人工智能在材料工程中的应用:从理论到实践电子书

目录

推荐序

序言

第1章 绪论

1.1 人工智能的应用和发展

1.2 材料工程的特点和瓶颈

1.3 计算材料科学的基础概念

1.4 集成计算材料工程介绍

1.5 人工智能应用于材料科学与工程的内涵与意义

1.5.1 人工智能应用于材料科学与工程的目的与意义

1.5.2 人工智能应用于材料科学与工程的基本概念

1.5.3 人工智能应用于材料科学与工程的一般过程

第2章 人工智能应用于材料科学与工程的技术体系

2.1 人工智能应用于材料科学与工程的基本框架

2.1.1 基本框架概述

2.1.2 数据产生的过程

2.1.3 模型建立的方法

2.1.4 软件开发与系统优化

2.2 人工智能应用于材料科学与工程的理论基础

2.2.1 大数据来源与治理技术

2.2.2 人工智能技术

2.2.3 智能优化设计技术

2.3 人工智能应用于材料科学与工程的设计原则

2.4 人工智能应用于材料科学与工程的关键技术

2.4.1 高通量材料数据收集与筛选

2.4.2 有效材料数据生成技术

2.4.3 材料图像数据处理技术

2.4.4 材料性能预测与模拟

2.4.5 新材料设计与优化

第3章 材料工程中大数据来源与治理技术

3.1 大数据基本概念和理论

3.2 材料大数据来源与获取

3.2.1 实验数据

3.2.2 仿真数据

3.2.3 第三方数据

3.2.4 数据质量控制原则

3.3 材料大数据预处理技术

3.3.1 缺失值处理

3.3.2 数据清洗和去重

3.3.3 异常值检测

3.4 有效材料数据生成技术

3.4.1 材料数据的预处理

3.4.2 材料数据物理规则挖掘

3.4.3 有效材料数据生成模型构建

3.4.4 材料数据验证与迭代生成

3.5 材料大数据挖掘技术

3.5.1 异常检测与预测

3.5.2 大数据知识提取

3.5.3 实时数据处理与流式分析

3.5.4 时间序列分析与预测

3.6 大数据可视化技术

3.6.1 数据可视化工具和技术

3.6.2 数据探索和发现潜在模式

第4章 材料工程中应用的人工智能技术

4.1 面向材料工程应用的监督学习方法

4.1.1 决策树

4.1.2 随机森林

4.1.3 支持向量机

4.1.4 朴素贝叶斯

4.2 面向材料工程应用的无监督学习方法

4.2.1 聚类分析

4.2.2 关联规则挖掘

4.2.3 主成分分析

4.3 面向材料工程应用的强化学习方法

4.3.1 Q-Learning

4.3.2 Deep Q-Networks

4.3.3 策略梯度方法

4.3.4 近端策略优化

4.4 面向材料工程应用的集成学习方法

4.4.1 集成学习投票法

4.4.2 集成学习平均法

4.4.3 装袋法

4.4.4 提升法

4.5 面向材料工程应用的深度学习技术方法

4.5.1 卷积神经网络

4.5.2 循环神经网络

4.5.3 生成对抗网络

4.5.4 迁移学习

4.5.5 物理神经网络

第5章 材料工程中应用的智能优化设计技术

5.1 基本概念和理论

5.1.1 基本概念

5.1.2 基本理论

5.2 进化算法

5.2.1 遗传算法

5.2.2 差分进化算法

5.3 群智能优化算法

5.3.1 蚁群算法

5.3.2 粒子群优化算法

5.3.3 人工鱼群算法

5.4 其他智能优化算法

5.4.1 模拟退火算法

5.4.2 免疫算法

5.5 多目标优化方法

5.5.1 线性加权组合法

5.5.2 功效系数法

5.5.3 主要目标法

5.6 不确定性优化

5.6.1 基本概念

5.6.2 不确定性量化

5.6.3 不确定性传递

5.6.4 基于函数展开的方法

5.7 不确定性优化设计

5.7.1 稳健性设计

5.7.2 可靠性设计

5.7.3 可靠性稳健设计

第6章 人工智能驱动的材料工程应用案例

6.1 硬件支持与算力资源需求

6.1.1 处理速度与存储需求

6.1.2 分布式计算集群

6.1.3 网络安全与数据隐私

6.2 人工智能在金属材料中的应用

6.2.1 案例介绍

6.2.2 数据预处理

6.2.3 数据知识挖掘

6.2.4 建模分析与预测

6.3 人工智能在复合材料中的应用

6.3.1 案例介绍

6.3.2 数据预处理

6.3.3 数据知识挖掘

6.3.4 建模分析与预测

6.4 人工智能在连接件及其结构方面的应用

6.4.1 案例介绍

6.4.2 数据预处理

6.4.3 数据知识挖掘

6.4.4 建模分析与预测

第7章 大模型技术在材料工程中的应用

7.1 大模型基础能力与关键技术

7.1.1 大模型的发展概述

7.1.2 大模型的架构演进

7.1.3 大模型的关键技术与能力

7.2 大模型在材料科学中的预训练与适配

7.2.1 数据集构建与预训练准备

7.2.2 预训练技术

7.2.3 优化与任务特定适配：从监督微调到强化学习

7.3 材料大模型智能体的构建

7.3.1 综合智能体的优势

7.3.2 综合智能体的架构与关键技术

7.4 材料大模型智能体的应用

7.4.1 新材料发现的辅助与路径优化

7.4.2 增强的材料科学问答系统与技术文件自动生成

7.4.3 促进学术合作与资源的智能匹配

7.4.4 支持科研决策：专家系统与评审助手