.4 反問題中PDE參數(shù)的定義與設置

第四章：神經(jīng)網(wǎng)絡架構配置與優(yōu)化——平衡效率與精度

4.1 網(wǎng)絡架構選擇：前饋網(wǎng)絡（FNN）與修改版（MFNN）等

4.2 激活函數(shù)實戰(zhàn)：從tanh到自適應激活函數(shù)（如sin）的性能對比

4.3 權重初始化策略：Glorot normal與 He normal的影響

4.4 損失函數(shù)配置：平衡PDE殘差、邊界條件與數(shù)據(jù)項的權重策略

第五章：綜合實戰(zhàn)：從一維到高維經(jīng)典案例

5.1 案例一（一維）：Burgers方程激波捕捉

5.2 案例二（二維）：穩(wěn)態(tài)/非穩(wěn)態(tài)熱傳導方程求解

5.3 案例三（反問題）：從稀疏數(shù)據(jù)中反演拉普拉斯方程源項

5.4 案例四（高維）：參數(shù)化PDE的快速求解

Day 4 PINN在流體力學中的應用 + Nature子刊詳解

10. 中科院一區(qū)論文與代碼復現(xiàn)：滲流

中科院一區(qū)頂刊論文復現(xiàn)，A physics-informed data-driven approach for consolidation analysis

第一章：DeepXDE入門——核心概念與環(huán)境搭建

1.1 引言：為何選擇DeepXDE？—— 高效PINN開發(fā)的關鍵特性

1.2 環(huán)境配置指南：在本地與云端快速配置DeepXDE運行環(huán)境

1.3 初識核心API：dde.data、dde.geometry、dde.nn模塊概覽

1.4 第一個PINN實例：求解一維泊松方程的完整工作流

第二章：幾何定義與邊界條件設置——構建物理計算域

2.1 幾何定義詳解：一維區(qū)間(Interval)與二維矩形(Rectangle)的創(chuàng)建

2.2 進階幾何：復雜幾何（圓形、多邊形）與時空域(TimeDomain)的處理

2.3 邊界條件編碼：DirichletBC、NeumannBC、RobinBC的API用法

2.4 初始條件編碼：IC及其在時空問題中的應用

第三章：定義控制方程——PDE殘差的靈活表達

3.1 使用Lambda函數(shù)快速定義PDE殘差（推薦入門）

3.2 自定義偏微分算子：處理復雜或高階微分方程

3.3 多未知數(shù)方程組（PDE系統(tǒng)）的定義方法

3.4 反問題中PDE參數(shù)的定義與設置

第四章：神經(jīng)網(wǎng)絡架構配置與優(yōu)化——平衡效率與精度

4.1 網(wǎng)絡架構選擇：前饋網(wǎng)絡（FNN）與修改版（MFNN）等

4.2 激活函數(shù)實戰(zhàn)：從tanh到自適應激活函數(shù)（如sin）的性能對比

4.3 權重初始化策略：Glorot normal與 He normal的影響

4.4 損失函數(shù)配置：平衡PDE殘差、邊界條件與數(shù)據(jù)項的權重策略

第五章：綜合實戰(zhàn)：從一維到高維經(jīng)典案例

5.1 案例一（一維）：Burgers方程激波捕捉

5.2 案例二（二維）：穩(wěn)態(tài)/非穩(wěn)態(tài)熱傳導方程求解

5.3 案例三（反問題）：從稀疏數(shù)據(jù)中反演拉普拉斯方程源項

11. 物理信息網(wǎng)絡求解不可壓縮層流的深度學習問題

近年來，基于物理的深度學習引起了人們對解決計算物理問題的極大興趣，其基本概念是嵌入物理定律來約束/通知神經(jīng)網(wǎng)絡，需要更少的數(shù)據(jù)來訓練可靠的模型。這可以通過將物理方程的殘差納入損失函數(shù)來實現(xiàn)。通過最小化損失函數(shù)，網(wǎng)絡可以近似解。本文提出了一種用于流體動力學的物理信息神經(jīng)網(wǎng)絡（PINN）的混合變量方案，并將其應用于模擬低雷諾數(shù)下的穩(wěn)態(tài)和瞬態(tài)層流。參數(shù)研究表明，混合變量方案可以提高PINN的可訓練性和求解精度。還將所提出的PINN方法預測的速度場和壓力場與參考數(shù)值解進行了比較。仿真結果表明，所提出的PINN在高精度流體流動模擬方面具有巨大的潛力。

https://github.com/Raocp/PINN-laminar-flow/blob/master/PINN_steady/SteadyFlowCylinder_mixed.py

12. CMAME頂刊：考慮因果關系的流體力學PINN改進+學習用JAX實現(xiàn)PINN

中科院一區(qū)TOP數(shù)值計算頂刊CMAME：Respecting causality for training physics-informed neural networks

第一章：引言

1.1 研究背景：計算物理與深度學習融合的趨勢

1.2 物理信息神經(jīng)網(wǎng)絡（PINN）基本原理：物理約束與損失函數(shù)

1.3 流體動力學模擬中的挑戰(zhàn)與PINN的優(yōu)勢

1.4 本文主要工作與創(chuàng)新點：提出一種混合變量PINN方案

第二章：混合變量物理信息神經(jīng)網(wǎng)絡方法

2.1 控制方程：低雷諾數(shù)流動的Navier-Stokes方程

2.2 傳統(tǒng)PINN方法在流體模擬中的局限性

2.3 混合變量方案的構建與理論框架

2.4 網(wǎng)絡架構與損失函數(shù)設計

第三章：數(shù)值實驗與討論

3.1 實驗設置：穩(wěn)態(tài)與瞬態(tài)層流算例

3.2 參數(shù)研究：混合變量方案對可訓練性與精度的影響

3.3 結果對比：速度場/壓力場的PINN預測與參考解可視化比較

3.4 誤差分析與討論

第四章：結論與展望

4.1 研究結論總結

4.2 所提方法的優(yōu)勢與潛在應用價值

4.3 當前局限性與未來工作方向

13. 有限差分法轉化為神經(jīng)網(wǎng)絡，nature 子刊精講

Encoding physics to learn reaction–diffusion processes

13.1. 物理編碼時空學習

13.2. PDE系統(tǒng)的正演分析

13.3. PDE系統(tǒng)的反演分析

13.4. PeRCNN的結構

13.5. ∏塊的普適多項式逼近

13.6. 方程發(fā)現(xiàn)與強泛化能力

Day 5 PINN在固體力學中應用 + PINN的庫SciANN講解 + 大模型輔助編程

14. PINN和深度能量法的對比

中科院一區(qū)TOP數(shù)值計算頂刊ComputersandGeotechnics:AComprehensiveInvestigationofPhysics-InformedLearninginForwardandInverseAnalysisofElasticandElastoplasticFooting

