力学进展, 2020, 50(1): 202011-202011 DOI: 10.6052/1000-0992-19-002

力学研究中"大数据"的启示、应用与挑战

杨强1,2, 孟松鹤,1,†, 仲政3, 解维华1, 郭早阳3, 金华1, 张幸红1

1 哈尔滨工业大学特种环境复合材料国家级重点实验室, 哈尔滨150001

2 哈尔滨工业大学材料科学与工程博士后流动站, 哈尔滨 150001

3 哈尔滨工业大学(深圳)理学院, 深圳 518055

Big Data in mechanical research: Potentials, applications and challenges

YANG Qiang1,2, MENG Songhe,1,†, ZHONG Zheng3, XIE Weihua1, GUO Zaoyang3, JIN Hua1, ZHANG Xinghong1

1 Harbin Institute of Technology, National Key Laboratory of Science and Technology for National Defense on Advanced Composites in Special Environments, Harbin 150001, China

2 Harbin Institute of Technology, Postdoctoral Research Center for Material Science and Engineering, Harbin 150001, China

3 Harbin Institute of Technology (Shenzhen), Shenzhen 518055, China

通讯作者: †E-mail:mengsh@hit.edu.cn

责任编辑: 丁千

收稿日期: 2018-09-5   接受日期: 2019-03-6   网络出版日期: 2019-03-19

Corresponding authors: †E-mail:mengsh@hit.edu.cn

Received: 2018-09-5   Accepted: 2019-03-6   Online: 2019-03-19

作者简介 About authors

杨强,1989年出生,哈尔滨工业大学材料科学与工程在站博士后,助理研究员.主要从事极端环境下材料与结构的设计,及其力学行为建模、响应分析研究,近年来主要关注数据驱动与不确定性量化方法等.发表学术论文10余篇,受理或授权专利5项.

孟松鹤,1969年出生,哈尔滨工业大学航天学院院长,复合材料与结构研究所暨特种环境复合材料技术国家级重点实验室教授、博士生导师,长江学者特聘教授,中国复合材料学会常务理事.长期从事高温复合材料与环境耦合模拟、高温性能测试与表征、结构响应获取与分析等方面研究工作,在超高温烧蚀防热复合材料模拟表征、非烧蚀防热复合材料强韧化、大尺寸晶体和薄膜材料生长技术以及高温环境在线测试技术等方面取得成果,获国家科技进步二等奖1项、技术发明二等奖2项,国家自然科学二等奖1项,发表重要学术论文60余篇,授权发明专利40余项.

摘要

大数据在全世界发展迅猛, 应用成效显著.大数据独特的思维和方法, 为科学研究与探索提供了全新的范式.力学研究中,高时空分辨率、多参数同步观测与高精度、大规模模拟手段的发展,为力学大数据的发展提供了契机,大数据、机器智能方法的应用正呈现快速上升趋势.本文旨在分析大数据思维方法在力学研究中的应用, 及其启示与挑战.首先从大数据资源、大数据科学及大数据技术3个层面分析了大数据的内涵及研究态势,概括了国内外政府及组织机构的大数据发展规划.而后对比分析了力学思维方法与大数据思维方法的特点,指出两者的本质区别在于数据使用方式的不同而带来的范式差异:大数据采用数据驱动模型替代力学中的偏微分方程组以描述问题,在复杂系统的分析、预测中优势显著.回顾了大数据方法在材料性能预测、材料本构建模、湍流建模、结构健康监测及试验力学等方面的最新研究进展,以及动态数据驱动与数字孪生等大数据驱动的建模模拟新范式.总结了大数据在力学研究中应用的3种方式, 即驱动已有模型改进,挖掘复杂隐含的规律, 以及替代已有的理论方法等. 最后,建议以力学研究为主体和牵引, 大数据与力学双驱动,推动大数据与力学交叉形成理论与方法突破、及学科发展新方向.

关键词： 力学 ; 大数据 ; 数据科学 ; 复杂性 ; 不确定性

Abstract

Big Data has developed rapidly and made remarkable achievements. The unique thinking and methodology of Big Data provide a new paradigm for scientific research. High spatial-temporal resolution and multiple-parameter synchronous observation methods are offering opportunities for Big Data driven mechanics. Applications of Big Data or machine intelligence methods in mechanical researches have grown rapidly. This review is focused on the impact of Big Data method and its way of thinking on mechanical research and the corresponding challenges. First, the connotation and research situation of Big Data in three aspects, i.e. Big Data itself, Big Data science and Big Data technologies are discussed, and Big Data development plans of governments and organizations are summarized. Comparative analysis of the mechanical methodology and the Big Data methodology were carried out, with focuses on paradigm differences in utilization of data. Instead of partial differential equations used by mechanics, data driven models are used for mathematical descriptions of the underlying physical problem in the Big Data paradigm. The latter shows advantages in simulations and predictions of complex systems. Latest researches in material performance prediction, constitutive modeling, turbulence modeling, structural health monitoring, and experimental mechanics using Big Data, as well as Big Data driven new paradigm of modeling and simulation including Dynamic Data Driven Application System and Digital Twin are reviewed. Three kinds of Big Data driven mechanical researches are summarized, i.e. data driven improvement of existing methods, data mining for hidden and intrinsic physical laws, and data based new methodologies and theories for mechanics. A mechanics-centric approach employing both the prior knowledge of mechanics and advantages of Big Data methodology is recommended for a vision of breakthroughs along with new subject directions in mechanics.

Keywords： mechanics ; Big Data ; data science ; complexity ; uncertainty

PDF (9177KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

杨强, 孟松鹤, 仲政, 解维华, 郭早阳, 金华, 张幸红. 力学研究中"大数据"的启示、应用与挑战. 力学进展[J], 2020, 50(1): 202011-202011 DOI:10.6052/1000-0992-19-002

YANG Qiang, MENG Songhe, ZHONG Zheng, XIE Weihua, GUO Zaoyang, JIN Hua, ZHANG Xinghong. Big Data in mechanical research: Potentials, applications and challenges. Advances in Mechanics[J], 2020, 50(1): 202011-202011 DOI:10.6052/1000-0992-19-002

1 引言

大数据在全世界迅猛发展, 引起了学术界、产业界和政府部门的高度关注, 尤其是在商业、交通、医疗等诸多领域取得成功应用. 中国、美国、英国、日本等许多国家已将大数据上升为国家发展战略, 昭显其在推动创新方面的潜力, 及其在公共卫生、科学教育、公共安全、交通运输等众多领域的广阔应用前景. 大数据的"量变"引发了人类进行分析和思考模式的"质变", 尤其是大数据时代最大的转变从探求因果关系变成挖掘相关关系, 也就是说只要知道"是什么", 而不需要知道"为什么". 这颠覆了千百年来人类的思维惯例, 对人类的认知和与世界交流的方式提出了全新的挑战.

力学为人类认识自然和生命现象、解决实际工程和技术问题提供理论与方法, 具有严密、成熟的理论体系和"实验观测、力学建模、理论分析、数值计算"相结合的研究方法. 随着研究对象的复杂化和现代工程带来的艰巨挑战, 力学中固体强度、湍流、复杂系统动力学等经典问题在现有理论框架下未能彻底解决, 认知缺乏与理论限制、建模与分析方法存在局限、计算与试验能力不足以及确认和验证难以实现等问题愈发凸显, 其中体现着高维度、非确定性、多尺度等复杂系统的共性问题.

力学善于学科内外交叉并能够不断丰富内涵, 是其长期保持旺盛生命力的关键. 力学学科新的突破点和体系革命可能会在新的学科交叉中得以显现. 大数据思维和方法虽与力学传统思维和方法有明显的不同, 如强调关联, 强调全样本, 强调数据时效性和多样性, 但在一些复杂系统的预测与控制中获得了较好的效果, 这也是大数据方法的突出优势. 在力学与大数据科学的交叉中, 大数据本身、大数据思维和大数据收集/处理/分析/挖掘方法会对力学学科 自我发展和提升解决问题能力有什么样的启发和作用, 力学的经典理论和方法又对大数据这样的新兴科学有什么样的帮助和借鉴, 是非常值得研究和讨论的问题. 本文以此为主题, 首先梳理大数据的概念内涵及发展、应用动向, 而后对比分析大数据与力学思维方法的差异, 并主要以研究案例的形式分析力学研究中大数据的应用动态, 最后对大数据带来的启示、与力学相结合的挑战与发展建议作初步的探讨.

2 大数据及发展态势

2.1 何为大数据

到目前为止, 大数据在学术界和业界还没有统一、标准化的定义. Gandomi & Haider 2015, Mauro et al. 2016 认为大数据的内涵既包括大数据的数据本身和大数据相关的处理分析技术, 也包括大数据解决问题的方式与理念. 其中, 数据是开展分析、获取价值的基础资源, 大数据思维是指导数据运用及获取价值的核心, 大数据分析处理技术是实现上述过程的关键. 理解大数据的内涵, 也应当从"大数据作为一种资源""大数据作为一种科学方法"及"大数据作为一种前沿技术"这3个层面出发.

2.1.1 大数据资源

一般认为, 大数据本身是指所涉及的信息量规模巨大, 无法通过目前主流软件工具在合理的时间内达到获取、管理、处理并整理成为帮助决策的信息, 需要新处理模式才能成为具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资源.

早在20世纪90年代, 被称为"数据仓库之父"的Bill Inmon就开始关注大数据, 当时的大数据还被称作海量数据(Inmon et al. 1999). 大数据最初显现于运营系统记录的数据, 如超市的销售记录、银行的流水记录以及医院的病历记录等(交易型数据). 互联网时代下所产生以用户交互与原创内容为特征的大量数据造成了数据量的第一次飞跃(行为型数据). 大数据的第二次飞跃得益于传感技术与物联网技术的发展, 使得自动采集和感知的数据呈现爆发态势(özköse et al. 2015, Sun et al. 2016, 孟小峰和慈祥 2013). "万物互联"以及无处不在的传感和控制 时时刻刻在产生数据并利用数据辅助决策, 这也被誉为大数据的"第二次浪潮" (Darema 2018). 在科学研究领域内, 高性能数值模拟方法及各类高通量的试验仪器 正帮助研究人员获取大量的数据, 从而形成"科学大数据" (郭华东等2014).

综合国际数据公司IDC (Gantz & Reinsel 2011), Gartner Group (Genovese & Prentice 2011)及IBM (Schroeck et al. 2012)等机构对大数据进行解析. 大数据的特征体现在5个方面, 即业界耳熟能详的5V: 数据量(volume)、分析和处理速度(velocity)、数据种类和来源多样化(variety)、数据价值(value)和隐藏知识的真实性(veracity), 如图1 所示. 其中:

(1)体量大: 是指数据量大. IDC在2011年的一份报告指出, 世界整体创建和复制的数据量为1.8 ZB, 这个体量在5年内增长近9倍, 且至少每隔两年翻一番;

(2)速度快: 是指数据实时的产生和采集, 且数据的价值随着时间的增加迅速降低, 对数据的处理分析也需要快速的完成, 具有典型的时效性特征;

(3)多样性: 是指数据的来源和类型存在明显的多样性和异质性;

(4)真实性: 是指数据中存在错误, 数据混杂且可信度存疑;

(5)价值稀疏性: 是指数据中的价值密度不高, 需要通过分析、挖掘才能获取.

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   大数据的外在特征: 5Vs (Demchenko et al. 2013)


从大数据的5V特征中, 可以看出大数据区别于"小数据"的核心内在特征,包括:

(1)完备性: 数据能够准确描述系统的高度非线性特征, 涵盖稀有数据和偶发特征. 如图2(a)所示, 小数据情况下描述数据点的模型可能有多个, 模型非确定性明显, 而大数据条件下则能准确表述对象的非线性特征;

(2)高维度: 数据的信息丰富且全面, 能够反映系统的全貌. 如图2(b)所示, 数据在低维空间内观察数据点是散乱无章的, 而在高维空间内集中在一个S型曲面上 (Cayton 2005);

(3)内在结构复杂: 数据能体现隐含的系统复杂因果关系. 如图2(c)所示, 小数据条件下无法建立全面的数据内部结构, 而大数据条件下则能在数据特征间建立广泛联系;

(4)结构动态变化: 大数据的结构开放, 系统内在特性的改变将会反映在数据结构中, 使得数据能够实时地反映系统当前特性, 如图2(c)所示.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   大数据的内在特征: (a) 覆盖全, (b) 维度高, (c)内部结构复杂且处在动态变化中


2.1.2 大数据科学

有别于大数据本身, 大数据科学是以大数据为研究对象, 旨在发展从数据中提取知识、获取价值的所需方法, 包括数据挖掘与数据驱动方法等, 是在统计学的基础上与人工智能、机器智能等融合, 又与自然、工程、社会科学等研究领域相互交叉而形成的新兴学科(Gu & Zhang 2014). 大数据的完备性、高维度和实时性, 又使得大数据科学方法有别于传统统计学. 如图3所示的DIKW (data, information, knowledge, wisdom)模型对认识大数据科学中数据的转换十分有用(Ackoff 1989, Rowley 2007). 数据是基础, 是客观事物的数量、属性、位置及其相互关系的抽象表示; 结合情境从数据中提取信息, 赋予数据具体的含义、逻辑和价值, 表现为具体物理状态或过程的描述; 通过对信息的归纳、演绎等 提取出信息中有价值的部分沉淀为知识, 表现为模型、规律等; 在知识的基础上, 正确解决问题的能力称之为智慧, 表现为优化、控制、决策等(Batra 2014, Jifa & Lingling 2014).

