武汉理工大学罗国强教授团队| 基于深度学习方法的梯度密度飞片与可控加载路径的双向映射研究

本文由武汉理工大学罗国强教授团队发表于《材料基因工程前沿》，针对梯度密度飞片（GDI）动态加载技术中高维参数耦合、应力/应变率解耦难及数值模拟效率低等问题。研究背景是GDI是实现可控应力/应变率加载的关键，结构设计至关重要。研究目的为通过深度学习构建双向映射模型，实现加载曲线预测与GDI结构逆向设计。方法上，先通过有限元模拟分析加载速度与中间层厚度对应力/应变率的解耦机制，再构建CNN-BLSTM深度学习框架。结论表明，该模型可精准预测应力/应变率曲线（R²=0.95）和加载速度（R²=0.99），并能逆向设计GDI中间层厚度；计算效率较传统模拟提升10³-10⁴倍，为极端条件下材料动态加载设计提供了高效新范式。