15.Footing問題背景與Ritz方法（正問題）

- 問題背景：Footing問題的物理意義與工程應用

- 數(shù)學模型：Footing問題的數(shù)學描述與控制方程

- Ritz方法：Ritz方法在正演建模中的應用與實現(xiàn)

- PINN框架：論文中PINN實現(xiàn)的核心思路與框架解讀

16. Footing問題的逆問題求解

- 損失函數(shù)構建：PINN中物理驅動損失函數(shù)的設計與實現(xiàn)

- 自適應采樣：自適應采樣方法的原理與實現(xiàn)細節(jié)

- 指數(shù)加速：逆問題求解中的指數(shù)加速技術

- 代碼復現(xiàn)與結果分析：代碼實現(xiàn)與結果分析（數(shù)據(jù)集大小、高斯噪聲的影響）

17. JCP頂刊：混合能量法解決固體力學的應力集中問題

計算力學頂刊Journal of Computational Physics：The mixed Deep Energy Method for resolving concentration features in finite strain hyperelasticity

物理知情神經(jīng)網(wǎng)絡（PINN）的引入導致人們對深度神經(jīng)網(wǎng)絡作為固體力學界PDE的通用近似器的興趣日益濃厚。最近，深能法（DEM）被提出。DEM基于能量最小化原理，與基于PDE殘差的PINN相反。DEM的一個顯著優(yōu)點是，與基于強形式殘差的公式相比，它需要對低階導數(shù)進行近似。然而，DEM和經(jīng)典PINN公式都難以解決應力場和位移場的精細特征，例如固體力學應用中的濃度特征。提出了對深能法（DEM）的擴展，以解決有限應變超彈性的這些特征。開發(fā)的稱為混合深能法（mDEM）的框架引入了應力測量，作為最近引入的純位移公式的NN的額外輸出。使用這種方法，可以更準確地近似Neumann邊界條件，并提高通常導致高濃度的空間特征的精度。為了使所提出的方法更加通用，我們引入了一種基于Delaunay積分的數(shù)值積分方案，該方案使mDEM框架能夠用于具有應力集中的計算域（即具有孔、凹口等的域）通常需要的隨機訓練點位置集。我們強調了所提出方法的優(yōu)點，同時展示了經(jīng)典PINN和DEM公式的缺點。該方法在涉及具有精細幾何特征和集中載荷的域的具有挑戰(zhàn)性的計算實驗的正向計算方面提供了與有限元法（FEM）相當?shù)慕Y果，但還為解決超彈性背景下的逆問題和參數(shù)估計提供了獨特的能力。

18. PINN庫：SciANN講解與實操

SciANN是一個高級人工神經(jīng)網(wǎng)絡API，使用Keras和TensorFlow后端用Python編寫。它的開發(fā)重點是實現(xiàn)不同網(wǎng)絡架構的快速實驗，并強調科學計算、基于物理的深度學習和反演。能夠用幾行代碼開始深度學習是做好研究的關鍵。

19. DeepSeek、ChatGPT、Grok生成PINN代碼解偏微分方程

1 DeepSeek大模型簡介

2. DeepSeek大模型生成PINN代碼求解橢圓偏微分方程

2.1. Prompt與任務分解

2.2. 代碼運行、可視化和Debug

3. ChatGPT大模型生成PINN代碼求解拋物偏微分方程

3.1. Prompt與任務分解

3.2. 代碼運行、可視化和Debug

4. DeepSeek、Chat GPT、Grok大模型生成PINN代碼效果對比

20. 量子計算入門

1 三個基本命題及其拓展

1.1 局部性命題

1.2 概率命題

1.3 邱奇圖靈命題

2 雙縫干涉實驗與幾率幅

3 量子比特

4 量子門操作與量子電路

深度學習PINN+大模型輔助編程老師

講師曾在香港和美國工作和學習，具有計算機和經(jīng)典數(shù)值方法的雙重教育背景，在中科院一區(qū)Top等計算力學頂刊CMAME以一作發(fā)表二十篇SCI論文，包括多篇PINN和傳統(tǒng)數(shù)值主題的頂刊論文。

課程三、人工智能技術助力增材制造領域研究與工程落地專題

前言背景

當前，全球制造業(yè)正經(jīng)歷以數(shù)字化、智能化為核心的第四次工業(yè)革命，增材制造（Additive Manufacturing，AM）作為智能制造的重要組成部分，已從快速原型制造逐步演進為可直接用于航空航天、醫(yī)療器械、汽車工業(yè)等高端領域的精密制造技術。然而，增材制造過程中的工藝穩(wěn)定性控制、缺陷實時監(jiān)測、產(chǎn)品質量預測等問題仍然是制約其大規(guī)模工業(yè)化應用的關鍵瓶頸。

人工智能（AI）技術的快速發(fā)展為解決上述問題提供了全新的思路與方法。通過機器學習、深度學習、融合AI大模型工具輔助科研、物理信息神經(jīng)網(wǎng)絡等AI技術，可以實現(xiàn)對增材制造過程的實時監(jiān)控、缺陷智能檢測、工藝參數(shù)優(yōu)化以及全流程質量控制，從而顯著提升增材制造的質量穩(wěn)定性和生產(chǎn)效率，推動增材制造技術向智能化、綠色化、高效化方向發(fā)展。

本課程正是基于這一行業(yè)背景而設計，旨在幫助學員系統(tǒng)掌握AI在增材制造領域的核心技術與應用方法，培養(yǎng)跨學科的復合型人才，滿足智能制造產(chǎn)業(yè)對高端技術人才的迫切需求。

課程目標

本課程旨在培養(yǎng)掌握" AI技術 + 增材制造" 交叉領域的復合型人才。課程涵蓋機器學習（ SVM、隨機森林、XGBoost、GPR）、深度學習（CNN、ResNet、Transformer、GAN、U-Net）、物理信息神經(jīng)網(wǎng)絡（PINN）及大模型輔助科研實操等核心算法，讓學員系統(tǒng)掌握從數(shù)據(jù)采集、特征工程到模型訓練、部署應用的全流程技能。學員將熟練運用Python、MATLAB、Abaqus、COMSOL等工具，獨立完成聲發(fā)射監(jiān)控系統(tǒng)、熔池缺陷檢測、熱場預測等實際項目。