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   DIKW模型中数据演变过程


大数据分析(Big Data analytics)是大数据科学主要发展的方法论之一, 是指从大数据中找出可以帮助决策的隐含模式、未知的相关关系以及其他有用信息的过程, 也即如何从数据中提取有用的信息, 并将上述信息转化为可执行的知识(Banerjee et al. 2013, Deka 2014, Russom 2011, Sivarajah et al. 2017). 大数据分析主要包括以下3种模式:

(1)描述性分析: 揭示发生了什么. 大多数原始数据, 尤其是大数据, 并不便于人类直接理解, 将原始数据总结成可以理解的格式, 将大数据压缩成更小、更有用的信息块.

(2)预测性分析: 预测未来可能发生什么. 预测性分析通过挖掘历史大数据中的模式或关系, 分析趋势、生成预测模型和评分来评估未来可能发生的事件.

(3)规定性分析: 确定应采取的策略. 规定性分析基于预测模型, 分析不同决策下可能出现的不同结果, 并对特定目标给出决策的参考建议.

其中, 准确描述现象是基础, 预测能力是核心, 规定性分析是产生价值的途径, 三者结合构成了完整的方法体系.

2.1.3 大数据技术

在数据应用的价值链中, 大数据技术旨在发展应用大数据解决实际问题所需的关键技术, 包括数据采集与整理、基础硬件构架、软件平台与应用工具等 (Kambatla et al. 2014). 大数据不同维度特征给大数据技术带来不同的挑战, 例如: (1)数据体量的快速膨胀及快速产生使得数据的存储和传输技术难以满足要求; (2)结构化数据库技术不再能够满足数据多样性的要求; (3)数据产生及其价值的时效性需要实时的数据处理模式; (4)数据中存在错误和价值稀疏的特点也需要进行全新的数据处理和挖掘工具. 满足上述挑战, 需要数据分析处理的硬件构架、系统平台及软件工具的整体升级, 以实现高速捕获、分析并从大量异构数据中提取价值. 表1 总结了大数据在硬件、软件及应用各个层面的技术(Landset et al. 2015, Singh & Reddy 2015, Tsai et al. 2015, 张锋军 2014, 刘智慧和张泉灵 2014).

表1   大数据技术

新窗口打开| 下载CSV


吴甘沙(英特尔中国研究院)将大数据技术发展的驱动力分为3类, 即数据自身的治理、大数据下实时计算以及如何更有效地从数据中提取价值(吴甘沙 2015a, 2015b, 2015c), 摘述如下:

(1)大数据自身的治理: 针对大数据自身高速膨胀、异质化特性, 发展NoSQL, NewSQL等新兴数据库技术实现大量非结构化数据的管理; 发展各类分布式文件系统来实现大体量数据存储, 以及异质化存储以平衡数据存取速率与体量的矛盾; 针对非结构化数据, 发展属性分析、自动挖掘与信息组织、表达工具. 针对数据安全性与隐私, 发展数据加密、访问控制、数据匿名化及多方安全计算等技术, 在保证数据、系统及使用安全性的同时不损失价值(Han 2017, Terzi et al. 2015, Min et al. 2014a, Raj 2018).

(2)大量数据下的实时计算: 大数据的上层需求和下层的数据都处在动态之中. 针对大数据应用的数据密集特点, 总体上需要`将计算靠近数据'. 一方面发展内存计算、内存存储以及高速互联网络等硬件构架, 同时依据硬件特点对大数据分析处理的软件、工具进行底层优化, 如将机器学习算法与底层系统配合起来的大学习系统; 另一方面, 发展数据压缩技术、数据采样与近似及数据降维等能够降低数据杂度, 以及适应于大量数据的简单算法、组合建模与混合建模等方法以降低计算的复杂度; 与此同时, 在并行化与分布式技术的基础上, 针对表格、数组、及图模型等不同类型数据及应用场景, 优化批量计算、流式计算、图计算等计算范式, 发展各类MapReduce等并行编程模型及相应的软件平台以提高处理效率, 并通过平台技术融合实现不同计算范式以满足不同应用需求的协同(Kaisler et al. 2013, Ur Rehman et al. 2016, Yan et al. 2015, Zhang et al. 2017).

(3)更有效地从数据中提取价值: 在数据的体量、维度快速增长的情况下, 发展更为有效的机器智能模型与算法, 以实现从数据中快速、准确地提取信息和知识, 发展数据可视化、以及硬件、软件及分析能力的"云化"方法, 提升大数据作为工具的易用性. 相关的研究动向包括: 针对高维特征、非结构化数据发展深度学习方法以提升大量数据下机器学习的精度, 发展动态的、在线的流式学习方法实现模型精度与实时性的平衡, 以及各类新算法等以捕获稀疏数据特征和价值, 通过云技术实现大数据分析的易用性等(Hashem et al. 2015, Najafabadi et al. 2015).

2.2 发展动向

大数据使得人工智能的性能得到了革命性的提升, 大数据科学方法的应用迅速扩展至各个行业及科学研究领域, 且应用成效显著. 大数据推动着供给侧改革和第四次工业革命(Yan et al. 2017), 各国、组织纷纷提出了大数据和人工智能发展的战略规划(刘叶婷和贾童舒 2013). 2012年3月, 美国政府宣布投资2亿美元, 启动"大数据研究与发展计划", 这是1993年"信息高速公路"倡议之后的第二项重大科技发展计划(U. S. Government 2012). 2012年7月, 日本内政和通信部发布的"振兴ICT日本"项目表明, 大数据发展应该是国家战略, 应用技术应该是重点(魏红江 等 2016). 2012年7月, 联合国发布了"大数据发展"报告, 总结政府如何利用大数据更好地服务和保护其人民(Kirkpatrick 2013). 我国更是提出要"实施国家大数据战略加快建设数字中国"(中国信息化刊 2017).

与此同时, 各科学研究组织积极探索"大数据"的落地应用. 美国空军科学实验室于2008年启动动态数据驱动应用系统(Dynamic Data Driven Application System, DDDAS)专项资助, 近年来推动动态大数据驱动应用系统, 旨在利用大规模传感网络解决复杂系统预测和决策问题, 如自感知飞行器、气象预报、无人机群管理等(Darema 2018). 美国国防高级研究计划局(Defense Advanced Research Projects Agency, DARPA)于2014年启动了"大机理"项目, 将文献资料作为大数据, 致力于发展自动化文献阅读和分析工具, 以提取因果机制和知识, 发掘隐藏在数据中的模型, 以帮助理解复杂系统. 该计划的先行领域是癌症生物学, 通过强调因果模型的挖掘和推理, 大机理项目将改变科学研究的方式并成为科学的未来(Cohen 2015, Rzhetsky 2016). NASA Langley研究中心启动了"综合数字化转型"计划, 旨在发挥综合数字化工具和技术能力的催化剂作用, 实现相关创新研究、系统分析和设计的转型变革, 保持NASA在航空航天领域的领先地位. 该计划将大数据分析作为核心发展能力, 2016年发布了"大数据分析和机器智能能力: 战略、路线及进展"报告, 并指出大数据和机器智能是分析和设计的力量倍增器, 规划了数据密集型科学发现、深度内容分析及深度问答3个核心发展领域(Ambur et al. 2016, Morrison et al. 2016).

大数据本身、大数据方法和思维也在学术界引起了广泛的讨论, 并成为研究的焦点和热点. 如何从历史数据中挖掘出有用的信息和知识来指导设计研发, 如何利用大数据方法开展科学研究是当前科学研究领域内关注的核心问题. 目前国内外已经出现数十本与大数据或数据科学相关的杂志, 多个大数据主题的国际学术会议, 及研究机构等(朝乐门和卢小宾 2017). 2008年和2011年《自然》和《科学》分别推出了大数据专刊, 简述了大数据在未来研究的突破口, 并总结了在当前诸多领域的重要应用(Duncan 2008, Science staff 2011). 2008年, Computing Community Consortium发表了有影响力的白皮书《大数据计算: 在商务、科学和社会领域创建革命性突破》, 提出大数据真正重要的是新用途和新见解, 而非数据本身(Bryant et al. 2008). 美国科学院在2014年组织召开《材料研发中的大数据》研讨会, 系统研讨了大数据技术在物理学、材料基因组、集成计算材料科学、智能制造等领域的潜力和应用. 国际科技数据委员会与中国科学院于2014年在北京召开了"大数据与科学发现国际研讨会", 分析大数据在全球变化、数字地球、高能物理、计算生物学等领域的应用, 挖掘大数据在科学探索中的应用、价值和挑战(郭华东 2014).

在国内, 2014年10月以"科学大数据的前沿问题"为主题的香山科学会议第507次学术讨论会在北京香山饭店召开. 来自信息科学、遥感科学、地理学、气候学、大气科学、高能物理学、天文学、生物学、农学、医学、材料、化学、法学等学科领域的45位专家出席了会议. 本次会议针对面向科学大数据研究基础设施、大数据时代科技创新的新模式、科学数据共享新机制和新趋势、科学大数据学科发展与人才培养等4个中心议题进行了充分讨论. 会议认为科学大数据正在改变传统的科研方式, 成为认识自然的钥匙和科学发现的新引擎和新源泉, 科学大数据驱动各学科新发现的研究模式和引导案例正在探索中(杨炳忻 2015). 2018年12月, 在国家自然科学基金委的支持下、由哈尔滨工业大学牵头组织, 在深圳召开了"大数据驱动下力学的机遇与挑战"研讨会. 会议邀请了交叉力学、力学信息学、材料基因工程、装备结构性能检测、结构健康监测、动力学系统与控制、计算力学、实验力学、多场耦合力学、载人航天及科学哲学等方面的专家出席, 报告了大数据方法、智能方法应用进展, 会议普遍认同大数据与力学交叉将出现新的学科方向增长点, 同时也强调了力学的主体作用.

2.3 大数据应用

近年来, 大数据的应用已经渗透到各行各业之中. 以"Big Data"为关键词检索SCI数据库, 对2018年发表的期刊论文进行了统计, 结果如图4 所示. 可见大数据研究和应用最热门的领域包括计算机科学、工程学、数学、商业经济、环境科学、通讯、计算生物学、医疗卫生等.

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   大数据应用图谱


麦肯锡的一份报告指出, 大数据通过给出有益的模式或知识, 已经成为生产力和创新的下一个前沿(Manyika et al. 2011). 在商业中, 大数据在提高运行效率、指导商业决策、改善客户服务、发现新市场等环节中起到了重要的作用, Brynjolfsson 等 (2011)发现采用"大数据分析"的美国公司的产出和生产率比他们的其他投资和信息技术的使用要高出5% ~ 6%. 在工业部门, 利用大数据可以构建智能工厂、设备机群自动优化与预防性维护、能源管理、生产线调整等(Wang et al. 2018). 在医疗健康领域, 大数据在公共卫生管理、医学图像信号分析、个性化医疗等领域已经获得成功应用(Belle et al. 2015, Groves et al. 2013, Viceconti et al. 2015). 在科学研究中, 高能物理、天文学、气象学、地球物理、生物信息学等领域已经成为典型的数据密集型科学. 在工程实践领域, 大数据被普遍用于优化流程、诊断结构或装备状态(Wu et al. 2018, Kapliński et al. 2016). 有关大数据在各领域的应用, 已经有较多综述性文章(Katal et al. 2013, Min et al. 2014, Wamba et al. 2015, Zhang & Chen 2014), 本文不再赘述.

3 大数据思维方法特点

本节首先分析大数据思维方法的特点, 而后将其与力学思维方法进行对比分析, 提出当今力学在解决复杂问题中面临的困难, 并分析力学与大数据交叉有可能带来突破的原因.

