隨著航空航天、新能源等領域對復合材料性能需求的升級，傳統“試錯法”研發模式面臨瓶頸：微觀結構設計依賴經驗、多尺度耦合機理不透明、全參數空間探索計算成本高昂。與此同時，人工智能與高性能計算的融合為材料科學提供了新范式——通過構建“物理仿真+數據驅動”的混合模型，實現材料性能的精準預測與設計優化。

國際趨勢方面，Nature等頂尖學術期刊持續聚焦“多尺度建模”、“AI+復合材料”等交叉研究前沿，ABAQUS 與 AI 技術融合驅動的復合材料建模與仿真創新研究正成為全球熱點。由知名學者領銜的科研團隊不斷在多尺度機理剖析、智能化復合材料結構開發等方面取得突破性成果，推動著復合材料技術向更高比強度、更優耐久性、更強多功能性等目標加速邁進。

國家需求層面，我國《國家自然科學基金“十四五”發展規劃》中優先發展領域明確提出“面向航空航天、先進制造、新能源等領域對優異力學性能、特殊功能的新材料和新結構的迫切需求，重點研究新材料的本構理論、破壞理論、多尺度力學行為、新實驗與計算方法，新結構的力學設計與分析、安全壽命評估、多功能驅動的設計方法、智能技術相結合的分析方法等。”

學科發展維度，智能復合材料技術作為新興交叉學科領域正蓬勃興起，眾多頭部企業對既精通復合材料核心技術，又熟練掌握多尺度仿真技巧與 AI 應用開發的復合型人才求賢若渴，相關崗位招聘需求持續井噴。

為了滿足工業界和學術界對于融合材料科學、力學、計算機科學和 AI 技術多學科知識與技能的復合型人才的需求，特舉辦此次研修課程。本次培訓主辦方為北京軟研國際信息技術研究院，承辦方互動派（北京）教育科技有限公司，會議會務合作單位為北京中科萬維智能科技有限公司。

★ 目錄 ★

專題一

（詳情內容點擊上方名稱查看）

2025年04月19日-04月20日

2025年04月26日-04月27日

在線直播（授課四天）

專題二

（詳情內容點擊上方名稱查看）

2025年04月18日-04月20日

在線直播（授課三天）

專題三

（詳情內容點擊上方名稱查看）

2025年05月17日-05月18日

2025年05月24日-05月25日

在線直播（授課四天）

專題四

（詳情內容點擊上方名稱查看）

精品錄播 即報即學

培訓對象

材料科學、電力工業、航空航天科學與工程、有機化工、無機化工、建筑科學與工程、自動化技術、工業通用技術、汽車工業、金屬學與金屬工藝、機械工業、船舶工業等領域的科研人員、工程師、及相關行業從業者、跨領域研究人員。

培訓講師

1

AI復合材料講師

講師來自全國重點大學、國家“985工程”、“211工程”重點高校，計算力學博士，以第一作者于Composites Science and Technology、CMAME、CS等TOP期刊發表論文多篇，授權發明專利3項。

主要研究方向：深度學習加速的FEA、多尺度分析方法、結構逆向設計等。

2

AI高分子材料講師

來自國內985高校，主要從事人工智能輔助的科學研究，相關成果發表在《Macromolecules》《Chemical Science》《npj Computational Materials》等國際期刊上，多次擔任《Journal of Membrane Science》《Artificial Intelligence Review》等國際期刊審稿人。

擅長領域：深度學習、生成式AI和大語言模型等機器學習方法在材料科學、工業優化中的研究。

3

ABAQUS復合材料講師

由全國重點大學、國家“985工程”、“211工程”重點高校教授及團隊成員講授。在國內外重要雜志發表論文二十余篇，曾先后主持和參與完成國家專項、國家自然科學基金、省基金項目二十余項；擁有20余年復合材料結構有限元數值模擬經驗，在復合材料有限元力學分析設計、復合材料斷裂和損傷過程的數值模擬和實驗研究等方面具有深厚的造詣。