本課程聚焦增材制造六大核心應用場景：聲發(fā)射信號處理實現(xiàn)LPBF/DED過程實時監(jiān)控；深度學習缺陷檢測完成熔池圖像分析與孔隙裂紋識別；物理信息神經(jīng)網(wǎng)絡**用于熱場預測與溫度曲線優(yōu)化；AI輔助材料設計加速3D打印材料配方優(yōu)化；遷移學習與對比學習實現(xiàn)跨材料/跨工藝知識遷移；最終構建端到端智能制造系統(tǒng)，打通從過程監(jiān)控到后處理質量追溯的完整閉環(huán)。

課程提供35+完整代碼庫、50+頂級學術論文（含2026年Nature/Science子刊最新綜述），采用80%實踐驅動的教學模式，適合增材制造工程師、材料研發(fā)人員、高校研究者、智能制造從業(yè)者及企業(yè)技術骨干參加。完成課程后，學員將具備構建端到端智能增材制造系統(tǒng)的綜合能力，并能夠開展AI+增材制造交叉領域的前沿技術研究。

人工智能技術助力增材制造大綱

第1天：機器學習算法、增材制造技術及前沿應用綜述

上午：機器學習與深度學習算法基礎、結合AI大模型工具輔助科研

(1) 課題1.1：傳統(tǒng)機器學習算法（監(jiān)督學習）

1. 支持向量機(SVM)：核函數(shù)選擇、基于時頻特征的二分類/多分類任務、超參數(shù)調優(yōu)

2. 隨機森林與梯度提升：隨機森林、XGBoost、LightGBM、在SLM密度預測中的應用

3. 高斯過程回歸(GPR)：核函數(shù)（RBF、Matérn、Matern32等）、不確定性估計、WAAM熔化效率預測

4. K近鄰與MLP：KNN算法、MLP多層感知器、在熔池特征預測中的應用（融合工藝參數(shù)與材料屬性）

(2) 課題1.2：深度學習核心算法

1. 卷積神經(jīng)網(wǎng)絡(CNN)：卷積層、池化層、特征自動提取、熔池狀態(tài)圖像分類、缺陷類型識別

2. ResNet殘差網(wǎng)絡：殘差連接、深層網(wǎng)絡訓練技巧、預訓練模型遷移學習、熔池圖像特征提取、孔隙檢測、裂紋識別

3. Transformer與ViT：自注意力機制、ViT缺陷檢測、處理高分辨率熔池圖像，捕獲全局上下文信息

4. 生成對抗網(wǎng)絡(GAN)：對抗訓練原理、DCGAN、WGAN、StyleGAN在圖像生成任務、生成稀缺缺陷樣本，解決類別不平衡問題、基于工藝參數(shù)控制生成特定類型的缺陷圖像、

5. U-Net圖像分割：編碼器-解碼器結構、采樣提取語義特征、語義鴻溝問題、熔池邊界提取、缺陷區(qū)域像素級分割、CT/MRI分割方法在AM缺陷分割中的借鑒

(3) 課題1.3：自監(jiān)督與對比學習入門

1. BYOL自監(jiān)督學習：在線網(wǎng)絡與目標網(wǎng)絡對比學習、在線網(wǎng)絡與目標網(wǎng)絡的對比學習框架、非對稱架構、無標簽數(shù)據(jù)利用、在聲發(fā)射監(jiān)控中的應用（學習時序信號的通用表示，遷移至缺陷分類任務）

2. 對比學習(Contrastive Learning)：正負樣本對比、InfoNCE損失、SimCLR框架、在熔池圖像分析中的應用：學習正常熔池的表示，異常熔池偏離中心

3. Triplet Loss度量學習：錨點-正-負三元組、特征空間優(yōu)化、在線難例挖掘、在DED缺陷檢測中的應用：相同缺陷類型聚集、不同類型分離

4. 半監(jiān)督學習：偽標簽技術、VAE在半監(jiān)督中的應用、GAN在半監(jiān)督中的應用（增材制造應用）

(4) 課題1.4：遷移學習與領域自適應

1. 遷移學習策略：特征提取模式、微調模式、漸進式微調、從304不銹鋼數(shù)據(jù)訓練的模型遷移至316L不銹鋼

2. 領域自適應方法: 域偏移問題、特征對齊、域對抗神經(jīng)網(wǎng)絡DANN、不同工藝圖之間的知識遷移

3. 聲發(fā)射跨域監(jiān)測：跨設備遷移、跨材料遷移、跨工況遷移、領域自適應在聲發(fā)射監(jiān)測中的具體應用案例分析

下午：增材制造技術及前沿應用綜述

(5) 課題1.5：金屬增材制造最新進展綜述【2026必讀】

1. LPBF工藝最新突破：

? 超高速掃描技術（EHLA）與AI工藝參數(shù)優(yōu)化

? 多激光協(xié)同打印的缺陷預測與控制策略

? 原位監(jiān)測技術與實時反饋控制系統(tǒng)

2. DED工藝最新進展

? 增減材復合制造的智能化路徑規(guī)劃

? 多材料同步沉積的成分梯度控制

? 聲發(fā)射與視覺融合的熔池穩(wěn)定性監(jiān)測

3. WAAM工藝優(yōu)化

? 電弧參數(shù)的實時優(yōu)化與預測控制

? 殘余應力的在線測量與調控

? 送絲系統(tǒng)的自動化控制策略

4. AI驅動材料設計方法論

? 高通量計算與機器學習加速新材料發(fā)現(xiàn)

? 熱力學數(shù)據(jù)庫與深度學習的協(xié)同設計

? 多目標優(yōu)化算法在成分設計中的應用

5. 智能化工藝優(yōu)化策略

(6) 課題1.6：AI驅動端到端加工綜述

1. 端到端AI優(yōu)化框架設計

2. 數(shù)字化孿生技術賦能

3. 智能制造閉環(huán)控制系統(tǒng)