大数据方法通过挖掘数据来寻找数据规律, 并利用数据之间的相关关系来解释现象和预测未来, 也即"让数据发声". 核心是建立在数学模型和算法基础上的科学预测活动, 即研究探索海量数据之间的内在逻辑和关联方式, 预测事情发生的可能性. 大数据方法本质上属于归纳法, 但也有其鲜明的特征, 如尝试利用所有数据进行分析; 与准确的少量数据相比, 更倾向于采用大量复杂的数据; 关注事物之间的相关关系, 并认为相关关系比因果关系更为稳健、易用; 大数据的简单算法比小数据的复杂算法更有效等. 舍恩伯格在《大数据时代: 生活、工作与思维的大变革》(舍恩伯格和库克耶 2013)中总结了大数据方法的3个特征: (1)不是随机样本, 而是全体数据; (2)不是精确性, 而是混杂性; (3)不是因果关系, 而是相关关系. 大数据方法基于"数据驱动", 数据混杂性导致维度增加, 可以将原来看似无关的维度联系起来, 维度间相互交叉, 极大增强了数据之间的关联性获取, 帮助发现更多的可能性和关联性.

"机器学习"是当今最热门的研究方向之一, 是指采用计算程序的方法从数据中获取知识, 包括关联、分类、聚类和回归4类典型模型(Al-Jarrah et al. 2015, Qiu et al. 2016). 大数据的出现使得数据驱动的机器学习方法性能出现革命性提升, 成功应用于各个领域(Dhar 2013, O'Leary 2013, Zhou et al. 2017, 孙松林和陈娜 2016). 以机器翻译为例, 20世纪90年代以前的机器翻译尝试通过模仿人类学习外语的方式, 通过定义语法规则来进行翻译, 但发现语法规则达到2万条以后仍有约20%的英语语言现象无法覆盖. 可以认为这一时期的机器翻译是基于模型的, 但针对语言这样的复杂系统难以奏效. 90年代后IBM设计出采用数学模型+数据的方法翻译自然语言的框架, 但由于当时数据量不足, 这种基于统计的机器翻译效果并不如基于规则的方法. 而后, 谷歌机器翻译系统将数据量提高到原来的10 000倍, 在短短半年内将机器翻译和人类翻译的一致性提高到35%以上(人类专家的翻译一致性仅50%), 远超世界各类机器翻译系统(吴军 2012).

大数据方法背后是分析和思考模式的"质变". 大数据时代最大的思维方式转变是从探求因果关系, 变为挖掘相关关系, 也就是说只要知道"是什么", 而不需要知道"为什么". 这种思维的本质是认为数据里的信息已经足够(数字构成世界), 也即数据可以体现物理本质、自然界的物理关系, 物理关系也可以从数据的收集、挖掘中获取(数字表达世界). 与此同时, 科研方法正在从传统的假说驱动型方法转向基于数据的探索型方法. 科研人员不再问"我如何设计实验来验证这一假说", 而是问"我可以从数据中发现什么". 通过数据分析, 可以发现自然和人为现象背后的模型(黄欣荣 2015, 张晓强 等 2014, 戴潘 2016). 从大数据方法的特点可以看出, 大数据的体量是否足够大、特征维度是否足够多、内在结构是否足够复杂、更新迭代速度是否足够快, 是大数据方法能否准确表征系统非线性、复杂机理及动态演化特性的基础, 因而上述特征也是大数据区别于其他数据的核心特征.

力学具有严密、成熟的理论体系和"实验观测、力学建模、理论分析、数值计算"相结合的研究方法. 在实验和假设基础之上, 通过精妙的力学建模和推理过程建立理论, 用严格而理性的数学思维描绘复杂物质世界的现象, 进而深化对实际问题中基本规律的认识; 应用理论和实验相结合的方法, 由表象到本质, 由现象到机理, 由定性到定量, 解决自然科学和工程技术中的关键科学问题. 力学独特的理论体系和研究方法, 使得其在认知和手段都不完善的条件下, 善于从复杂事物和系统中抓住本质, 建立模型, 获取定量化规律, 直接服务于工程.

大数据思维和方法虽与力学传统思维和方法有明显的不同(见表2), 如强调关联, 强调全样本, 强调数据时效性和多样性, 以大样本简单计算(保维降阶)代替小样本复杂计算(保阶降维)等. 这种区别的本质在于数据的使用方式不同: 在力学研究中, 尝试在数据的表象上提炼背后的问题并建立定律模型, 最基本的方式就是通过建立问题的偏微分方程组, 以从数学层面建立原问题的等价描述方式. 一般通过不断改进模型的描述能力来提高模型的预测能力, 往往使得模型越来越复杂, 但对一些复杂系统的描述精度仍不尽人意, 需要数据来标定、修正以及验证模型的有效性. 在大数据思维中, 数据即问题的本原, 采用数据驱动的方法直接用于预测、控制和优化, 也即采用数据驱动的模型替代力学中的偏微分方程组, 问题转变为不断增加数据的体量和维度以及采用更先进的数据分析方法, 从复杂数据集中提取模式可能比使用理论建模更快, 而且预测能力也较强. 与此同时应注意到, 上述仅是评述经典力学方法和大数据方法的特点, 而并非优缺点. 在小数据时代, 找到因果关系是实现以少量数据验证理论、解释更多现象的捷径, 并在实际应用中获得了极好的效果. 力学所发展的试验科学方法、理论建模与演绎方法、计算与模拟方法分别构筑了科学大厦的第一、第二和第三范式, 对整个科学体系的影响深远.

表2   大数据思维方法与力学思维方法的比较

新窗口打开| 下载CSV


随着研究对象的复杂化和来自现代工程中的艰巨挑战, 在复杂介质、极端条件、多场耦合和多尺度等力学前沿问题中, 高维度、非确定性等复杂系统共性特征凸显. 基于第一性原理的建模, 也即尝试建立复杂系统的偏微分方程组显得力不从心, 寻找因果关系模型越来越困难. 本文作者主要从事极端环境下复合材料与结构的行为机理、响应预报及优化设计方法研究. 在该类结构分析中, 材料存在显著的非线性行为与多尺度损伤失效特征、结构响应与环境存在耦合效应, 不得不采用大量的经验模型以及假设、简化等, 进而引入大量的不确定性因素. 随着高维不确定性参数的引入, 模型预测的精度、模型外推的可信度往往难以满足要求(杨强 2019). 举一例说明: 航天飞机热防护系统为防止隔热瓦热变形过大, 采用了多块瓦 $+$ 缝隙组装的方式, 类似的缝隙设计也被用于各类热结构热应力的释放中. 但缝隙成为热气流渗入的通道, 为分析缝隙对热防护温度的影响, 基于第一性原理的分析思路是: 建立两块隔热瓦及缝隙的传热/流动/变形耦合分析模型, 考虑飞行环境对缝隙内的流场特征、气动热效应、壁面辐射效应、瓦热膨胀变形引起流固耦合效应、瓦在高温下热物理特性等多个物理效应开展分析, 需要环境、流动、材料等大量模型参数(霍施宇 2014). 这一过程极为耗时耗力, 但仍难以保证模型准确、有效.

反观大数据方法, 在一些复杂系统的预测与控制中获得了较好的效果, "谷歌流感预测"、"啤酒与纸尿裤"等案例使得大数据思维深入人心. 大数据允许数据和算法揭示复杂系统的规律和模式并实现有效管理, 不追问复杂因果关系却能够实现快速有效的决策, 且似乎适合于任何学科领域的问题, 这正是大数据的诱惑所在. 针对力学当前面临的问题, 大数据方法的显著优势在于通过数据减少认知不确定性、通过数据驱动避免经验建模误差的引入, 进而提高模型的预测能力. 仍以隔热瓦缝隙影响分析为例, 如果通过传感器获取不同服役条件、不同缝隙大小下隔热瓦壁面、背面等不同位置的温度, 同时结合数据挖掘的方式, 分析缝隙造成热防护背面温度上升的关键因素并提出数据驱动的模型, 不失为一种更为有效的方法. 大数据方法构成了科学研究的第四范式, 如图5 所示, 即"数据密集型科学发现" (Kitchin 2014, 戴潘 2016).

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   科学研究的4个范式


当然, 学术界对大数据作为科学研究的第四范式也持有不同观点(Ekbia et al. 2015, Frické 2015, Mazzocchi 2015, Succi & Coveney 2018, Zhou et al. 2014). 批评的焦点在于大数据能否有效进行科学发现: (1)相关性能否替代因果关系; (2)缺乏理论指导能否有效进行数据的收集、挖掘; (3)复杂系统对数据微小错误十分敏感, 数据间的冲突会导致数据的价值随着数据量增加而降低等; (4)大数据幻觉, 即出现"假阳性"等. 这种批评是十分有益的, 它使得我们认清大数据并非万能, 而是存在着明确的能力边界, 即: 大数据本质上处理的是具有足够多、高维度数据, 并只能给出相关性的解释. 与此同时, 也需要发展大数据的科学哲学理论以及更为先进的数据分析方法. 但上述批评与当前各学科(当然也包括力学)采用大数据的方法、结合学科自身的特点开展尝试研究并不矛盾.

总而言之, 大数据是人类用以测量和分析世界的一种创新"工具"和"思维方法", 其本质仍是更多地消除不确定性, 更准确地预测未来, 更有效地做出决策, 大数据加强了我们对这个世界的洞察力、理解力, 标志着人类在寻求量化和认识世界的道路上前进了一大步.

4 力学相关研究态势

上文分析已经指出, 通过构建偏微分方程组建立原问题数学模型、再进行求解的力学方法, 在应对复杂系统问题中存在不足. 相比之下, 大数据通过数据驱动方法直接进行预测或挖掘问题的模型, 优势突出. 本节内容将指出力学研究中所涉及的数据量也在快速增长之中, 这为力学与大数据结合提供了良好的基础. 将通过几个案例分析总结力学研究中的典型大数据、特点及其对力学研究的挑战. 而后从力学近年来的几个经典问题入手, 介绍大数据思维方法在力学中的应用与最新研究进展, 并从中提出、分析"动态数据驱动应用系统"和"数字孪生"两类大数据驱动的新范式.

4.1 力学研究中的大数据

力学研究中各种高时空分辨率观测、测试手段对数据的增长起到了重要的推动作用. 各类传感技术与耐极端环境传感器件的快速发展, 以及多物理参量的同步观测, 使得所能获取的数据类型也在不断地增加, 且数据获取的成本越来越低. 不仅如此, 建模模拟与高性能数值计算, 同样在快速产生类型丰富的数据(Sanchez 2014). 随着数据体量、类型的快速增加, 数据不仅仅是描述现象、验证理论或模拟的依据, 更有趋势成为力学提炼科学问题、产生应用价值的新资源与新方法. 一些典型的力学大数据包括:

(1)材料等微细观结构图像数据: 对微细观尺度特征及其宏观效应影响的研究, 如材料的多尺度力学行为特征的研究, 往往需要材料微尺度随机特征及其受载下演化的大量图像数据. 如利用 Micro CT 监测陶瓷基复合材料裂纹损伤信息和纤维断裂, 典型情况下全分辨率图像每帧高达30 GB (Ushizima et al. 2016, Ushizima et al. 2014). 法国LMT试验曾针对试验力学中所涉及的图像数据量进行了分析, 发现在2001年到2016年共15年内, 数据量从5.0 $\times$ 10$^{7}$增长到1.0 $\times$ 10$^{12}$, 增长速度甚至超过了摩尔定律, 如图6 所示. 其中, 数据量在2007年和2010年分别出现了两次快速的增长, 分别对应于断层成像在材料试验中首次应用及该技术的通用化(Neggers et al. 2018). 若不借助于大数据的处理方法, 将很难从上述体量的数据中, 挖掘出与材料力学行为直接相关的特征.

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   力学研究中图像数据量的增长


(2)多物理场耦合效应表征数据: 如高超声速飞行时的真实气体效应将导致飞行器表面发生严重的环境/材料耦合效应, 其中材料、氧化以及辐射效应不仅直接影响热防护材料的气动热载荷, 同时决定热防护系统的表面状态, 并且三者之间存在强耦合. 这一复杂的传热-传质耦合问题涉及高温空气动力学、工程热物理、材料学以及力学. 表征参量包括来流压力、热流、焓值以及离解气体浓度等环境参量, 以及壁面温度、材料成份、表面微观结构、粗糙度、发射率、热物性等材料响应或属性参量. 在地面模拟测试平台中, 引入非接触式光谱诊断方法, 对试样表面流动区域进行流场组分、表面温度、表面状态进行同步测量, 涉及大量时间、空间相关的测试数据(Meng et al. 2018). 与此同时, 地面风洞设备、飞行试验及地面模拟测试平台的测试原理不一致, 数据类型不同, 天地之间存在显著差异. 大数据挖掘的方法及多元信息融合方法有望在解析材料/环境耦合、建立天地联系中发挥重要作用.