培訓大綱

基于AI-有限元融合的復合材料多尺度建模與性能預測前沿技術

目錄

主要內容

關鍵理論與軟件

二次開發使用方法

1. 基礎理論：

1.1.復合材料均質化理論（Eshelby方法、代表性體積單元RVE）論文詳述

1.2.有限元在復合材料建模中的關鍵問題（網格劃分、周期性邊界條件）

1.3.神經網絡基礎與遷移學習原理（DNN、CNN、Domain Adaptation）

1.4.纖維復合材料的損傷理論（Tsai-Wu準則、Hashin準則）

實踐1：軟件環境配置與二次開發方法實踐

☆ ABAQUS/Python腳本交互（基于論文中RVE建模案例）

☆ ABAQUS GUI操作與Python腳本自動化建模

☆ 輸出應力-應變場數據的文件格式標準化

☆ ABAQUS二次開發框架搭建

☆基于ABAQUS二次開發程序的Hashin/Tsai-Wu失效分析有限元實踐

☆ TexGen軟件安裝及GUI界面操作介紹、Python腳本參數化方法

☆ 三維編織/機織纖維復合材料幾何模型及網格劃分方法

多尺度建模與數據生成方法

1. 復合材料多尺度建模與仿真分析方法

1.1.多相復合材料界面（纖維/基質界面）理論機理（Cohesive模型）

1.2.連續纖維復合材料RVE建模（纖維分布算法、周期性邊界條件實現）

1.3.參數化設計：纖維體積分數、纖維直徑隨機性等對性能的影響

1.4.雙尺度有限元仿真方法原理及理論（FE2方法）

1.5.直接雙尺度有限元仿真方法原理及理論方法（Direct FE2方法）

實踐2：大批量仿真分析與數據處理方法

☆ 考慮界面結合（Cohesive模型）的復合材料分析模型建立

☆ 基于Python的ABAQUS批量仿真（PyCharm嵌入ABAQUS計算內核）

☆ 基于PowerShell調用Python FEA腳本解決動態內存爆炸問題

☆ 控制纖維體分比的纖維絲束生成算法（RSE）

☆ 編寫腳本生成不同纖維排布的RVE模型

☆ 輸出訓練數據集（應變能密度、彈性等效屬性等）

☆ ABAQUS實現Direct FE2方法仿真分析（復合材料）

深度學習模型構建與訓練

1. 深度學習模型設計：

1.1.基于多層感知機（DNN）的訓練預測網絡

1.2.基于卷積神經網絡（CNN）的跨尺度特征提取網絡（ResNet/DenseNet）

1.3.復合材料的多模態深度學習方法（結構特征提取+材料屬性）

1.4.三維結構（多相復合材料/單相多孔材料）的特征處理及預測方法

1.5.物理信息神經網絡（PINN）：將物理信息融合到深度學習中

1.6.遷移學習策略：預訓練模型在新型復合材料中的參數微調

實踐3：代碼實現與訓練

☆ 深度學習框架PyTorch/TensorFlow模型搭建

☆ 構建多層感知機（DNN）的訓練預測網絡

☆ 數據增強技巧：對有限元數據進行噪聲注入與歸一化

☆ 構建二維結構的特征處理及預測網絡（CNN—ResNet/DenseNet）+多模態學習預測

☆ 構建三維結構的特征處理及預測網絡（三維卷積神經網絡）

☆ 建立物理信息神經網絡（PINN）學習預測模型

遷移學習與跨領域應用

1. 遷移學習理論深化

1.1.歸納遷移學習與遷移式學習理論深入詳解與應用

1.2.歸納遷移學習在跨領域學習預測中的應用

1.3.領域自適應（Domain Adaptation）在材料跨尺度預測中的應用

1.4.案例：碳纖維→玻璃纖維、樹脂基質→金屬基質的性能預測遷移

實踐4：基于預訓練模型的遷移學習

☆ 遷移學習神經網絡模型的搭建

☆ 歸納學習方法：加載預訓練模型權重，針對新材料類型進行微調

☆ 領域自適應：使用領域自適應方法預測未知新材料相關屬性

☆ 使用TensorBoard可視化訓練過程與性能對比

實踐5：端到端復合材料性能預測系統開發

☆ 參數化建模→有限元計算→神經網絡預測→結果可視化全流程實現

☆部分案例圖示：

生成式AI驅動的高分子材料研發與應用

目錄

主要內容

生成式人工智能導論

1. 學習目標:明確生成式AI方法的適用性，優勢，以及局限性等。

1.1 深度學習和生成式AI

1.2 生成式AI的應用實例（VAE、Diffusion、LLM等）

1.3 生成式AI在材料領域(無機、金屬、高分子等領域)的應用

大語言模型：生成式AI的核心

2. 學習目標:以生成式AI中最重要的一個模塊—大語言模型為例，對生成式AI進行重點分析。

2.1 大模型的架構與特點（如 GPT、BERT 等）

2.2 （聚合物）材料大模型最新開發進展

2.3 大模型的訓練與應用示例

案例實踐教學一：以GPT訓練為例

深入大語言模型的開發和在線部署

3. 學習目標:以大語言模型為例，有針對性的對生成式AI進行系統的學習，以方便將來開展基于生成模型的性質預測和逆向設計的學習

3.1 Tensorflow與Pytorch—深度學習模塊

3.2 HuggingFace—大語言模型的“Github“

3.3 Langchain—訓練、使用大模型的腳手架

3.4 Gradio—自己部署在線機器學習模型

案例實踐教學二: 利用機器學習和生成式AI方法預測聚合物粘度——體會各模型在精度、復雜度和計算時間的區別

材料基因工程：數據驅動的聚合物設計

4. 學習目標:從數據庫出發，對材料領域常見的數據庫進行介紹，學習如何利用Pandas、ChemDraw、Dragon、Mordred等軟件包批量構建及處理數據集，對材料進行特征選擇。常見的聚合物材料結構表示方法及編碼及機器學習模型的評估與利用

4.1 材料基因組：從高通量計算到智能設計

4.2 常見（聚合物）材料數據庫：Material Project數據庫、PolyInfo、AI Polymer Plus、Polymer Genome

4.3常見聚合物數據獲取與使用

4.4 聚合物結構的特征工程

4.5 特征選擇(過濾特征、包裝到其他評估或集成到訓練)

案例實踐教學三：(包含以下內容)