4. 工程落地關鍵技術

(7) 課題1.7：物理信息神經(jīng)網(wǎng)絡(PINN)入門【重要·后續(xù)課程基礎】

1. PINN基本原理：物理信息約束、自動微分技術、邊界條件處理

2. PINN核心組成：神經(jīng)網(wǎng)絡近似逼近、物理方程約束（自動微分計算PDE）、復合損失函數(shù)

3. PINN在AM中的典型應用：

? 熱傳導方程求解：預測LPBF激光掃描的溫度場時空分布

? 熔池溫度預測：基于移動高斯熱源的瞬態(tài)熱分析

? 應力應變預測：熱力耦合問題的數(shù)據(jù)高效建模

(8) 課題1.8：表面處理與應力腐蝕研究進展

1. 表面處理技術最新進展

2. 應力腐蝕開裂機理研究

3. AI在腐蝕預測中的應用

? 基于深度學習的腐蝕速率預測模型

? 表面缺陷的機器視覺檢測與分類

? 壽命預測與維護決策優(yōu)化

第2天：增材制造LPBF聲發(fā)射監(jiān)控與傳感器特征工程

上午：聲發(fā)射監(jiān)控理論與特征工程

(9) 課題2.1：LPBF聲發(fā)射傳感器選擇——如何選對傳感器？

1. 聲發(fā)射傳感器基礎：LPBF聲發(fā)射信號、壓電傳感器、光纖傳感器、EMS傳感器、頻率響應靈敏度選擇

2. 1D CNN時序分類：一維卷積在時序信號中的應用、多層1D CNN架構設計、穩(wěn)定熔池/不穩(wěn)定熔池/缺陷的三分類任務

3. EMD經(jīng)驗模態(tài)分解：固有模態(tài)函數(shù)IMF提取原理、篩選迭代過程、多尺度信號分解、多尺度信號分解、在聲發(fā)射特征提取中的應用

(10) 課題2.2：聲學特征工程——如何提取有效特征？

1. 時域特征提取：統(tǒng)計特征、峰峰值、均方根RMS、波形因子、脈沖因子

2. 頻域特征提?。篎FT快速傅里葉變換、主頻率Peak Frequency、頻帶能量分布、頻譜重心、譜熵

3. 時頻特征提取：短時傅里葉變換STFT、連續(xù)小波變換CWT、Wigner-Ville分布、波包分解WPD

(11) 課題2.3：領域自適應——跨工藝圖知識遷移

1. 領域自適應原理：源域與目標域分布差異、特征對齊方法、引入域判別器，與特征提取器對抗優(yōu)化

2. 跨工藝圖遷移：不同工藝參數(shù)下的數(shù)據(jù)差異、知識遷移方法、跨域聲發(fā)射監(jiān)測：

? 跨域聲發(fā)射監(jiān)測：從一種材料遷移至另一種材料，從一臺設備遷移至另一臺設備

3. 典型域自適應方法：DANN域對抗神經(jīng)網(wǎng)絡、CDAN條件域對抗網(wǎng)絡、DeepCORAL深度相關對齊

(12) 課題2.4：半監(jiān)督聲學學習——標簽不夠怎么辦？

1. 半監(jiān)督學習策略：標簽數(shù)據(jù)稀缺問題、未標記數(shù)據(jù)利用、偽標簽技術

2. VAE變分自編碼器：隱變量模型、重構損失+KL散度、特征表示學習

? 在聲發(fā)射中的應用：學習正常聲發(fā)射信號的隱空間表示，異常檢測

3. GAN在半監(jiān)督中的應用：半監(jiān)督GAN原理、特征生成與增強、特征學習

下午：過程監(jiān)控實踐與應用

(13) 課題2.5：SLM密度預測——多種算法對比實戰(zhàn)

1. 數(shù)據(jù)集介紹：316L不銹鋼SLM密度數(shù)據(jù)、特征工程與數(shù)據(jù)預處理、訓練集/驗證集/測試集劃分

2. 算法對比分析：模型評估方法、交叉驗證方法、超參數(shù)調優(yōu)、指標

? 交叉驗證方法：K折交叉驗證、留一法交叉驗證、嵌套交叉驗證、特征重要性排序

? 指標：回歸任務RMSE、R2、MAE，分類任務Accuracy、Precision、Recall、F1

? 超參數(shù)調優(yōu)：網(wǎng)格搜索、隨機搜索、貝葉斯優(yōu)化

(14) 課題2.6：LPBF過程監(jiān)控系統(tǒng)

1. 實時監(jiān)控架構：打印機日志實時采集、圖像采集與處理、層間偏差檢測算法

2. 質量穩(wěn)定性分析：統(tǒng)計過程控制SPC、異常檢測與預警、質量報告生成（支持工藝優(yōu)化決策）

3. 系統(tǒng)集成：多傳感器數(shù)據(jù)融合、實時可視化、歷史數(shù)據(jù)分析、工藝知識挖掘與模型更新

(15) 課題2.7：WAAM熔化效率預測——電弧增材制造優(yōu)化

1. WAAM工藝特點

? 電弧熱源特性：TIG/MIG/MAG等不同電弧類型的熱輸入特性差異

? 送絲系統(tǒng)原理：送絲速度、送絲類型對熔敷金屬的影響

? 材料沉積速率：熱輸入、焊接速度對熔敷金屬熔敷率的影響

? 工藝窗口：功率-速度組合對成形質量的映射關系

2. 熔化效率建模

? 工藝參數(shù)影響分析：熱輸入、送絲速度、焊接速度對熔化效率的影響機理

? 高斯過程回歸GPR建模：融合多源異構數(shù)據(jù)，輸出預測均值與不確定性

? 不確定性量化：預測置信區(qū)間指導工藝決策，識別可靠工藝窗口

3. 工藝優(yōu)化

? 參數(shù)敏感性分析：Sobol指數(shù)、Morris篩選法識別關鍵工藝參數(shù)

? 多目標優(yōu)化策略：同時優(yōu)化熔化效率、成形質量、材料性能的Pareto前沿

? 約束處理：考慮設備限制、材料規(guī)格、安全規(guī)范等約束條件

第3天：熔池圖像缺陷檢測與增材制造質量預測模型

上午：缺陷檢測深度學習方法

(16) 課題3.1：視聽特征融合——多模態(tài)缺陷檢測

1. 多模態(tài)融合架構

? 視覺分支：EfficientNet/RegNet/MobileNet作為視覺編碼器提取熔池圖像特征，處理亮度、形狀、飛濺等視覺信息

? 音頻分支：1D CNN處理聲發(fā)射信號，提取時域和頻域特征，捕獲熔滴過渡、匙孔效應等聲學特征

? 融合模塊：Multi-Head Attention機制自適應學習視覺和音頻特征的重要性權重，實現(xiàn)動態(tài)融合

? 模態(tài)對齊：時間同步對齊確保視覺幀與音頻片段的對應關系

2. 模型訓練策略

? 多模態(tài)數(shù)據(jù)同步采集：硬件觸發(fā)實現(xiàn)視覺相機與聲發(fā)射采集卡的時間同步

? 損失函數(shù)設計：多任務損失（分類損失+回歸損失），平衡不同任務的學習

? 多GPU訓練技巧：數(shù)據(jù)并行加速訓練，混合精度訓練降低顯存占用

3. 應用場景

? 熔池狀態(tài)分類：穩(wěn)定熔池（無缺陷）、不穩(wěn)定熔池（缺陷前兆）、缺陷熔池（需停機處理）

? 缺陷類型識別：裂紋（熔合不良）、孔隙（氣體卷入）、飛濺（工藝參數(shù)不當）

? 質量預測：基于熔池狀態(tài)歷史預測成形件的密度、硬度、強度等力學性能

資料：視聽特征融合資料

(17) 課題3.2：熔池特征預測——多算法比較

1. 數(shù)據(jù)集介紹

? 324個樣本，包含熔池狀態(tài)分類標簽（穩(wěn)定/不穩(wěn)定）

? 熔池幾何特征回歸數(shù)據(jù)（長度、寬度、面積、高度等）

? 數(shù)據(jù)來源：Inconel 625、Ti-6Al-4V等材料在不同工藝參數(shù)下的實驗數(shù)據(jù)