(3)对大型装备或结构的健康监测数据(Cai 2017, Jin 2017): 大型结构所采用的传感器数量和种类越来越多. 以桥梁为例, 其结构健康监测系统涉及的传感器一般包括应变、温度、湿度、变形、加速度、声发射等传感器, 所产生的数据类型丰富、数据结构不一, 且存在大量的噪声和数据异常; 并且, 传感器每天的产生的数据量达到数个GB乃至数十GB以上, 产生的数据速度快、体量大; 与此同时, 桥梁长期监测获取的海量数据中, 仅有少量数据显示结构的损伤, 也即数据的价值相对稀疏. 充分利用这些大数据, 采用数据挖掘、机器学习等方式开展结构状态的诊断、预报及预防性管理, 实现大型工程结构的安全评定、寿命评估及全寿命周期管理, 无疑将在保证结构安全性的同时带来巨大的经济效益.

综合分析不同研究方向的大数据, 可以总结出力学大数据的特点: (1)全空域: 数据往往覆盖对象的全空域, 如采用图像相关技术观测试样表面的全场应变; (2)全时域: 获取所研究对象或过程的全部时间历程上的数据, 如健康监测系统在结构全寿命周期内跟踪的数据; (3)多类型: 力学研究关注力学特性引起的多物理场效应, 试验中往往采用多种监测手段获取同一力学行为的数据, 如材料损伤研究中采用应变、声发射、电阻损伤监测、温度等多个监测手段产生的数据; (4)多尺度: 复杂系统往往具有多尺度特征, 在不同尺度表现出的数据特征不一致, 数据挖掘方法或许能够在尺度间建立联系. 力学数据中, 有价值的数据往往也是稀疏的, 这与我们关注局部或特征行为密切相关. 此外, 力学及其他学科中大数据还存在如下显著特征: 数据表征了物理状态或过程, 因而内含物理约束, 使得其在高维空间内必定表现出稀疏的特征. 如何利用这些数据, 来帮助解决力学研究中的问题, 是当前讨论的热点. 下文将结合大数据与材料行为预测、结构健康监测、湍流模拟及试验力学分析等领域, 开展分析.

4.2 大数据驱动的力学研究

采用"力学"$+$"大数据"$/$"机器学习"作为关键词, 对SCI科学索引数据库进行了搜索, 统计了"大数据 $+$ 力学"相关发表的论文数量, 如图7 所示(截至2018年9月). 图中看出, 从2006年起, 相关论文的发表呈现逐年上升态势, 大数据或机器智能的方法在力学的研究中正逐渐得到重视. 大数据驱动下, 采用各类机器智能方法(聚类、关联、回归、预测)等越来越多地运用到力学研究中, 如把深度学习用于损伤识别和量化、采用流型学习构建材料本构、采用演化推理获取模型最佳解析形式、 采用深度对抗网络求解偏微分方程等. 各类高通量试验手段及数据挖掘、分布式传感及多源信息融合等方法受到重视, 以实现从多维数据中获取多个侧面或更为全面的信息. 最后, 为有效利用复杂系统的数据, 各类数据直接驱动的新计算范式, 如无本构建模的数据驱动计算力学、动态数据驱动应用系统等开始兴起.

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   每年度以”大数据+力学”发表的论文数量


4.2.1 材料性能预测

建立微细观结构特征与材料宏观性能间的量化联系, 一直是材料多尺度力学行为研究和材料优化追求的目标. 通过观测微细观结构特征, 基于统计方法建立其表征方法、或直接基于图像建立模型, 进而利用代表性单元进行材料性能预测的方法, 受到了广泛关注(Meng et al. 2017). 该方法需要从大量的图像数据中, 依据经验提取影响材料性能的关键特征进行量化, 建模表征过程相对繁琐. 采用大数据方法来解决材料性能预测, 即使用数据来识别各种微观结构特征, 并挖掘上述特征与感兴趣的材料特性之间潜在相关性和模式, 进而对材料的性能如强度等做出预测, 或设计优化属性的材料结构, 是大数据的热门研究方向.

基于微结构决定宏观性能的思想, Li等 (2019)基于页岩微细观结构的大量图像, 建立了利用图像预测材料等效弹性模量的方法, 如图8 所示. 采用模拟生成的大量图像及有限元预测的弹性模量作为样本, 训练卷积神经网络以构建微结构与弹性性能间的映射关系. 采用这一关系所预测的弹性参数与有限元模拟结果误差最大不超过3%. Yang等(2018)采用了类似的策略建立了两相夹杂复合材料的等效性能预测方法. Kong 等 (2015)对73种金属化合物弹性性能与电荷密度拓扑进行挖掘分析, 辨识了控制弹性行为的关键变量, 发现C11和C44是由电荷密度决定的, 而C12是由电荷密度的大小或形状决定的, 弹性常数预测的$R^{2}$高于80%, 同时建立了B2晶体结构稳定性的预测方法. Guo 等 (2019)利用63 137条钢材料工艺数据(来自宝钢集团), 挖掘了工艺参数、组分参数等共27个参数与钢材料屈服强度、破坏强度与延伸率之间的关系, 结果表明影响钢力学性能的前3个重要因素分别为: 屈服强度为碳含量(CEQ)、氧含量和炉温, 最终破坏强度为两种碳含量(CEQ, PCM)以及炉温, 延伸率为当前温度、碳含量(CEQ)和炉温. 利用钢材力学性能与27个参数的关联关系, 可以对钢的工艺和组分进行优化, 以实现特定性能钢材的设计. 吴思炜等(2015)针对热轧汽车大梁板, 利用480组17个工艺参数及板材屈服强度、 破坏强度与延伸率的数据, 分析关联关系并筛选出关键工艺参数进行贝叶斯神经网络建模, 模型预测结果中: 抗拉强度和屈服强度96.64%和94.96%的预测值误差在$\pm 6\%$以内; 伸长率96.64%的预测值误差在$\pm 4\%$以内. 采用大数据构建工艺-结构-性能之间的关系进而加速材料研发也正是材料信息学的基本内涵之一, 其包括三部分研究内容, 即: 材料信息数据库、集成材料设计平台和数据挖掘技术(Kalidindi & De Graef 2015, Rajan 2015). 基于大数据的数据挖掘和机器学习等技术, 能够避免复杂物理建模和计算的困难, 同时利用丰富的试验数据信息, 有望将原来的"合成-表征-理论分析"的范式转为为"发现-合成"的范式, 进而加速材料的发现和应用(Agrawal & Choudhary 2016, Dimiduk et al. 2018, Ramprasad et al. 2017, Sumpter et al. 2015, White 2013).

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8   大数据在材料等效性能预测中应用 (Li et al. 2019)


建立大数据驱动材料性能预测(以及材料发现)的核心在于构建材料数据集(包括图像数据、历史试验数据及计算获取的数据等)的"信息描述符", 以帮助完成从数据到信息及知识的转换. 挑战在于材料的内部结构及获取的多尺度、多物理场的数据特征复杂, 如何从数据中找到与材料性能最为相关的量("显著材料特征"), 以提升大数据方法预测的精度. 因为难以预知数据中的哪些特征与材料性能相关. McDowell 和 LeSar (2016)基于$n$点统计, 发展了一套严格的材料随机结构量化框架, 提供了对微观结构的合理的、一般的描述, 并且不限于任何特定的长度或时间尺度.

4.2.2 材料本构建模

连续介质的应力-应变响应、损伤及失效分析中运动方程及连续性方程等从基本物理定律和假设导出, 并不存在非确定性, 导致模型预测结果与试验结果出现差异的原因, 往往是材料本构关系模型不够准确. 本构关系的建立基于热力学第二定律等基本约束, 往往是先进行材料力学性能试验, 而采用材料状态的假设, 构建经验的本构模型, 并采用试验数据进行修正. 这一过程往往需要多个经验函数, 如C/SiC复合材料中损伤变量、损伤演化的定义等(Yang et al. 2018). 对于复杂的材料行为, 经验模型正变得越来越复杂, 也越来越难以修正, 同时经验建模也正是误差引入的原因.

大数据及数据驱动方法用于求解上述边值问题能够避免经验建模的困难及误差. 目前学术界所采用的方法可以归为3种方式, 如图9 所示: (1)驱动经验模型的改进: 相关研究工作包括采用演化推理算法构建最适合于当前数据的本构模型形式(Gandomi et al. 2016, Javadi et al. 2012), 采用增强学习方法自动搜寻最佳的经验函数组合等(Wang & Sun 2018). (2)采用数据挖掘构建本构模型: 基于材料力学性能的数据库和数据挖掘, 构建数据驱动的材料本构模型, 避免经验模型引入的误差. 这方面的研究工作包括: 法国国家科学中心Yvonnet等(2009)、美国西北大学Liu K M团队采用微细观模型构建材料力学行为数据库, 而后采用插值或机器学习的方法, 构建本构模型并用于结构计算(Bessa et al. 2017, Shakoor et al. 2018); ESI公司Ibañez等(2017, 2018)利用复杂试样的复杂加载试验, 提取不同载荷状态下的材料力学行为, 并采用流形学习的方式对复杂数据进行降维, 构建本构模型, 并应用于弹性、非线性弹性与非线性材料行为的建模中. 在此基础上, González等(2019)发展了考虑物理约束的方法. Miñano等(2018)与Crespo等(2017)直接利用试验数据构建本构模型, 避免建模中误差, 发展了WYPiWYG损伤力学方法. (3)数据直接用于计算: 加州理工Kirchdoerfer与Ortiz (2016, 2017) 提出了一种不同的范式, 叫"数据驱动计算". 直接利用试验材料数据构建计算过程, 同时满足基本的以及守恒律的要求, 而直接避免整个经验式的材料建模过程. 通过构建变分原理, 在满足基本物理约束和守恒方程的同时, 通过最小化结构材料点状态和数据点的距离, 来实现问题的求解. 初步研究表明, 这种新的计算范式随着数据量的增加收敛性较好. 而后这种方法又被拓展到非线性弹性力学问题的研究中(Nguyen & Keip 2018), 同时采用Mahalanobis距离来增强方法对噪声的稳健性(Ayensa-Jiménez et al. 2018). 在这种方法中, 由于直接采用数据计算, 不存在经验建模的误差, 模型的预测能力直接由数据库决定, 因而建模问题也转变为数据的收集问题.

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9   数据驱动材料本构行为建模模拟的3种方式. (a) 驱动模型修正, (b)构建新模型,(c)直接用于计算的新范式


上述研究工作面临的共同挑战在于: (1)不论采用何种方法, 均需要材料力学性能的大量数据库以保证方法的收敛性, 这对材料数据库的计算或者高通量试验提出了要求; (2)数据驱动计算往往带来计算量的显著提升; (3)难以在机器学习中引入物理约束; (4) 需要对数据驱动获取的模型进行非确定性量化.

4.2.3 湍流建模模拟

湍流模拟是流场模拟中最为困难的问题. 对于简单的流场可以从N-S方程出发, 采用直接数值模拟获取湍流特性, 但计算成本高昂. 对于复杂流场的计算, 多采用湍流模式理论给出的雷诺数平均N-S方程求解. 该理论假设湍流中的流场变量由一个时均量和一个脉动量组成, 通过将控制方程进行统计平均, 使得其无需计算各尺度的湍流脉动, 只需计算出平均运动, 从而显著减少计算量, 并成为复杂外形湍流模拟中的唯一工程实用方法(Witherden & Jameson 2017). 该方法又称为RANS, 需要给出非线性的雷诺应力来闭合方程. 通过假设湍流雷诺应力与应变成正比, 湍流计算归结为对雷诺应力与应变之间的比例系数的计算. 这一关系类似于固体材料本构, 但雷诺应力的主要贡献来自大尺度脉动, 而大尺度脉动的性质及结果和流动的边界条件密切相关, 因此雷诺应力模型不可能是普适的, 往往需要结合试验数据进行修正(Spalart 2000, Speziale 1998).

