廣義上，具有非均勻微觀結構的材料被稱為異質結構材料。然而，傳統(tǒng)的金屬基復合材料（MMCs）往往無法同時實現優(yōu)異的強度和韌性。例如，粗粒（CG）金屬通常具有較高的韌性，但屈服強度較低。相反，將晶粒細化到微觀或納米尺度可以顯著提高強度，但往往會導致韌性顯著降低[1]，[2]。異質結構（HS）材料具有特定的異質微觀結構，能夠產生異質變形誘導（HDI）應力，展現出協同強化機制，從而提高強度和韌性。例如雙模晶粒結構、層壓復合材料、諧波結構和梯度結構都表現出優(yōu)異的力學性能。異質變形在軟質相中產生背應力，在硬質相中產生正向應力。由此產生的異質變形誘導（HDI）應力硬化和HDI應變硬化對于提高HS材料的力學性能至關重要[3]。背應力的產生主要歸因于晶界附近和不同相之間界面處的高位錯（GNDs）積累，這是由這些區(qū)域的應變不兼容性引起的應變梯度驅動的[4]，[5]。這種異質性導致了區(qū)域間的約束，產生了獨特的局部應力狀態(tài)和位錯行為[6]，[7]。

研究人員發(fā)現，異質結構材料中的界面間距在單軸拉伸載荷下對強度和韌性具有重要影響。黃等人利用原位高分辨率應變映射識別了異質層壓材料中的界面影響區(qū)（IAZs），并提出IAZ顯著提高了金屬材料的強度和韌性[8]。IAZ寬度不受外部載荷的影響，但對界面間距的變化敏感[6]。該區(qū)域內的急劇應變梯度導致GNDs的大量積累[9]，從而產生HDI應力硬化，并表明最佳的界面間距可以在不犧牲強度的情況下提高韌性。Saba等人的TEM微觀結構表征證實了IAZ內高密度位錯的存在，表明具有優(yōu)異強度-韌性的雙模復合材料需要選擇較小的CG區(qū)域尺寸，以確保CG帶寬度超過IAZ寬度的兩倍，從而最大化界面處的應力梯度[10]。因此，HS結構可以協調多種強化和韌性機制，使基體承受更高的應力，并允許軟質區(qū)域適應更大的局部應變。

趙提出了一種應變梯度塑性模型，該模型在晶粒和樣品層面都考慮了GNDs和背應力，能夠準確預測不同區(qū)域之間的應變梯度引起的泰勒硬化和背應力硬化[11]。李等人通過實驗表明，GNDs可以適應由于異質性引起的不同區(qū)域之間的應變差異，并因此將背應力項納入他們的位錯密度模型[12]，[13]，[14]。王等人利用異質性引起的背應力行為揭示了異質邊界影響區(qū)（Hbar）是額外功硬化的起源，其中硬質區(qū)域中積累的幾何必要位錯（GNDs）產生了背應力并促進了硬化。他們還闡明了Hbar體積分數的變化會影響這種額外功硬化的程度[15]。使用有限元方法（FEM）進行材料損傷行為的數值模擬時，需要考慮材料的多樣性，例如對陶瓷使用脆性斷裂模型，對韌性材料使用韌性損傷模型。在連續(xù)損傷力學（CDM）框架內，Lemaitre模型因其準確性而被廣泛使用，該模型將彈塑性和損傷耦合在一起[16]，[17]。完全耦合的韌性損傷模型通過引入連續(xù)各向同性損傷變量D或各種階數張量（各向異性損傷）[18]，[19]，[20]，[21]，[21]，描述了金屬材料在大塑性應變下的損傷行為。對于MMCs，均質化理論[22]，[23]，[24]，[25]將基體和增強相的彈性和塑性響應等同于均勻復合材料的響應，通過簡化微觀結構建模，降低了有限元分析的計算成本和時間。

在金屬材料中實現強度和韌性的最佳組合一直是研究人員長期面臨的挑戰(zhàn)。Ghaboussi等人率先將神經網絡應用于混凝土的本構建模[26]。最近的研究表明，深度學習和遷移學習模型能夠快速準確地預測復合微觀力學本構模型中的力學性能，從而加速了高通量材料設計的發(fā)展[27]，[28]。由于復合材料的微觀結構即使有微小的改變也會顯著影響其力學性能，因此將微觀結構拓撲作為機器學習（ML）模型的輸入數據至關重要。Ibragimova等人將卷積神經網絡（CNNs）與晶體塑性有限元方法（CPFEM）結合，開發(fā)了一個用于預測局部應力和應變演化的模型，取得了良好的預測準確性[29]。楊等人使用裂紋場模型為CNN模型生成了數據集，并證明將主成分分析（PCA）與CNNs結合可以更準確地預測應力-應變[28]。楊等人從單軸拉伸試驗的離散位錯動力學模擬中生成了應變圖，并提出了一種基于CNN的深度殘差網絡，該網絡具有更強的模型泛化能力，能夠比傳統(tǒng)CNNs更準確地預測應力-應變曲線[30]。杜等人使用遷移學習數據優(yōu)化了殘差網絡（Re-CNN），建立了一個物理信息神經網絡模型（PINN），用于預測多晶金屬材料的屈服強度，揭示了從多尺度力學性能預測角度預測線性強化關系的物理規(guī)律[31]。梅等人構建了一個三維卷積神經網絡（3D CNN）框架，以更好地研究微觀結構動力學與宏觀應力狀態(tài)之間的關系，包括應力超調和應力松弛[32]。Muhammad等人[33]使用包括尺寸、形態(tài)、體積分數和孔隙分布在內的微觀結構描述符作為人工神經網絡的輸入特征。所提出的神經網絡模型成功預測了拉伸變形過程中的局部應變、塑性各向異性和失效行為。

提出了一種數學模型，用于表征CNT/Al雙模粒徑結構復合材料中CG區(qū)域的間距關系。通過調整多個微觀結構參數，構建了不同的幾何配置，以代表不同的微觀結構形態(tài)。采用應變梯度塑性-韌性損傷耦合本構模型系統(tǒng)研究了不同CG區(qū)域間距下GNDs場、應變場和應力場的演變�；�于這一框架，將RVE圖像及其相應的微觀結構參數作為輸入，輸入到ResNet50-iAFF深度學習模型中，快速預測不同微觀結構配置下的應力-應變響應。以最大真應力（MTS）和斷裂應變（FS）作為雙重優(yōu)化目標，應用多目標進化算法確定具有最佳強度-韌性協同性的微觀結構參數。最后，對最優(yōu)微觀結構與其他微觀結構進行了比較分析，從應力和應變分布以及GND熱點定位方面進行了研究，揭示了微觀結構特征與宏觀力學性能之間的內在相關性。