2. 輸入特征工程與分析

3. 算法在不同工藝參數(shù)下對比分析

(18) 課題3.3：激光吸收率預測——ResNet與ConvNeXt對決

1. ResNet-50深度殘差網(wǎng)絡：跳躍連接解決梯度消失、預訓練遷移

2. ConvNeXt-T現(xiàn)代架構：分組卷積設計、更大卷積核、現(xiàn)代化訓練策略、性能優(yōu)于傳統(tǒng)CNN架構

3. 時間分辨預測與吸收率分析：時序數(shù)據(jù)處理、熱輸入計算、吸收率與缺陷關聯(lián)

(19) 課題3.4：YOLO實時缺陷檢測——質量控制系統(tǒng)

1. YOLO目標檢測技術：Anchor-free設計、實時推理優(yōu)化、多尺度檢測、CIoU Loss損失原理

2. 缺陷類型識別

? 孔隙檢測：熔池中的氣體孔洞，形狀近似圓形，邊緣模糊，灰度低于周圍區(qū)域

? 裂紋識別：熱裂紋沿晶界分布，形狀細長，方向隨機；冷裂紋垂直于熔池邊界

? 飛濺檢測：飛濺顆粒在圖像中表現(xiàn)為離散的高亮斑點，常伴隨匙孔不穩(wěn)定

3. RPA自動化維護：UiPath工作流設計、維護調度優(yōu)化、報告自動生成

下午：深度學習實踐

(20) 課題3.5：壓痕實驗深度學習——材料機械性能預測

1. 儀器化壓痕技術

? Oliver-Pharr方法：卸載曲線初始斜率計算接觸剛度，計算硬度和約化彈性模量

? 卸載曲線分析：分析載荷-位移曲線的卸載階段，提取材料的彈塑性參數(shù)

? 硬度與彈性模量計算：維氏硬度HV、納米硬度、約化模量Er的精確計算方法

? 應用優(yōu)勢：小尺寸試樣、無損測試、局部區(qū)域性能表征

2. 多保真神經(jīng)網(wǎng)絡(MFNN)應用

3. DeepXDE框架應用

? PINN求解PDE：將壓痕接觸問題控制方程（彈性力學方程）編碼為物理損失項

? 自適應細化：根據(jù)PDE殘差分布自適應調整訓練點密度，提高關鍵區(qū)域精度

? 不確定性量化：貝葉斯PINN估計預測的認知不確定性，指導實驗驗證區(qū)域

(21) 課題3.6：3D打印Python庫——工具鏈

1. 幾何處理：STL文件讀寫、坐標變換、支撐結構設計

2. 路徑規(guī)劃：掃描策略、海綿結構路徑、基于角度閾值和懸垂深度的自動支撐生成算法

3. 切片處理：自適應層厚、輪廓偏移、填充模式的選擇策略

(22) 課題3.7：視覺Transformer缺陷檢測——在增材制造中的應用

1. Vision Transformer原理結合增材制造再剖析

2. 3D打印問題識別

? 熔池異常檢測：識別熔池圖像中的不穩(wěn)定區(qū)域，如匙孔、飛濺、凹陷等異常模式

? 層間缺陷識別：檢測連續(xù)層的異常模式關聯(lián)性，識別層間缺陷（如未熔合、孔隙聚集）

? 過程異常預警：基于時間序列分析，預測未來幾層可能出現(xiàn)的缺陷，提前干預

3. 注意力可視化分析

? 熱力圖分析：Grad-CAM等方法可視化ViT各層的注意力權重分布，定位決策依據(jù)區(qū)域

? 關鍵區(qū)域定位：識別對缺陷檢測最關鍵的圖像區(qū)域，指導工藝參數(shù)調整

? 解釋性分析：理解ViT學習到的缺陷特征模式，與專家知識對比驗證

第4天：增材制造材料優(yōu)化設計與熱場仿真后處理自動化

上午：材料設計與熱場預測

(23) 課題4.1：AI輔助金屬材料設計——智能配方發(fā)現(xiàn)

1. 熱力學計算基礎：Thermo-Calc感覺介紹、相圖計算、組合空間生成

2. 多目標優(yōu)化：NSGA-II算法原理、Pareto前沿分析、約束處理

4. 案例：智能配方發(fā)現(xiàn)