相比之下, 有关湍流的试验以及直接数值模拟(DNS)都能够给出不同边界下的湍流特征数据(De Angelis et al. 2002), 多年来已经有大量的积累, 而这正是大数据分析的用武之地. 已经有很多学者利用这些大的高保真数据集结合机器学习算法来构建更精确的雷诺应力模型, 包括美国桑迪亚国家实验室Ling等(2016), 维多利亚理工的Xiao团队(Wang et al. 2017, Wu et al. 2019), 以及密歇根大学的Duraisamy团队等(Duraisamy et al. 2019, Singh et al. 2017). 以Duraisamy等(2019)的工作为例, 该团队基于大数据构建了一种湍流模拟的框架, 如图10 所示. 在该框架中: 首先利用不同的、大量的、多种来源的高质量数据集, 来分析RANS模型中的误差, 以及数据集对应的构型的局部特征向量(如局部无量纲参数), 而后采用机器学习的方式构建上述误差与数据集对应的局部特征之间的函数, 进而增强RANS模型并用于CFD. 将该方法用于不同翼型的分离流预测中已经取得了较好的改进效果.

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10   大数据驱动湍流模拟框架(Duraisamy et al. 2017)


上述研究面临的挑战包括: (1)湍流模拟对雷诺应力模型中的小误差十分敏感; (2)雷诺应力与数据中的哪些信息相关并不明确; (3)从某些构型中学习到的模型必须要拓展到其他构型中, 因为湍流对局部几何特征依赖较强; (4)必须要量化模型中的不确定性因素及其影响; (5)提取的模型必须有较快的计算速度和较好的收敛性能.

4.2.4 结构健康监测

在工程实践中, 结构的损伤意味着结构无法在最佳的状态下工作, 或者在目标服役环境条件下、无法达到设计性能. 结构健康监测(SHM)是利用传感器所获取的数据, 实现结构损伤识别和预警的过程. 工程结构、装备的损伤一般通过服役性能退化体现, SHM一般需要依赖结构进行反向的损伤诊断及寿命预测等(Farrar & Worden 2006, 李宏男 等 2008).

SHM是最早开展大数据诊断与预警方法研究, 也是应用相对成熟的领域之一, 这是因为SHM中传感器系统所获取的是典型的"大数据". 借助于大数据挖掘与大数据分析, 将能够实现自动提取数据中反映的结构损伤特征、实时预测装备结构的寿命并作出预警, 对准确把握结构健康状态、优化维护策略、提升结构或装备寿命和安全性都具有重要意义(李惠 等 2015). 目前, 学术界正发展各类无监督的机器学习方法可以用于损伤判定和定位, 发展监督学习方法用于损伤类型识别和量化, 发展数据融合方法对不同传感器数据下的损伤信号进行同化分析等(Farrar & Worden 2012). 如Lin等(2017)构建深度卷积网络, 以从原始响应输入数据中学习桥梁的损坏特征并创建分类器, 通过在不同加载情况、损伤情况及噪声情况下的训练, 能够有效识别桥梁的损伤位置及程度, 简单算例验证中错误率低于3.5%. 美国联合技术公司通过深度信念网络, 在普惠发动机采集的历史传感器数据基础上构建了发动机的运行状态还原模型, 并成功实现了对发动机状态参数值的预估及故障诊断(Reddy et al. 2016). 基于大数据分析技术以及Hadoop等分析平台, 国外构建了MS-SHM-Hadoop系统, 如图11 所示, 集成了传感器技术、无线网络以及基于大数据平台的数据挖掘以及结构力学建模和仿真(Liang et al. 2019), 具备以下功能: (1)实时感知数据采集, 集成和分析; (2)分析桥梁的退化; (3)根据桥梁动力特性的长期监测, 识别桥梁结构断层, 定量预测其寿命. 国内华南理工大学正基于集中式桥梁健康监测平台, 发展基于云计算的桥梁长期健康监测大数据基础分析平台(涂成枫 等 2017).

图11

新窗口打开| 下载原图ZIP| 生成PPT

图11   基于Hadoop的桥梁SHM健康监测系统(Liang et al. 2018)


目前面临的主要挑战在于难以获取完整的响应数据-损伤特征-性能度量间的联系(Gulgec et al. 2017, Li & Ou 2016). 面对上述挑战, 目前使用最多的是基于卷积神经网络的深度学习技术, 用于从数据中主动抽取特征, 并建立与损伤模式之间的特征, 进而用于故障诊断. 该方法对简单结构的损伤识别已经表现出了良好的性能, 有望显著降低SHM中特征提取的难度.

4.2.5 试验力学分析

传统的试验方法对试验条件、试验结果进行了大量简化, 往往只能反映特定的现象, 限制了试验效率的提升. 例如材料力学性能试验中常采用的直板试样的单轴拉伸实验等, 通过构造标距区实现简单的载荷状态和均匀应变区, 以实现拉伸模量的测试. 针对复杂受载条件下材料强度性能, 则需要特殊设计的夹具及加载方式以实现多轴加载, 且单次试验只能获取一个有效数据(Xu et al. 2018). 相比之下, 试验中获取各类响应的手段越来越多. 例如简单单轴拉伸试验, 就可以在线同时测试试样的应变场、声发射、材料等效电阻、表面形貌等多个信息. 大数据获取全体样本、获取多类型数据并利用数据融合获取深层次见解的思想, 对改变当前的试验力学方法、提高试验效能也有重要启示.

随着全场特征观测手段如基于图像的全场应变观测技术(Wang et al. 2017), 及多物理量同时测量技术的发展, 单次试验中所能观测到的数据越来越丰富, 高通量力学性能试验越来越受到关注(Green et al. 2017). 与传统的力学性能试验强调的均匀性、非耦合相反, 在高通量试验中强调复杂状态、多场耦合和全场数据采集 (Sanchez 2014). 一种思路是采用微小型试样结合高通量的试验制备技术, 在单次试验中实现大量试样的试验(Zhang & Xiang 2017). 另一种思路则是在单次试验中, 尝试获取多维度的、全域等更为丰富的试验数据(Hild & Roux 2006, Leplay et al. 2012). 例如, 采用复杂试样设计 $+$ 复杂载荷途径, 结合全场应变测试, 实现在单次试验中获取多种状态下的材料应力应变行为数据. 深圳先进技术研究院李江宇团队(Eshghinejad et al. 2016, Huang et al. 2018)搭建了高通量的扫描探针试验系统, 如图12 所示, 基于扫描探针的力电耦合效应, 在试验表面单点获取全激励频域的响应特性, 以区分材料的微细观特性; 采用时变信号激励与全时域数据, 获取高阶响应并辨识不同的物理机制等; 采用多物理场激励并获取多类型数据发展扫描热离子探针试验方法等, 在研究微纳尺度的复杂介质多物理场耦合机制取得了良好的效果, 并注重在试验中采集更为丰富的数据, 利用数据融合和数据挖掘, 为认识材料复杂行为提供新的视角和思路. 文献(Belianinov et al. 2015)介绍了各类数据挖掘方法在SEM高维数据分析中的应用, 包括采用主成分分析揭示数据的结构和趋势, 采用独立成分分析提取独立的信号, 采用贝叶斯分层给出具备物理意义的数据分离, 采用人工神经网络识别和辨识图像特征, 采用$K$均值聚类对图像特征进行分离和分类等. 声发射能够为分析材料和结构损伤提供丰富的信息, 但传统的数据分析方法只能将声发射大数据与材料的损伤建立定性的联系. Qi与Wayne等(2014)利用所有声学数据建立了随机损伤事件的多变量矩阵$\pmb D$, 其中列向量为相同幅值下声发射数据, 行向量为相同时间/载荷下声发射事件的数据. 基于损伤矩阵$\pmb D$定义了不同载荷水平下声发射数据的信息熵, 对3种水泥变体在拉伸下的信息熵与应力的关系进行了分析. 结果表明, 3种材料表现出了明显的差异, 而常规拉伸试验和扫描电子显微镜结果的分析未能确定这些水泥变体之间的差异. 上述关系为材料损伤的定量化分析奠定了基础.

图12

新窗口打开| 下载原图ZIP| 生成PPT

图12   高通量扫描探针试验(Huang et al. 2018)


数据的获取与数据的分析成为挑战的两个来源. 数据的获取需要实现高效和低成本, 数据的分析需要依据问题的性质发展数据挖掘及多元信息融合方法, 以及引入相关的物理知识, 以实现相关物理机制的解读并发现更深层次的机制.

4.3 新方法与新范式

大数据在力学各个方向的研究中已经获得重视与应用. 利用大数据及数据驱动方法, 在力学解决问题的方法和方式中也出现了一些新的概念和趋势.

4.3.1 动态数据驱动应用系统

对于复杂系统及非确定性系统, 系统状态往往随着系统运行不断演化, 以往静态建模方法难以适应系统动态特性. 随着系统规模的增加, 系统状态的数据类型、数据量也在快速增加. 必须结合系统在线动态生成的大数据, 实现系统的有效跟踪和最优的控制. 典型的例子如飞行器各个子系统自主诊断、系统资源(如能源)的动态管理、及飞行器轨道的智能管理.

美国国家自然科学基金会于2000年正式提出动态数据驱动应用系统的概念, 这是一种新的协作应用和传感系统模式的研究. 如图13 所示, 利用动态测试数据实时、自适应地修正分析模型, 最大限度地消除这些不确定性因素的影响, 给出更为准确的结果, 并通过参与系统决策来控制实际系统的执行(Darema 2008, Douglas 2008). 近年来, 针对大规模系统的跟踪和控制问题, 如车队、无人机蜂群系统等, 美国空军科学研究实验室提出了动态大数据驱动应用系统, 以及信息共生系统. 目前, 在AFOSR支持下, 联合麻省理工、德州大学、德州农工大学发展了飞行器结构在线损伤监测、预诊与决策系统方法(Burrows et al. 2016). 在飞行器结构领域内, 麻省理工联合了德州大学将DDDAS应用到自感知的智能无人机上, 在离线阶段利用模型降阶与代理模型构建了结构应变响应与飞行最大过载之间的映射关系, 在飞行中能够利用测试的传感数据在线模拟分析并评估飞行器的能力, 进而更新飞行器状态并用于飞行包络线的决策(Allaire et al. 2014, Lecerf et al. 2015, Mainini & Willcox 2015). 美国德州大学构建了一套数据驱动的飞行器复合材料损伤在线预测系统, 完成了软件工具平台的搭建, 并在PMC单轴拉伸下损伤在线预测中进行了初步验证. 该系统利用测试获取的材料应变响应构建似然函数, 利用贝叶斯定理来实现对材料损伤模型参数的更新, 或依据模型的似然度来选择恰当的损伤模型, 进而提升损伤预测的准确性. 对于不断更新的试验数据, 基于贝叶斯滤波与马尔科夫链模型构建了改进卡尔曼滤波方法, 实现了材料损伤模型的连续修正. 利用材料损伤在线预诊, 能够实现分析模型的自适应改进、材料自修复机制及飞行轨迹的主动控制(Prudencio et al. 2015).

图13

新窗口打开| 下载原图ZIP| 生成PPT

图13   DDDAS计算范式与传统范式的区别. (a) 传统方式, (b) DDDAS


目前面临的主要挑战在于动态时效性与预测、控制精度的矛盾, 在线分析算法能够动态接收实际系统数据, 具备高计算效率的同时且需要对数据具有较高的容错能力; 需要量化模型预测的不确定性. 主要的方法包括发展动态多置信度模型, 结合大数据方法提高对复杂系统的动态建模、预测能力.

4.3.2 范式革命: 数字孪生

数字孪生概念的提出可以追溯到2002年, 美国密歇根大学Michael Grieves教授认为驱动模型的前提是每个体系都有两个系统: 一直存在的物理系统和包含物理系统所有信息的虚拟系统, 虚拟空间从真实空间获取数据, 又向真实空间提供信息和决策(Grieves & Vickers 2017). NASA在2010年发布了"建模、仿真、信息技术和过程"路线图, 给出了数字孪生的明确定义, 认为数字孪生是"一个集成多物理场、多尺度的非确定性分析框架, 能够利用现有的最佳物理模型、传感器数据、飞行历史数据等, 镜像相应孪生飞行器的生命历程" (Glaessgen & Stargel 2012, Shafto et al. 2012, Tuegel et al. 2011). NASA提出数字孪生概念之初是为了改变现有的、依赖于经验和周期性检修的飞行器维护方式, 通过更有效的飞行器设计与验证、提高飞行器可利用性、最小化结构检测频率, 实现维护成本减半、使用寿命加倍的目标. 而后, 这一概念被扩展到各个工业领域, 如数字车间、智能发动机等, 并引起了广泛关注(Schleich et al. 2017, Tao et al. 2018, Uhlemann et al. 2017, 陶飞 等 2017, 庄存波 等 2017). Gartner将数字孪生列为未来十大战略技术, 归纳数字孪生的内涵为: "物理世界实体或系统的数字代表, 在物联网背景下连接物理世界实体, 提供相应实体状态信息, 对变化做出响应, 改进操作, 增加价值" (Cearley et al. 2018). 在工业界, PTC推出了ThingWorx平台(PTC公司 2016)、GE推出了Predix平台(蓝楠 2016)、国内世冠科技推出了GCAir平台(北京世冠金洋科技发展有限公司 2018)用于工业设备的数字孪生体构建与管理. 作者认为, 能够实时反应特定物理对象的状态、并能够模拟预测其在真实环境下行为的动态模型, 就是其数字孪生模型, 如图14 所示.

