Исследователи представили метод глубоких материальных сетей (Deep Material Networks) для гомогенизации пьезоэлектрических композитов. Традиционные подходы, основанные на методах прямого численного моделирования, требуют значительных вычислительных мощностей, особенно при анализе многомасштабных структур. Новый подход позволяет значительно ускорить процесс прогнозирования эффективных электромеханических свойств материалов за счет замены ресурсоемких симуляций обученными нейросетевыми моделями.
Пьезоэлектрические композиты широко применяются в производстве датчиков, актуаторов и систем сбора энергии. Возможность гибкой настройки их характеристик через изменение микроструктуры делает их критически важными для современной инженерии. Использование нейросетевой аппроксимации позволяет инженерам быстрее перебирать варианты архитектуры композитов и подбирать оптимальные параметры для конкретных прикладных задач без необходимости проведения длительных расчетов для каждой итерации.
Данная методика демонстрирует высокую точность при предсказании поведения сложных гетерогенных сред. Авторы работы показывают, что глубокие материальные сети эффективно улавливают нелинейные зависимости между микроструктурным дизайном и макроскопическим откликом материала. Это открывает возможности для автоматизированного проектирования новых функциональных материалов с заданными свойствами, сокращая цикл разработки от компьютерного моделирования до создания прототипа.