? 設計目標：Fe-20.8Ni-6.2Ti-1.7Al形狀記憶合金

? 優(yōu)化目標：相變溫度Ms、硬度HV、材料成本的多目標權衡

? 實驗驗證：計算預測最優(yōu)配方，進行制備和性能測試驗證

(24) 課題4.2：熱力學組合空間映射——工具

1. 熱力學數(shù)據(jù)庫：TDB文件解析、相穩(wěn)定性計算、熱力學屬性

2. 相圖可視化：偽二元相圖、液相線/固相線、相比例計算

3. 組合空間映射：高通量計算、機器學習加速、奧氏體/馬氏體預測

(25) 課題4.3：FEM+ML熱場預測——PINN與傳統(tǒng)方法對比

1. 有限元仿真基礎：Abaqus熱分析、移動熱源建模、溫度場計算

2. PINN物理信息神經(jīng)網(wǎng)絡再結合增材制造分析：物理方程約束、熱傳導方程求解、不確定性量化

(26) 課題4.4：迭代溫度曲線預測——框架

1. 迭代學習原理：反饋校正機制、在線更新策略、收斂性分析

2. 溫度曲線建模：時序數(shù)據(jù)處理（LSTM、GRU等循環(huán)神經(jīng)網(wǎng)絡）、特征工程、多步預測

3. 工程應用：工藝參數(shù)優(yōu)化、質量預測、實時控制

(27) 課題4.5：PINN熱方程求解【重要·第一天內容延伸】

1. 瞬態(tài)熱傳導方程：傅里葉定律、能量守恒、初始/邊界條件

2. PINN求解方法：網(wǎng)絡架構設計、損失函數(shù)構造、自適應細化

3. 移動高斯熱源建模：Goldak熱源模型、熔池溫度場分布預測、預測熔池邊界、液相線/固相線位置，指導工藝參數(shù)優(yōu)化

(28) 課題4.6：ThermaNO熱核子算子

1. 算子學習方法

? 神經(jīng)算子原理：學習從邊界條件/初始條件到解空間的映射關系，而非具體函數(shù)值

? Fourier神經(jīng)算子：傅里葉空間中定義積分算子，利用FFT高效計算卷積

? 圖神經(jīng)算子：基于圖結構處理非規(guī)則域上的偏微分方程

? DeepONet深度算子網(wǎng)絡：分支網(wǎng)編碼輸入函數(shù)，主干網(wǎng)編碼空間坐標

2. 可擴展科學機器學習：GPU并行計算、多尺度建模、瞬態(tài)預測

3. 工程應用優(yōu)勢：網(wǎng)格無關性、小樣本學習、支持實時工藝優(yōu)化、預測和在線控制

(29) 課題4.7：GPU加速熱解算器

1. CUDA加速技術：GPU架構、并行計算、內存優(yōu)化

2. 多級網(wǎng)格策略: 自適應網(wǎng)格、：V-cycle粗細網(wǎng)格耦合、多級策略計算效率

3. 性能提升分析：加速比、精度對比、計算時間滿足毫秒級響應需求

下午：后處理自動化與仿真

(30) 課題4.8：后處理機器人自動化——vcu_am_post_processing

1. 硬件系統(tǒng)組成：了解UR5e六軸協(xié)作機器人、Robotiq自適應夾具、Vzense 3D相機

2. 軟件模塊功能：AM Vision模塊、UR Path Planning模塊、ROS2集成控制

3. 典型應用場景：支撐去除、表面精加工，基于視覺的尺寸測量、表面缺陷檢測與分類

(31) 課題4.9：晶格結構分析——SOFTX框架

1. 支柱形態(tài)分析：直徑測量、傾斜角計算；斷裂、粘連、坍塌等制造缺陷的自動檢測與分類

2. 表面粗糙度分析：輪廓分析、Sa/Sq指標、加工質量評估

3. 力學性能預測：等效模量計算、強度預測、基于性能需求的晶格結構優(yōu)化設計

(32) 課題4.10：CladNet復合特性預測

1. 混合機器學習框架

? 特征融合：融合工藝參數(shù)、粉末特性、掃描策略等多源異構特征

? 多模型集成：結合神經(jīng)網(wǎng)絡、XGBoost、高斯過程等多種模型的優(yōu)勢

2. 金屬增材制造應用

? 復合層結構：不同材料或不同掃描策略形成的復合層結構性能預測

? 界面結合：層間界面處的冶金結合質量評估

? 性能預測：硬度分布、殘余應力、疲勞壽命等綜合性能預測

(33) 課題4.11：Abaqus仿真插件——用戶子程序開發(fā)

1. 常用子程序類型：Umeshmotion、Dflux、Umat、Vdload

2. 開發(fā)流程與技巧：FORTRAN編寫、接口定義、調試技巧

3. 增材制造仿真應用：移動熱源、熔池模擬、分層建造

(34) 課題4.12：Abaqus 2022增材制造仿真模型

1. 模型設置：幾何建模、網(wǎng)格劃分、邊界條件

2. 熱力耦合分析：順序耦合、移動熱源分析、熱膨脹系數(shù)隨溫度變化的熱彈塑性本構模型

3. 后處理與結果分析、溫度歷史、殘余應力、預測制造后零件的翹曲變形量，指導補償策略

(35) 課題4.13：COMSOL 6.2激光熔覆與SLM仿真

1. 多物理場耦合：熱傳遞、流場、相變、結構力學

2. 材料庫配置：316L不銹鋼、Ti-6Al-4V鈦合金、AlSi10Mg鋁合金

(36) 課題4.14：多道多層增材制造仿真

1. 溫度場分析：多道搭接、層間冷卻、溫度歷史

2. 殘余應力分析：熱應力計算、變形預測、根據(jù)應力分布識別高應力區(qū)域，指導工藝參數(shù)調整

3. 計算效率優(yōu)化：生死單元技術、子模型技術、對稱建模

(37) 課題4.15：WAAM電弧增材仿真

1. 電弧熱源建模：熱輸入計算、溫度場分布

? 熔池形態(tài)：電弧熔覆的熔寬、熔深、熱影響區(qū)尺寸預測

2. 沉積路徑規(guī)劃; 路徑規(guī)劃、送絲速度、層間策略

3. 微觀組織預測：凝固參數(shù)、晶粒生長、織構演變、晶粒生長、織構演變

第5天：遷移學習、融合AI大模型工具輔助科研與端到端增材制造智能制造工程落地

上午：高級學習方法

(38) 課題5.1：跨材料遷移學習——VGG16/ResNet18實戰(zhàn)

實踐項目：跨材料遷移學習項目

學習要點：融合AI大模型工具輔助科研

1. 遷移學習基礎：預訓練模型的價值、特征提取模式、微調模式

2. VGG16遷移應用：結構特點、遷移策略、特征可視化

3. ResNet18遷移應用：殘差連接創(chuàng)新、跨材料適應、多尺度特征深層語義

4. 創(chuàng)新網(wǎng)絡設計

? Attention-MLP：引入通道注意力增強特征表達

? CNN-RNN混合：融合空間特征與時序特征

? Multi-Task Learning：同時預測缺陷類型與嚴重程度

(39) 課題5.2：過程-結構-性能綜合分析——jax-am框架

實踐項目：jax-am過程結構性能耦合框架

學習要點：融合AI大模型工具輔助科研

1. JAX框架特性

2. 過程-結構-性能耦合

3. LPBF仿真模塊

(40) 課題5.3：X射線CT表征——pyMBIR深度重建

實踐項目：X射線CT深度重建項目

學習要點：融合AI大模型工具輔助科研

1. 代數(shù)重建基礎

2. 深度學習CT重建

3. CAD先驗約束

4. 快速X射線表征

(41) 課題5.4：流形學習——DED質量異常檢測

實踐項目：DED流形學習項目

學習要點：融合AI大模型工具輔助科研

1. 自編碼器流形學習

2. GAN流形學習

3. 單類SVM

4. DED過程監(jiān)控

(42) 課題5.5：對比學習器——Triplet Loss實戰(zhàn)