图14

新窗口打开| 下载原图ZIP| 生成PPT

图14   数字孪生概念示意图


在"数字孪生"的概念内, 有3点重要思想: (1)定位于产品全寿命周期管理; 产品全寿命周期内的每个环节都存在不确定性, 将所有的不确定性协同考虑, 实现产品状态的实时监控, 各环节之间的信息能够及时双向沟通而不是以往"从生到死"的单线传递, 极大地提高了生产效率, 实现产品的及时维护, 延长产品的使用寿命. (2)传感器与数据的引入越多越好, 越早越好; 更早地引入数据能够使模型从最开始就尽量与实体保持一致, 保证以后对模型的各类操作具有实际意义; 而不断地引入更多的数据, 则可以更好地验证模型的有效性, 越来越多的信息才能逐步驱动模型接近实体. (3)数据不断引入动态更新模型, 数据与模型共同驱动结构行为的准确模拟与预示. 单独的测量数据或数字模型都不足以支撑可靠的诊断与预测, 只有用数据来弥补模型的误差, 用模型来补充数据的有限性, 两者相互协同才能依据实时更新的动态模型做出更准确的模拟与预示. 数字孪生强调利用全部数据、利用传感器给出的多样性数据, 以及强调用数据来驱动知识的获取以增加认知, 这3点思想与大数据思维方法不谋而合. 数字孪生借助于健康监测系统给出的大数据, 利用数据分析对结构当前的状态作出诊断, 对结构未来的性能作出预测, 并依据数据给出的信息, 对未来应采取的操作给出实时的决策, 如图15 所示. 在大数据方法与技术的驱动下, 数字孪生正成为现实.

图15

新窗口打开| 下载原图ZIP| 生成PPT

图15   大数据分析学对数字孪生的支撑作用 (Dion 2016)


数字孪生将大数据分析学、DDDAS及机器智能等方法融合在一起, 如图16 所示, 成为连接物理空间与机器智能的纽带, 将带来各类结构从设计到运行维护各阶段任务范式上的转变, 包括: (1)成为未来系统工程的核心, 以数字孪生为纽带实现不同部门、不同专业的高效协作和统一管理; (2)有别于传统的结构设计、研制、验证与改进的逻辑, 利用数字孪生可先行开展产品的设计与验证, 加速设计改进、减少设计迭代, 而后再进行产品的研制; (3)从系统出现问题后再开展诊断、维护的"后诊断"模式, 转变为全寿命管理、预先诊断结构状态、实施预防性维护, 极大地增加系统的可用性和寿命、降低维护成本; (4)实时跟踪系统的状态、开展在线状态评估, 提高对故障的响应、决策速度, 实现系统优化等.

图16

新窗口打开| 下载原图ZIP| 生成PPT

图16   数字孪生与大数据、DDDAS及机器智能间的关系


5 启示与展望

5.1 大数据的启示

传统的力学研究方法强调从现象(即数据)中提炼问题, 建立机理模型、量化规律, 并采用数据确认模型的有效性并进行推广, 在简化的基础上逐渐增加问题的尺度和范围以构建复杂系统的模型. 但在实际复杂对象、系统的研究和工程应用中, 这种从机理出发、先验式、积木式的策略正面临越来越多的不足. 如材料的多尺度损伤演化与失效问题、多物理场耦合问题、流场扰动转捩与湍流模拟问题、复杂系统的动态演化与涌现问题等, 传统的研究方式面临的问题包括: (1)在每个尺度、每个物理场中引入模型假设、非确定性参数等, 影响整个模型的有效性; (2)往往忽略或难以表征多物理场中的耦合特征, 复杂系统的涌现特征; (3)难以确定影响模型有效性的非确定性因素, 数据不能有效地修正模型; (4)对于环境波动等外在因素引起的结构或系统动态变化特征, 难以在先验模式中考虑. 因而传统的方法并不能有效利用大数据的特点.

大数据研究方法中, 不强调复杂的因果关系, 而是通过数据采集与数据驱动的方法, 保证数据的大体量、高维度及实时性, 通过挖掘数据内在的网络关系和规律, 实现对复杂对象和系统行为的准确描述、预测, 及有效控制或优化. 因而大数据的突破在于: 对于复杂对象和系统, 不再使用复杂的机理模型和叠加策略, 而是直接从整体出发, 利用数据消除大量的认知不确定性、量化客观不确定性, 同时避免建模模拟中的困难. 大数据方法将研究的重点从内在机理模型的正确性转移到利用数据提升预测和控制能力上, 后者与力学的研究目标是殊途同归的. 实际上, 对于界面摩擦这一问题, 摩擦系数与压力、表面粗糙度相关本质上仍是唯象模型, 表层的唯象模型总是下一层的机理模型所决定, 如此追溯下去将带来极大的认知负担, 并不利于实际应用.

促进上述转变的原因有两方面, 一是现代科学和工程研究中的问题越来越复杂化, 二是当前所能获取的数据也越来越多. 大数据方法与力学的交叉, 也最有可能在上述领域发挥重要作用、甚至是颠覆性作用. 大数据方法在力学研究中可能的应用方式包括:

(1)驱动已有方法或模型的改进: 为力学研究中已有的一些数据驱动方法, 如传统代理模型建模及新兴的机器学习方法等、模型的不确定性量化与修正等提供足够多的数据, 进而显著提升模型和方法的预测能力.

(2)挖掘复杂、隐含的物理规律: 力学大数据的复杂网络结构体现的是内在的物理机制和约束, 通过对力学大数据中稀疏特征的辨识、关联及分析, 有望能够挖掘出隐含的物理规律、甚至是机理模型, 从而完善现有的理论或方法(Rudy et al. 2017).

(3)替代已有的力学理论、方法甚至是研究方式: 例如发展将材料行为数据直接用数据用于计算的新范式. 胡克定律的形式虽然简单, 但材料刚度的描述及预测却极为复杂, 力学中的一些模型或方法是人为选择的结果而并非必然. 通过替代力学研究中的一些预设有望带来颠覆式创新.

总之, 大数据为力学研究提供了一种全新的研究范式, 或者至少可以作为一种有效的启发式工具, 大数据的应用往往能够达到"大数据 $\times$ (乘)"的效果, 显著增强力学问题的解决能力.

5.2 力学大数据的挑战

综合文献调研的结果来看, 大数据方法在力学研究的初步应用中已经获得了较好的效果, 但也面临着一些困难, 包括:

(1)大数据的获取: 由于知识版权的问题, 一些研究中的数据难以获取, 也缺乏有效工具或平台对数据进行聚合. 某些情况下获取的数据仅是数据大, 缺少数据多样化的特点, 而非真正意义上的高维度、内在结构复杂的大数据.

(2)难以引入物理定律: 数据驱动与模型驱动有着本质不同, 大数据方法中难以引入不变量、守恒定律等物理约束, 但也有一些研究表明上述特征能够被主动"学习到".

(3)如何选择特征量: 将数据转化为知识, 往往需要依赖于一些特征信息的选择. 在某些研究中, 如本构建模, 这些特征即势能函数. 但在材料性能预测、损伤监测以及模型修正等研究中, 这些特征量并不明确. 也即, 在数据面前如何问出有意义的问题.

(4)大数据方法的不确定性: 由于数据的混杂性, 大数据分析得出的规律、结论往往是在概率意义上最优的, 需要发展大数据下的认知不确定性量化方法.

(5)大数据方法的可拓展性: 通过大数据分析获取的模型, 仅对当前的数据集有效, 需发展通用的建模框架, 或者发展模型外推有效性的判别方法.

(6)效率与精度存在矛盾: 大数据驱动方法往往依赖大规模数据与大量的计算, 对于一些结构系统的预测或控制往往存在时效性要求, 因而需要平衡方法或分析的效率与精度.

5.3 发展与研究建议

在力学研究中, 杨卫院士提出发展人工智能交叉力学(X-Mechanics) (Yang et al. 2019), 张统一院士提出"力学信息学"的概念(王鹏等2018), 强调借助当下快速发展的人工智能算法解决力学问题, 彰显大数据方法的优势. 国家自然科学基金委员会白坤朝等(2019)在回顾中国力学近十年来的发展后, 针对未来力学项目资助导向给出如下建议: 加强基础研究、鼓励创新研究、重视学科交叉、发展先进实验手段. 大数据方法处于上述建议的核心: 大数据作为一种新方法, 与力学学科的交叉能够丰富力学内涵并带来新的研究方法, 利用大数据方法解决力学研究中强度、湍流等经典难题初获成效, 同时大数据的获取同样需要先进试验手段的帮助. 为此, 作者提出如下建议:

(1)突出大数据作为一种新科学范式的价值和影响, 积极探索大数据方法在解决力学研究中固体断裂与强度、流体湍流模拟及动力学混沌与分叉问题中的作用, 并支持相关方向研究的开展.

(2)强调力学学科的主体作用. 大数据首先要满足力学的基本物理定理规律, 与力学知识结合的大数据将成为解决力学学科基本问题的能力放大器.

(3)需求牵引、问题驱动, 通过支持先导性项目研究, 与力学大数据在实际应用中的标志性成果, 彰显大数据方法与力学交叉的优势.

(4)在力学学科人才培养和课程体系建设中, 重视数据思维和意识的训练, 将"在数据面前提出相关的、有洞察力的问题"的能力作为培养核心, 如增设数据科学通识课程、实践课程等.

针对大数据与力学交叉研究面临的挑战, 建议优先开展如下方向的研究:

(1)高通量的力学试验与观测技术: 通过采用多物理场激励、复杂载荷加载路径及复杂构型试样设计等, 发展全空域、时域及多物理场信息同步观测手段, 构建力学大数据试验方法.

(2)力学先验知识优化的大数据方法: 在机器学习等方法中引入力学领域知识, 通过特征量的优化能够加速大数据中知识的发现, 提高机器学习的性能. 协同使用力学方法与大数据方法, 有望起到事半功倍的作用.

(3)动态数据驱动应用系统等新范式: 发展多置信度方法、稀疏性辨识方法, 以及动态在线条件下自适应模拟方法, 平衡精度和效率矛盾, 并适应大规模数据驱动的大规模系统的实时预测、控制与优化.

(4)力学学科相关的数据库: 发展数据共享机制, 大数据时代, 数据的共享、交叉往往能够形成"$1+1>2$"的效果.

6 总结

主要分析了大数据科学与技术, 及其在力学研究中的应用、带来的启示、面临的挑战及相应的发展建议. 分析得出:

大数据的本质特征是维度高、内在结构复杂、开放且处于动态变化中. 大数据方法优势在于能够利用高维度相关性建模, 避免基于经验建模的复杂性和不充分性, 善于解决高维度、非线性及非确定等特征显著的复杂系统的描述、实时预测和控制问题. 大数据已经形成了一种全新的科学研究范式, 即"数据密集型科学研究与发现", 在各行各业及各研究领域中引起广泛重视.

在力学的各个领域内, 已经注意到大数据方法的优势, 并在材料性能预测、本构建模、结构健康诊断、湍流建模模拟、试验力学数据分析等问题中获得应用. 综合来看, 大数据方法可以通过驱动修正已有模型、挖掘隐含的复杂物理规律、乃至提出新的研究范式来促进力学研究. 但目前仍面临一些挑战, 包括: (1)缺乏足够数据与数据共享机制; (2)大数据方法中难以引入不变量、守恒定律等物理约束; (3)在数据向知识的转化过程中, 难以确定恰当的数据特征量; (4)大规模分析、预测精度与控制实时性之间存在矛盾, 等.

在未来的研究中, 应注重大数据作为一种新的研究范式的价值, 同时突出力学研究自身的需求牵引, 采用力学知识与大数据的双驱动(即大数据 $\times$ 力学), 以显著增强力学研究解决实际问题的能力.

