“给你96个散落的拼图碎片，能还原出整幅图案吗？”在结构力学和材料设计中，科学家们常面临类似难题——通过有限的位移数据反推材料或结构的完整有序性（即“逆问题”），传统方法要么像“盲人摸象”准确率低，要么像“大海捞针”耗时费力。近日，北京理工大学与清华大学联合团队在《Front. Struct. Civ. Eng.》发表研究，提出“数据驱动+AI补全”的新方案：用全卷积神经网络（FCNN）“智能补全”缺失的位移场数据，再用卷积神经网络（CNN）“解码”结构有序性，不仅在96个位移数据点时就能实现高精度预测，准确率还比传统遗传算法（GA）显著提升，为建筑结构优化、新材料设计装上“智能引擎”。

结构预测的“老大难”：数据不全，传统方法“猜不准”也“算得慢”

在建筑抗震设计、航空材料研发中，“结构有序性”是关键——它决定了材料的强度、韧性等核心性能。但现实中，通过实验或模拟获取的位移场数据往往“缺斤少两”：比如传感器故障导致部分数据丢失，或为节省成本只测量了少量关键点。这时，如何从有限数据反推完整的结构有序性，就是力学领域的“逆问题”。

传统方法如遗传算法（GA），像“逐个试错”的笨办法：通过随机生成结构参数，反复比对模拟结果与实测数据，耗时且准确率低。“就像根据模糊的影子画人像，画了几百张才勉强像一点，还可能完全跑偏。”团队负责人打比方。研究显示，用GA处理96个位移数据点时，结构参数预测准确率常低于80%，且计算时间长达数小时，严重制约了设计效率。

FCNN“补拼图”+CNN“解密码”：AI双模型攻克数据缺失难题

团队另辟蹊径，用AI构建“数据补全-结构预测”双流程：先让FCNN当“拼图大师”，补全缺失的位移场数据；再让CNN当“结构侦探”，根据补全后的完整位移场反推结构有序性（Fig. 1）。

“第一步是‘补全残缺拼图’。”团队成员解释，FCNN分两步补全位移场：FCNN1先补全96个缺失的位移值，就像“用已知碎片推测相邻拼图的图案”；FCNN2再优化整体位移场，让补全结果更贴合实际力学规律（Fig. 3）。全卷积神经网络（FCNN）的优势在于“见微知著”，能利用位移场的空间关联性，即使只有少量数据点，也能像“根据边缘轮廓还原整幅画”一样补全缺失信息。

补全后，CNN登场“解码结构”。卷积神经网络（CNN）像“结构翻译官”，通过学习大量位移场与结构参数的对应关系，构建从完整位移场到结构有序性的“映射密码”（Fig. 6）。比如，位移场中某区域的“凹陷”可能对应结构中的“薄弱环节”，CNN能快速识别这些特征并反推出具体的结构参数。

实测“成绩单”：补全误差小于5%，预测准确率超传统方法

团队用超胞在外部载荷下的位移场数据测试了双模型性能。FCNN补全结果显示，无论是补全96个还是121个位移值，平均相对误差都控制在较低水平（Fig. 9），就像“拼图补全后与原图几乎看不出差别”。

更关键的是结构预测准确率。当仅用96个位移数据点时，数据驱动方法（FCNN+CNN）的预测准确率显著高于传统GA方法（Fig. 12）；即使对比121个数据点的情况，AI方法仍保持优势。训练过程中，FCNN的损失函数随迭代快速下降（Fig. 7、8），CNN的准确率稳定提升（Fig. 10），说明模型不仅“学得快”还“记得牢”。

“传统方法处理96个数据点可能需要几小时，还容易‘猜偏’，而AI方法几分钟就能给出高精度结果。”团队负责人补充，这意味着在材料设计中，原本需要反复实验获取的结构参数，现在通过少量数据和AI预测就能快速得到，大大节省了实验成本和时间。

从实验室到工厂：AI破解逆问题，加速新材料“从设计到应用”

研究团队指出，该方法不仅适用于简单结构，未来还可扩展到复合材料、复杂建筑等更复杂系统。比如在新能源电池电极材料设计中，通过少量位移数据快速预测电极的微观结构有序性，优化其导电性能；在高层建筑抗震设计中，根据局部振动位移反推整体结构的薄弱区域，提前加固。

“数据驱动方法为力学逆问题提供了‘新范式’。”团队表示，随着模型进一步优化，未来可能实现“实时预测+动态调整”，让结构设计从“经验试错”迈向“智能精准”，助力我国在先进材料和绿色建筑领域抢占技术高地。

来源: FrontCIVlL