實踐項目：對比學習器Triplet Loss項目

學習要點：融合AI大模型工具輔助科研

1. 度量學習基礎

2. Triplet Loss原理

3. CNN特征提取創(chuàng)新點分析

4. 在線三元組挖掘

(43) 課題5.6：自監(jiān)督貝葉斯表示學習

實踐項目：自監(jiān)督貝葉斯表示學習項目

學習要點：融合AI大模型工具輔助科研

? 貝葉斯深度學習：通過Dropout變分推斷或貝葉斯神經(jīng)網(wǎng)絡引入預測不確定性估計

? 自監(jiān)督預訓練：利用對比損失在無標簽數(shù)據(jù)上學習通用特征表示，減少對標注數(shù)據(jù)的依賴

? 聲發(fā)射應用：不確定性感知幫助識別模型預測置信度，用于可靠決策和主動學習

? 變分推斷：使用變分推斷近似貝葉斯后驗分布，實現(xiàn)模型不確定性的有效量化

(44) 課題5.7：同軸DED自監(jiān)督學習

實踐項目：同軸DED自監(jiān)督學習項目

學習要點：融合AI大模型工具輔助科研

? BYOL自監(jiān)督：Bootstrap Your Own Latent是一種不需要負樣本的自監(jiān)督方法，通過在線網(wǎng)絡預測目標網(wǎng)絡表示

? 同軸成像：與DED加工過程同步采集熔池及周圍區(qū)域的圖像，無需額外停機或調整設備

? 過程區(qū)成像：監(jiān)測激光-材料相互作用區(qū)，包括熔池、匙孔壁、熱影響區(qū)實時狀態(tài)

? 無標簽學習：利用大量無標簽生產(chǎn)數(shù)據(jù)進行自監(jiān)督預訓練，大幅降低標注成本和數(shù)據(jù)收集周期

(45) 課題5.8：可變時間尺度分析

實踐項目：可變時間尺度分析項目

學習要點：融合AI大模型工具輔助科研

? 多尺度特征：融合不同采樣率的聲發(fā)射信號，捕獲從瞬態(tài)到緩變的物理過程

? CNN-LSTM混合：CNN提取空間局部特征，LSTM建模時序依賴關系，兩者互補

? 特征拼接：將不同時間尺度的特征向量拼接為多尺度融合特征向量，送入分類器

? DED過程監(jiān)控：分析DED過程中不同時間尺度的物理現(xiàn)象，如熔滴過渡、層間熱積累等

資料：可變時間尺度分析資料

(46) 課題5.9：LPBF基準測試

實踐項目：LPBF基準測試項目

學習要點：融合AI大模型工具輔助科研

? 多模型評估：統(tǒng)一評估框架下對比CNN、Transformer、GNN等多種方法在不同任務上的性能

? 標準化數(shù)據(jù)集：統(tǒng)一的訓練/驗證/測試劃分，數(shù)據(jù)增強策略，保證評估的公平性和可重復性

? 性能指標：精度Accuracy、召回率Recall、F1分數(shù)、推理速度FPS、模型參數(shù)量等多維度評估

? 最佳實踐：基于基準測試結果的模型選擇指南和超參數(shù)調優(yōu)建議，幫助快速選擇最優(yōu)方案

(47) 課題5.10：事件序列生成

實踐項目：事件序列生成項目

學習要點：融合AI大模型工具輔助科研

? 過程事件建模：將增材制造過程中的連續(xù)信號離散化為事件序列，提取關鍵事件和狀態(tài)變化

? 序列生成：基于變分自編碼器VAE或Transformer模型學習事件序列的分布，實現(xiàn)序列生成

? 條件生成：根據(jù)工藝參數(shù)（功率、速度、材料）條件控制生成特定類型事件序列

? 增材制造應用：預測未來可能發(fā)生的事件（如缺陷形成、設備故障），實現(xiàn)主動預防和優(yōu)化控制

(48) 課題5.11：Transformer模擬工具

實踐項目：Transformer模擬工具項目

學習要點：融合AI大模型工具輔助科研

? Transformer架構：利用自注意力機制Self-Attention建模工藝參數(shù)與仿真結果之間的全局依賴關系

? 序列到序列：輸入激光功率、掃描速度、層厚等工藝參數(shù)序列，輸出溫度場、應力場等模擬結果序列

? 位置編碼：為工藝參數(shù)序列注入時序和空間位置信息，增強模型對參數(shù)組合的理解能力

? 增材制造應用：替代耗時耗力的有限元仿真，快速預測不同工藝參數(shù)下的成形效果，加速工藝設計探索

(49) 課題5.12：干涉測量控制

實踐項目：干涉測量控制項目

學習要點：融合AI大模型工具輔助科研

? 干涉測量原理：利用光的干涉效應測量表面形貌，通過光程差計算微米級精度的高度信息

? 實時控制：將干涉測量系統(tǒng)與光固化3D打印機關聯(lián)，形成閉環(huán)反饋控制系統(tǒng)，實時監(jiān)測并調整打印參數(shù)

? MATLAB實現(xiàn)：使用MATLAB圖像處理和實時控制工具箱開發(fā)形貌反饋控制算法

? 精度提升：通過閉環(huán)控制自動補償材料的收縮變形和層間誤差，顯著提升最終成型件的尺寸精度和表面質量

下午：端到端智能制造系統(tǒng)

(50) 綜合項目：LPBF端到端智能制造系統(tǒng)

學習要點：融合AI大模型工具輔助科研

模塊1：聲發(fā)射分析

? 數(shù)據(jù)采集：使用高速采樣率聲發(fā)射傳感器（采樣率≥1MHz）同步采集LPBF過程中的聲學信號

? 預處理：帶通濾波去除環(huán)境噪聲，歸一化處理消除信號幅值差異，為后續(xù)分析準備高質量數(shù)據(jù)

? 特征提?。篍MD經(jīng)驗模態(tài)分解將復雜信號分解為本征模態(tài)函數(shù)IMF，提取多尺度時頻特征

? 分類模型：1D CNN時序分類網(wǎng)絡學習聲發(fā)射信號與缺陷狀態(tài)的映射關系，實時輸出缺陷概率

? 實時預警：基于置信度閾值的異常報警系統(tǒng)，當缺陷概率超過閾值時觸發(fā)停機或調整工藝參數(shù)

模塊2：缺陷檢測

? 熔池圖像：高速工業(yè)相機（幀率≥1000fps）與激光掃描同步采集，記錄熔池的瞬態(tài)變化

? 目標檢測：部署YOLOv8等實時目標檢測網(wǎng)絡，識別熔池圖像中的孔隙、裂紋、飛濺等缺陷

? 缺陷分類：對檢測到的缺陷進行類型分類（氣孔、裂紋、未熔合）和嚴重程度評估

? 質量報告：自動生成缺陷位置分布圖、缺陷類型統(tǒng)計、質量評估報告，支持質量追溯

模塊3：熱場預測

? FEM數(shù)據(jù)：有限元仿真獲取大量溫度場數(shù)據(jù)作為訓練標簽，建立工藝參數(shù)-溫度場映射關系

? PINN訓練：物理信息神經(jīng)網(wǎng)絡融合熱傳導物理方程約束和FEM仿真數(shù)據(jù)，學習魯棒的熱場預測模型

? 實時預測：輸入當前工藝參數(shù)（功率、速度、位置），網(wǎng)絡實時輸出預測的溫度場分布

? 可視化：熱場分布云圖實時渲染展示，幫助操作人員直觀了解當前熔池狀態(tài)