(责任编委: 丁千)

致谢

本文是在国家自然科学基金项目(11842013)与哈尔滨工业大学主办的"大数据驱动下力学的机遇与挑战"研讨会与会专家的帮助, 以及匿名审稿专家的宝贵意见指导下完成的, 在此表示诚挚感谢. 感谢课题组博士研究生在文稿编辑和整理中付出的辛勤劳动. 本文的研究工作还得到了中国博士后科学基金资助项目(2018M641815)的支持.

参考文献

白坤朝, 詹世革, 张攀峰, 谭宗颖, 孟庆国 . 2019.

力学十年: 现状与展望

力学进展, 49:599-621

[本文引用: 1]

( Bai K C, Zhan S G, Zhang P F . 2019.

Mechanics 2006-2015: Situation and prospect

Advances in Mechanics, 49: 599-621).

[本文引用: 1]

北京世冠金洋科技发展有限公司. 2018.

自主创新助力国产化进程—世冠科技GCAir4.0正式发布

http://www.globalcrown.com.cn/news/news_dit.html?id=175.[2018-10-19]/[2019-3-11].

URL     [本文引用: 1]

朝乐门, 卢小宾 . 2017.

数据科学及其对信息科学的影响

情报学报, 36:761-771

[本文引用: 1]

( Chao L M, Lu X B . 2017.

Data science and its impact on information science

Journal of the China Society for Scientific Information, 36: 761-771).

[本文引用: 1]

戴潘 . 2016.

基于大数据的科学研究范式的哲学研究

哲学动态, 9:105-109

[本文引用: 2]

( Dai P . 2016.

Philosophical research on the paradigm of scientific research based on Big Data

Translation of Philosophy, 9: 105-109).

[本文引用: 2]

郭华东, 王力哲, 陈方, 梁栋 . 2014.

科学大数据与数字地球

科学通报, 59:1047-1054

DOI      URL     [本文引用: 2]

大数据研究正发展为科技、经济、社会等各领域的关注焦点，诸多国家已将大数据研究上升至国家战略层面. 本文从时空角度论述了大数据的缘起、内涵与发展势态，分析了科学大数据成为科学研究新途径的历程——科学范式开始从模型驱动向数据驱动发生转变. 给出了科学大数据的定义及科学大数据计算的应对策略. 进一步地论述了数字地球学科的基本理论框架和数字地球中的数据系统，指出了数字地球学科具有大数据的鲜明特点. 最后以“胡焕庸线”形成机理的空间认知研究为例，具体阐述了数字地球学科中的大数据研究的理论和方法.

( Guo H D, Wang L Z, Chen F, Liang D . 2014.

Science Big Data and digital earth

Science Bulletin, 59: 1047-1054).

DOI      URL     [本文引用: 2]

大数据研究正发展为科技、经济、社会等各领域的关注焦点，诸多国家已将大数据研究上升至国家战略层面. 本文从时空角度论述了大数据的缘起、内涵与发展势态，分析了科学大数据成为科学研究新途径的历程——科学范式开始从模型驱动向数据驱动发生转变. 给出了科学大数据的定义及科学大数据计算的应对策略. 进一步地论述了数字地球学科的基本理论框架和数字地球中的数据系统，指出了数字地球学科具有大数据的鲜明特点. 最后以“胡焕庸线”形成机理的空间认知研究为例，具体阐述了数字地球学科中的大数据研究的理论和方法.

郭华东 . 2014.

大数据大科学大发现——大数据与科学发现国际研讨会综述

中国科学院院刊, 4:500-506

( Guo H D . 2014.

Big Data big science big discovery—summary of international symposium on Big Data and scientific discovery

Proceedings of the Chinese Academy of Sciences, 4: 500-506).

黄欣荣 . 2015.

大数据哲学研究的背景、现状与路径

哲学动态, 7:96-102

[本文引用: 1]

( Huang X R . 2015.

The background, current situation and path of Big Data philosophy research

Philosophy Dynamics, 7: 96-102).

[本文引用: 1]

霍施宇 . 2014.

热防护结构缝隙热响应分析与设计. [硕士论文]

哈尔滨: 哈尔滨工业大学

[本文引用: 1]

( Huo S Y . 2014.

Thermal response analysis and design of thermal protection structure gap

[Master Thesis]. Harbin: Harbin Institute of Technology).

[本文引用: 1]

蓝楠 . 2016.

GE力推以结果为导向的大数据分析

航空维修与工程, 5:43-43

[本文引用: 1]

( Lan N . 2016.

GE pushes results-oriented Big Data analysis

Aviation Maintenance and Engineering, 5: 43-43).

[本文引用: 1]

李宏男, 高东伟, 伊廷华 . 2008.

土木工程结构健康监测系统的研究状况与进展

力学进展, 38: 151-166.

URL     [本文引用: 1]

The health monitoring of civil engineering structures isan important research field, which covers various areas, suchas data acquisition system, signal processing, structure analysis. In thispaper, the necessity and urgency to implement structural health monitoringin civil engineering are discussed, including the concepts, structures andapplications of the structural health monitoring system. Allsubsystems are analyzed with respect to their functions, characteristics andimplementations. The theories, methods and mechanical issues of thesubsystems are emphasized. Finally, some promising researchsubjects in the area are pinpointed.

( Li H N, Gao D W, Yi T H. 2008.

Research status and progress of civil engineering structural health monitoring system

Advances in Mechanics, 38: 151-166).

URL     [本文引用: 1]

The health monitoring of civil engineering structures isan important research field, which covers various areas, suchas data acquisition system, signal processing, structure analysis. In thispaper, the necessity and urgency to implement structural health monitoringin civil engineering are discussed, including the concepts, structures andapplications of the structural health monitoring system. Allsubsystems are analyzed with respect to their functions, characteristics andimplementations. The theories, methods and mechanical issues of thesubsystems are emphasized. Finally, some promising researchsubjects in the area are pinpointed.

李惠, 鲍跃全, 李顺龙, 张东昱 . 2015.

结构健康监测数据科学与工程

工程力学, 32:1-7

[本文引用: 1]

( Li H, Bao Y Q, Li S L, Zhang D Y . 2015.

Structural health monitoring data science and engineering

Engineering Mechanics, 32: 1-7).

[本文引用: 1]

刘叶婷, 贾童舒 . 2013.

他国如何与大数据"共舞"

信息化建设, 1:16-17

[本文引用: 1]

( Liu Y T, Jia T S . 2013.

How does his country dance with Big Data

Information Construction, 1: 16-17).

[本文引用: 1]

刘智慧, 张泉灵 . 2014.

大数据技术研究综述

浙江大学学报(工学版), 48:957-972

DOI      URL     [本文引用: 1]

大数据的产生给海量信息处理技术带来新的挑战.为了更全面深入地了解大数据的内涵，从大数据的概念特征、一般处理流程、关键技术三个方面进行详细阐述.分析了大数据的产生背景，简述了大数据的基本概念、典型的4“V”特征以及重点应用领域；归纳总结了大数据处理的一般流程，针对其中的关键技术，如MapReduce、GFS、BigTable、Hadoop以及数据可视化等，介绍了基本的处理过程和组织结构；具体分析指出了大数据时代所面临的问题与挑战.

( Liu Z H, Zhang Q L . 2014.

Summary of Big Data technology research

Journal of Zhejiang University: Engineering Edition, 48: 957-972).

DOI      URL     [本文引用: 1]

大数据的产生给海量信息处理技术带来新的挑战.为了更全面深入地了解大数据的内涵，从大数据的概念特征、一般处理流程、关键技术三个方面进行详细阐述.分析了大数据的产生背景，简述了大数据的基本概念、典型的4“V”特征以及重点应用领域；归纳总结了大数据处理的一般流程，针对其中的关键技术，如MapReduce、GFS、BigTable、Hadoop以及数据可视化等，介绍了基本的处理过程和组织结构；具体分析指出了大数据时代所面临的问题与挑战.

迈尔·舍恩伯格, 肯尼斯·库克耶 . 2013. 大数据时代: 生活、工作与思维的大变革. 浙江: 浙江人民出版社出版

[本文引用: 1]

( Meyer Schonberg, Kenneth Cookeer. 2013. The Era of Big Data: A Major Revolution in Life, Work and Thinking. Zhejiang: Zhejiang People's Publishing House).

[本文引用: 1]

孟小峰, 慈祥 . 2013.

大数据管理: 概念、技术与挑战

计算机研究与发展, 50:146-169

URL     [本文引用: 1]

云计算、物联网、社交网络等新兴服务促使人类社会的数据种类和规模正以前所未有的速度增长，大数据时代正式到来.数据从简单的处理对象开始转变为一种基础性资源，如何更好地管理和利用大数据已经成为普遍关注的话题.大数据的规模效应给数据存储、管理以及数据分析带来了极大的挑战，数据管理方式上的变革正在酝酿和发生.对大数据的基本概念进行剖析，并对大数据的主要应用作简单对比.在此基础上，阐述大数据处理的基本框架，并就云计算技术对于大数据时代数据管理所产生的作用进行分析.最后归纳总结大数据时代所面临的新挑战.

( Meng X F, Ci X . 2013.

Big Data management: Concepts, technologies and challenges

Computer Research and Development, 50: 146-169).

URL     [本文引用: 1]

云计算、物联网、社交网络等新兴服务促使人类社会的数据种类和规模正以前所未有的速度增长，大数据时代正式到来.数据从简单的处理对象开始转变为一种基础性资源，如何更好地管理和利用大数据已经成为普遍关注的话题.大数据的规模效应给数据存储、管理以及数据分析带来了极大的挑战，数据管理方式上的变革正在酝酿和发生.对大数据的基本概念进行剖析，并对大数据的主要应用作简单对比.在此基础上，阐述大数据处理的基本框架，并就云计算技术对于大数据时代数据管理所产生的作用进行分析.最后归纳总结大数据时代所面临的新挑战.

PTC公司. 2016.

PTC 推出最新版本 ThingWorx物联网平台

智能制造, 8:6-6

[本文引用: 1]

( PTC Corporation. 2016.

PTC launches the latest version of ThingWorx IoT platform

Intelligent Manufacturing, 8: 6-6).

[本文引用: 1]

孙松林, 陈娜 . 2016.

大数据助推人工智能

邮电设计技术, 8:1-5

[本文引用: 1]

( Sun S L, Chen N . 2016.

Big Data boosts artificial intelligence

Post and TE Design Technology, 8: 1-5).

[本文引用: 1]

陶飞, 张萌, 程江峰 . 2017.

数字孪生车间——一种未来车间运行新模式

计算机集成制造系统, 23:1-9

[本文引用: 1]

( Tao F, Zhang M, Cheng J F . 2017.

Digital hygiene workshop—a new mode of future workshop operation

Computer Integrated Manufacturing System, 23: 1-9).

[本文引用: 1]

涂成枫, 刘泽佳, 张舸, 周立成, 陈溢涛, 程楠, 辜家伟, 董守斌, 邓志华, 王勇 , 等. 2017.

面向桥梁长期健康监测的大数据处理技术及应用

实验力学, 32:652-663

[本文引用: 2]

( Tu C F, Liu Z J, Zhang G, Zhou L C, Chen Y T, Cheng N, Gu J W, Dong S B, Deng Z H, Wang Y , et al. 2017.

Big Data processing technology and application for long-term health monitoring of bridges

Experimental Mechanics, 32: 652-663).

[本文引用: 2]

王鹏, 孙升, 张庆, 张统一 . 2018.

力学信息学简介

自然杂志, 40:313-322

[本文引用: 1]

( Wang P, Sun S, Zhang Q, Zhang T Y . 2018.

Introduction to mechanics informatics

Nature Journal, 40: 313-322).

[本文引用: 1]

魏红江, 李彬, 祝慧琳 . 2016.

制定我国大数据战略与开放数据战略: 日本的经验与启示

东北亚学刊, 6:32-39

[本文引用: 1]

( Wei H J, Li B, Zhu H L . 2016.

Formulating China's Big Data strategy and open data strategy: Japan's experience and enlightenment

Northeast Asia Journal, 6: 32-39).

[本文引用: 1]

吴甘沙 . 2015 a.

大数据技术发展的十个前沿方向(上)

大数据, 1:100-111

[本文引用: 1]

( Wu G S . 2015a.

Ten frontier directions of Big Data technology development (I)

Big Data, 1:100-111).

[本文引用: 1]

吴甘沙 . 2015 b.

大数据技术发展的十个前沿方向(中)

大数据, 1:113-123

[本文引用: 1]

( Wu G S . 2015b.

Ten frontier directions of Big Data technology development (II)

Big Data, 1:113-123).