（1）從零開始手搓耐熱高分子/高力學性能高分子機器學習篩選工作流的代碼，

（2）實現對聚合物結構表示、特征篩選、模型建立、模型優化和高通量篩選的掌握

（3）通過以上課程加深對于機器學習模型和深度神經網絡（如圖神經網絡）的掌握。

案例實踐教學四：主動學習、對比學習框架在聚合物科學問題中的實現

生成式AI在聚合物科學中的應用

5. 學習目標:介紹深度學習領域前沿內容，了解材料科學與機器學習領域最新研究動態，同時介紹幾種更為先進的機器學習算法。

5.1 生成模型在聚合物材料性質預測和逆向設計中的應用與挑戰

5.2 大語言模型驅動性質預測

案例實踐教學五：大語言模型實現聚合物性質預測—polyBERT和TransPolymer

5.3 逆向設計范式：

案例實踐教學六：VAE和大語言模型實現聚合物按需逆向設計

5.4 生成式AI在材料科學中的規模化應用前景

ABAQUS復合材料建模技術與應用

時間

主要內容

第一天

1. ABAQUS復合材料建模基礎

1.1.ABAQUS軟件簡介與基本操作

1.2.幾何建模與物理參數設定、網格剖分技術

1.3.復合材料層結構建模方法（殼單元、連續殼單元及多層實體單元）

1.4.靜力分析中強度準則和損傷判據

1.5.數據輸入與輸出操作及結果解讀

復合材料層合結構熱-力耦合算例（實例）

2. 斷裂力學與與損傷分析

2.1.斷裂力學基礎理論

2.2.基于XFEM方法的裂紋擴展模擬(實例）

2.3.VCCT方法入門（實例）

2.4.Cohesive方法入門（實例）

第二天

3. 斷裂力學與損傷分析

3.1.基于虛裂紋閉合技術(VCCT)的分層擴展模擬（實例）

3.2.基于cohesive單元的分層/界面損傷擴展模擬（實例）

4. 復合材料加筋板靜載荷分析與承載能力預測

4.1.復合材料加筋板的壓潰分析基本理論

4.2.復合材料加筋板的壓潰分析（實例）

4.3.復合材料加筋板剪切失效測試案例解析

4.4.復合材料層合板剪切失效模擬（實例）

第三天

5. 特殊復合材料建模與分析

5.1.復合材料損傷失效行為的多尺度分析概述

5.2.顆粒增強金屬基復合材料結構建模、胞元分析技術（實例）

5.3.短纖維增強復合材料結構建模、胞元分析技術（實例）

6. 復合材料沖擊與動態響應

6.1.結構動力學基礎理論與ABAQUS動力學分析工具

6.2.復合材料加筋板自由振動分析(實例）

6.3.低速沖擊理論與沖擊后剩余壓縮強度實驗方法

6.4.復合材料沖擊損傷模型與仿真流程

6.5.復合材料加筋板低速沖擊過程模擬與剩余強度計算（實例）

6.6.高速沖擊問題概述與模擬策略

6.7.高速沖擊模擬（實例）

第四天

7. 高級編程與二次開發

7.1.工程材料本構關系與損傷模型簡介

7.2.基于MATLAB與Python的參數化建模與腳本編程（實例）

7.3.ABAQUS接口子程序（UMAT、USDFLD等）原理與應用

7.4.基于接口子程序的材料彈塑性與粘彈性分析（實例）

7.5.復合材料損傷分析（實例）

8. 論文寫作與科研指導

8.1.復合材料仿真計算文章（SCI）案例解析

8.2.SCI 論文撰寫規范與創新思路

8.3.航空航天復合材料發展趨勢與創新研究展望

8.4.算例補充與論文寫作互動環節

歡迎各位學員帶著課程相關問題參加學習交流，

我們將全力為你們解決問題！

☆部分案例圖示：

培訓特色

1

AI復合材料專題

1、多尺度建模技術融合：不僅涵蓋了復合材料從微觀到宏觀的多尺度建模理論，還特別強調了有限元方法與神經網絡建模的融合，提供了全面的視角來理解建模中的多尺度問題。