模塊4：后處理優(yōu)化

? 點云掃描：使用3D掃描儀獲取成形件表面點云數(shù)據(jù)，獲取工件的真實幾何形貌

? 晶格分析：基于點云數(shù)據(jù)分析晶格結構支柱直徑、傾斜角、內部缺陷等質量指標

? 路徑規(guī)劃：基于掃描數(shù)據(jù)自動生成機器人加工軌跡，避讓工件特征區(qū)域，規(guī)劃最優(yōu)加工路徑

? 機器人執(zhí)行：協(xié)作機器人按照規(guī)劃路徑執(zhí)行打磨、拋光、支撐去除等后處理任務

模塊5：質量追溯

? CT掃描：X射線計算機斷層掃描獲取零件內部三維結構數(shù)據(jù)，識別內部缺陷

? 深度重建：使用深度學習CT重建算法從稀疏投影數(shù)據(jù)中高質量重建內部結構

? 缺陷關聯(lián)：將CT檢測到的內部缺陷與制造過程數(shù)據(jù)關聯(lián)分析

? 全流程追溯：建立從原材料批次、粉末特性、工藝參數(shù)、過程數(shù)據(jù)到最終質量的完整追溯鏈

人工智能技術助力增材制造老師

本課程主講老師畢業(yè)于國內頂尖985高校，擁有兩年海外研究經(jīng)歷，專注于人工智能（AI）與增材制造（AM）的深度融合，研究領域橫跨機器學習、材料科學及制造工藝優(yōu)化。老師學術成果斐然，長期致力于AI在激光粉末床熔融（LPBF）、定向能量沉積（DED）和4D打印中的創(chuàng)新應用，特別是在實時過程監(jiān)控、缺陷檢測、熱場預測及智能材料設計方面取得顯著突破。作為核心研究者，老師參與多項國家重點科研項目，研究影響力輻射國際學術圈。老師在權威期刊發(fā)表多篇論文，涵蓋AI驅動的AM工藝優(yōu)化與材料設計，并在國際學術會議上頻頻受邀作報告，分享前沿洞見。在教學方面，老師以“實踐導向、理論扎實”為原則，通過動手實踐與系統(tǒng)化講解，帶領學員深入探索AI在AM中的應用，從聲發(fā)射分析、視聽融合缺陷檢測到后處理自動化，內容兼具技術前沿性與行業(yè)實用性。老師熟練掌握Python、MATLAB、Abaqus、COMSOL等工具，本課程結合獨家代碼庫、50+頂級論文與預配置數(shù)據(jù)集，為學員打造沉浸式學習體驗。課程緊密貼合航空航天、醫(yī)療、汽車等高需求行業(yè)，助力學員快速掌握AI與AM交叉技術，產(chǎn)出可直接應用的行業(yè)級成果，開啟職業(yè)與研究新篇章。

授課時間

深度學習PINN大模型輔助編程+量子計算

2026.7.25-----2026.7.26全天授課(上午9:00-12:00下午14:00-17:00晚上19:00-22:00)

2026.7.28-----2026.7.31晚上授課(晚上19:00-22:00)

騰訊會議 線上授課（共五天授課時間 提供全程回放視頻）

深度學習助力材料疲勞與斷裂應用研究

2026.8.8-----2026.8.9全天授課(上午9:00-11:30下午13:30-17:00)

2026.8.13-----2026.8.14晚上授課(晚上19:00-22:00)

2026.8.15-----2026.8.16全天授課(上午9:00-11:30下午13:30-17:00)

騰訊會議 線上授課（共五天授課時間 提供全程回放視頻）

人工智能技術助力增材制造：

2026.8.1-----2026.8.2全天授課(上午9:00-11:30下午13:30-17:00晚上19:00-22:00)

2026.8.4-----2026.8.7晚上授課(晚上19:00-22:00)

騰訊會議 線上授課（共五天授課時間 提供全程回放視頻）

課程費用

深度學習助力材料疲勞與斷裂應用研究/深度學習PINN大模型輔助編程+量子計算/人工智能技術助力增材制造

費用：每人每班￥4980元 （含報名費、培訓費、資料費）

優(yōu)惠政策

優(yōu)惠一: 兩門同報9080元

優(yōu)惠二：三門同報12800元

優(yōu)惠三:提前報名繳費學員+轉發(fā)到朋友圈或者到學術交流群可享受每人300元優(yōu)惠（僅限15名）

年報優(yōu)惠：16800元（可在一年內參加我單位舉辦的任何課程，可獲得我單位往期舉辦的所有錄像回放與資料）

報名福利：

報名即可贈送往期課程回放專題（任選一門包含全程回放和完整代碼案例等資料）

（內容詳情可點擊上方課程名稱查看，多買多得，也可單獨購買上述錄播課每班1980元）

報名費用可開具正規(guī)報銷發(fā)票及提供相關繳費證明、邀請函，可提前開具報銷發(fā)票、文件用于報銷

課程培訓福利

課后學習完畢提供全程錄像視頻回放，針對與培訓課程內容 進行長期答疑，微信解疑群永不解散，參加本次課程的學員可免費再參加一次本單位后期組織的相同的 專題培訓班（任意一期都可以）

培訓答疑與互動

在培訓中進行答疑和問題互動，以幫助學員深入理解課程內容和解決實際問題。

學員可以提出疑問，講師將提供詳細解答，特別是針對技術難點和復雜算法。

通過小組討論和案例分享，學員將有機會交流經(jīng)驗，獲得實時反饋，并進行實踐操作演示。

展示學員的學習成果，并提供進一步的提升建議和資源支持，為學員在未來的學習和工作中提供幫助和指導。

課程授課方式

授課方式：通過騰訊會議線上直播，從零基礎開始講解，電子PPT和教程＋預習視頻提前發(fā)送給學員，所有培訓使用軟件都會發(fā)送給學員，附贈安裝教程和指導安裝，培訓采取開麥共享屏幕和微信群解疑，學員和老師交流、學員與學員交流，培訓完畢后老師針對與培訓內容長期解疑，培訓群不解散，往期培訓學員對于培訓質量和授課方式一致評價極高

課程咨詢報名聯(lián)系方式

聯(lián)系人：劉老師

報名咨詢電話｜13937166645（同微信）

近期學員好評