2、工業級科研工具鏈實戰：以ABAQUS二次開發為核心，集成PyCharm調試、PowerShell任務調度、TensorBoard可視化，構建接近工業場景的自動化仿真-學習流水線。

3、技術深度與廣度：從復合材料均質化理論和有限元建模開始，到更高級的神經網絡建模、深度學習和遷移學習，逐步深入，確保學員能夠掌握不同復雜度的技術。

4、“物理+數據”雙引擎驅動：突破純數據驅動模型的“黑箱”局限，將Hashin準則、周期性邊界條件等物理規則嵌入神經網絡（如PINN），提升模型可解釋性與外推能力。

5、端到端系統交付能力培養：最終實踐環節封裝“參數化建模→仿真→預測”流程為獨立系統，輸出GUI界面或API接口，銜接學術成果與工業落地。

2

AI高分子材料專題

1、前沿技術與理論結合：課程涵蓋了生成式AI的基本概念、深度學習技術、大語言模型等前沿內容，同時結合了高分子材料的特性，使學員能夠系統地了解和掌握最新的技術動態及其在材料領域的應用。

2、豐富的案例實踐：通過多個案例實踐教學環節，如利用機器學習預測聚合物粘度、構建耐熱高分子篩選工作流、大語言模型實現聚合物性質預測等，讓學員在實際操作中加深對理論知識的理解，提升解決實際問題的能力。

3、多學科知識融合：課程內容涉及深度學習、高分子材料科學、材料基因組工程等多個學科領域，學員能夠在學習過程中拓寬知識面，培養跨學科思維，更好地應對復雜的研發任務。

4、系統性與針對性：課程從生成式AI的基礎知識講起，逐步深入到大語言模型、材料基因組工程等核心內容，并針對高分子材料的特點進行重點分析和實踐教學，使學員能夠系統地構建知識體系，同時掌握與高分子材料研發相關的具體技術和方法。

5、工具與平臺應用：介紹Tensorflow、Pytorch、HuggingFace、Langchain、Gradio等先進的深度學習模塊和工具，使學員能夠熟練使用這些工具進行高分子材料的研發工作，提升工作效率。

3

ABAQUS復合材料專題

1、理論筑基：由國家重點高校老師由淺入深得講授各個模塊要點難點、用到的方法，為實現后續的仿真分析加強理論依據。

2、實踐為本：由組內最擅長軟件操作的講師詳細講授各個模塊模擬實現各種算例的過程、模擬結果的分析，為實際課題與論文增添仿真色彩。

報名須知

1

基于AI-有限元融合的復合材料多尺度建模與性能預測前沿技術
2025年04月19日-04月20日

2025年04月26日-04月27日

在線直播（授課四天）

生成式AI驅動的高分子材料研發與應用

2025年04月18日-04月20日

在線直播（授課三天）

ABAQUS復合材料建模技術與應用

2025年05月17日-05月18日

2025年05月24日-05月25日

在線直播（授課四天）

2

報名費用

（含報名費、培訓費、資料費）

基于AI-有限元融合的復合材料多尺度建模與性能預測前沿技術：￥4500元/人

生成式AI驅動的高分子材料研發與應用：￥3600元/人

ABAQUS復合材料建模技術與應用：￥4300元/人

【注】費用提供用于報銷的正規機打發票及蓋有公章的紙質通知文件；北京中科萬維智能科技有限公司作為本次會議會務合作單位，負責注冊費用收取和開具發票，可開具會議費發票和發送會議邀請函；

3

增值服務

1、凡報名學員將獲得本次培訓電子課件及案例模型文件；

2、培訓結束可獲得本次所學專題課程全部無限次回放視頻；

3、凡參加本次專題課程學員后期可免費再參加一次本專題課程；

4、價格優惠：

（1）2025年03月28日前報名繳費可享受400元早鳥價優惠；

（2）老學員或兩人（含）以上團報可享受每人額外200元優惠；

5、參加培訓并通過試的學員，可以獲得：主辦方北京軟研國際信息技術研究院培訓中心頒發的專業技能結業證書；

4

聯系方式