[本文引用: 1]

吴甘沙 . 2015 c.

大数据技术发展的十个前沿方向(下)

大数据, 1:109-117

[本文引用: 1]

( Wu G S . 2015c.

Ten frontier directions of Big Data technology development (III)

Big Data, 1:109-117).

[本文引用: 1]

吴军 . 2016. 智能时代: 大数据与智能革命重新定义未来. 北京: 中信出版社

[本文引用: 1]

( Wu J. 2016. Smart Age: Big Data and Intelligent Revolution Redefine the Future. Beijing: CITIC Press Corporation).

[本文引用: 1]

吴思炜, 刘振宇, 周晓光 . 2016.

基于大数据的力学性能预测与工艺参数筛选

钢铁研究学报, 28:1-4

DOI      URL     [本文引用: 1]

论述了相变诱导塑性(TRIP)钢的发展现状及其在汽车工业上的应用，重点讨论了TRIP效应的机理及TRIP钢性能的影响因素。介绍了2种采用新型工艺(低温贝氏体转变和淬火-碳分配工艺)的TRIP钢，并且通过对TRIP钢研究的最新数据，对比了2种工艺下TRIP钢的高速拉伸性能；最后对汽车用TRIP钢的研究方向进行了展望。

( Wu S W, Liu Z Y, Zhou X G . 2016.

Prediction of mechanical properties based on Big Data and screening of process parameters

Journal of Iron and Steel Research, 28: 1-4).

DOI      URL     [本文引用: 1]

论述了相变诱导塑性(TRIP)钢的发展现状及其在汽车工业上的应用，重点讨论了TRIP效应的机理及TRIP钢性能的影响因素。介绍了2种采用新型工艺(低温贝氏体转变和淬火-碳分配工艺)的TRIP钢，并且通过对TRIP钢研究的最新数据，对比了2种工艺下TRIP钢的高速拉伸性能；最后对汽车用TRIP钢的研究方向进行了展望。

杨炳忻 . 2015.

香山科学会议第506~509、S22、510次学术讨论会简述

中国基础科学, 3:40-45

[本文引用: 2]

( Yang B X . 2015.

Xiangshan science conference, 506-509, S22, 510 academic seminars

China Basic Science 3:40-45).

[本文引用: 2]

杨强 . 2019.

陶瓷基复合材料损伤行为及其结构响应的不确定性量化方法

[博士论文]. 哈尔滨: 哈尔滨工业大学

[本文引用: 1]

( Yang Q . 2019.

Uncertainty quantification method for damage behavior and structural responses of ceramic matrix composites

[PhD Thesis]. Harbin: Harbin Institute of Technology).

[本文引用: 1]

张锋军 . 2014.

大数据技术研究综述

通信技术, 47:1240-1248

[本文引用: 1]

( Zhang F J . 2014.

Overview of Big Data technology research

Communication Technology, 47: 1240-1248).

[本文引用: 1]

张晓强, 杨君游, 曾国屏 . 2014.

大数据方法: 科学方法的变革和哲学思考

哲学动态, 8:83-91

[本文引用: 1]

( Zhang X Q, Yang J Y, Zeng G P . 2014.

Big Data approach: Transformation and philosophical thinking of scientific methods

Philosophical Dynamics, 8: 83-91).

[本文引用: 1]

中国信息化刊. 2017.

实施国家大数据战略加快建设数字中国

中国信息化, 12:15

[本文引用: 1]

( China Information Technology. . 2017.

Implementing national Big Data strategy to accelerate the construction of digital China

China Informatization, 12:15).

[本文引用: 1]

庄存波, 刘检华, 熊辉, 丁晓宇, 刘少丽, 瓮刚 . 2017.

产品数字孪生体的内涵、体系结构及其发展趋势

计算机集成制造系统, 23:753-768

[本文引用: 1]

( Zhuang C B, Liu J H, Xiong H, Ding X Y, Liu S L, Wen G . 2017.

The connotation, architecture and development trend of product digital hygiene

Computer Integrated Manufacturing System, 23: 753-768).

[本文引用: 1]

Ackoff R L. 1989.

From data to wisdom

Journal of Applied Systems Analysis, 16:3-9.

[本文引用: 1]

Agrawal A, Choudhary A. 2016.

Perspective: Materials informatics and Big Data: Realization of the "fourth paradigm" of science in materials science

APL Materials, 4: 053208-1-053208-10.

[本文引用: 1]

Al-Jarrah O Y, Yoo P D, Muhaidat S, Karagiannidis G K, Taha K. 2015.

Efficient machine learning for Big Data: A review

Big Data Research, 2:87-93.

DOI      URL     [本文引用: 1]

Allaire D, Kordonowy D, Lecerf M, Mainini L, Willcox K. 2014.

Multifidelity DDDAS methods with application to a self-aware aerospace vehicle

Procedia Computer Science, 29:1182-1192.

DOI      URL     [本文引用: 1]

A self-aware aerospace vehicle can dynamically adapt the way it performs missions by gathering information about itself and its surroundings and responding intelligently. We consider the specific challenge of an unmanned aerial vehicle that can dynamically and autonomously sense its structural state and re-plan its mission according to its estimated current structural health. The challenge is to achieve each of these tasks in real time-executing online models and exploiting dynamic data streams-while also accounting for uncertainty. Our approach combines information from physics-based models, simulated offline to build a scenario library, together with dynamic sensor data in order to estimate current flight capability. Our physics-based models analyze the system at both the local panel level and the global vehicle level.

Ambur M Y, Yagle J J, Reith W, McLarney E. 2016.

Big Data analytics and machine intelligence capability development at NASA Langley Research Center: Strategy, roadmap, and progress

// NASA Technical Report, 2016, No. NASA/TM-2016-219361.

[本文引用: 1]

Ayensa J J, Doweidar M H, Sanz-Herrera J A, Doblare M. 2018.

A new reliability-based data-driven approach for noisy experimental data with physical constraints

Computer Methods in Applied Mechanics and Engineering, 328:752-774.

DOI      URL     [本文引用: 1]

Banerjee A, Bandyopadhyay T, Acharya P. 2013.

Data analytics: Hyped up aspirations or true potential?

Vikalpa, 38:1-12.

[本文引用: 1]

Batra S. 2014.

Big Data analytics and its reflections on DIKW hierarchy

Review of Management, 4:5.

[本文引用: 2]

Belianinov A, Vasudevan R, Strelcov E, Steed C, Yang S M, Tselev A, Jesse S, Biegalski M, Shiman G, Symons C , et al. 2015.

Big Data and deep data in scanning and electron microscopies: Deriving functionality from multidimensional data sets

Advanced Structural and Chemical Imaging, 1:6.

DOI      URL     PMID     

The development of electron and scanning probe microscopies in the second half of the twentieth century has produced spectacular images of the internal structure and composition of matter with nanometer, molecular, and atomic resolution. Largely, this progress was enabled by computer-assisted methods of microscope operation, data acquisition, and analysis. Advances in imaging technology in the beginning of the twenty-first century have opened the proverbial floodgates on the availability of high-veracity information on structure and functionality. From the hardware perspective, high-resolution imaging methods now routinely resolve atomic positions with approximately picometer precision, allowing for quantitative measurements of individual bond lengths and angles. Similarly, functional imaging often leads to multidimensional data sets containing partial or full information on properties of interest, acquired as a function of multiple parameters (time, temperature, or other external stimuli). Here, we review several recent applications of the big and deep data analysis methods to visualize, compress, and translate this multidimensional structural and functional data into physically and chemically relevant information.

Belle A, Thiagarajan R, Soroushmehr S M, Navidi F, Beard D A, Najarian K. 2015.

Big Data analytics in healthcare

BioMed Research International, 54:546-547.

[本文引用: 1]

Bessa M A, Bostanabad R, Liu Z, Hu A, Apley D W, Brinson C, Chen W, Liu W K. 2017.

A framework for data-driven analysis of materials under uncertainty: Countering the curse of dimensionality

Computer Methods in Applied Mechanics and Engineering, 320:633-667.

DOI      URL     [本文引用: 2]

Bryant R, Katz R, Lazowska E. 2008.

Big-data computing: Creating revolutionary breakthroughs in commerce

Science and Society, 8:1-15.

DOI      URL    

Brynjolfsson E, Hitt L M, Kim H H. 2011.

Strength in numbers: How does data-driven decision making affect firm performance

https://ssrn.com/abstract=1819486. [2011-4-22]/[2019-03-11].

URL     [本文引用: 2]

Burrows B, Isaac B, Allaire D L. 2016.

A dynamic data-driven approach to multiple task capability estimation for self-aware aerospace vehicles

// 17th AIAA/ISSMO Multidisciplinary Analysis and Optimization Conference, 2016, Washington, D.C.USA.

Cai G. 2017.

Big Data analytics in structural health monitoring. [PhD Thesis].

Nashville, USA: Vanderbilt University.

[本文引用: 2]

Cayton L. 2005.

Algorithms for manifold learning

Univ. of California at San Diego Tech, 12:1-17.

Cearley D, Burke B, Searle S, Walker M. 2017.

Top 10 strategic technology trends for 2018

https://www.gart-ner.com/doc/3811368?srcId=1-8622966154. [2017-10-03]/[2019-3-11].

URL     [本文引用: 1]

Cohen P R. 2015.

DARPA's big mechanism program

Physical Biology, 12:045008.

DOI      URL     PMID      [本文引用: 1]

Reductionist science produces causal models of small fragments of complicated systems. Causal models of entire systems can be hard to construct because what is known of them is distributed across a vast amount of literature. The Big Mechanism program aims to have machines read the literature and assemble the causal fragments found in individual papers into huge causal models, automatically. The current domain of the program is cell signalling associated with Ras-driven cancers.

Crespo J, Latorre M, Montáns F J. 2017.

WYPIWYG hyperelasticity for isotropic, compressible materials

Computational Mechanics, 59:73-92.

DOI      URL     [本文引用: 1]

Darema F. 2008.

Dynamic data driven applications systems—a transformative paradigm

// International Conference on Computational Science. Springer, Berlin, Heidelberg.

[本文引用: 3]

Darema F. 2018.

Grids-of-grids and autonomy

// 18th IEEE/ACM International Symposium on Cluster, Cloud and Grid Computing (CCGRID), Washington, DC, USA.

De Angelis E, Casciola C M, Piva R. 2002.

DNS of wall turbulence: Dilute polymers and self-sustaining mechanisms

Computers & Fluids, 31:495-507.

[本文引用: 1]

Deka G C. 2014. Big Data predictive and prescriptive analytics//Handbook of Research on Cloud Infrastructures for Big Data Analytics. USA: IGI Global Press, 370-391.

[本文引用: 2]

Demchenko Y, Grosso P, De Laat C, Membrey P. 2013.

Addressing Big Data issues in scientific data infrastructure

// 2013 International Conference on Collaboration Technologies and Systems, San Diego, CA, USA, 48-55.

Dhar V. 2013.

Data science and prediction

Communications of the ACM, 56:64-73.

DOI      URL     [本文引用: 1]

Dimiduk D M, Holm E A, Niezgoda S R. 2018.

Perspectives on the impact of machine learning, deep learning, and artificial intelligence on materials, processes, and structures engineering

Integrating Materials and Manufacturing Innovation, 7:157-172.

DOI      URL     [本文引用: 2]

Dion B. 2016 2016.

Predictive analytics and the digital twin

// TERATEC Forum, 2016 France. http://www.teratec.eu/library/pdf/forum/2016/Presentations/A7_01_Forum_TERATEC_2016_DION_ANSYS.pdf.

URL    

Douglas C C. 2008.

Dynamic data driven applications systems-DDDAS 2008

// International Conference on Computational Science. Springer, Berlin, Heidelberg.

[本文引用: 1]

Duncan G R. 2008.

Big Data special

Nature, 455:7209.

[本文引用: 2]

Duraisamy K, Alonso J , DurbinP. 2017.

A framework for turbulence modeling using Big Data: Phase II final report

NASA Technical Report, 2017, No. NNX15AN98A.

Duraisamy K, Iaccarino G, Xiao H. 2019.

Turbulence modeling in the age of data

Annual Review of Fluid Mechanics, 51:357-377.

DOI      URL     [本文引用: 2]

Ekbia H, Mattioli M, Kouper I, Arave G, Ghazinejad A, Bowman T, Suri V R, Tsou A, Weingart S, Sugimoto C R. 2015.

Big Data, bigger dilemmas: A critical review

Journal of the Association for Information Science and Technology, 66:1523-1545.

DOI      URL     [本文引用: 1]

Eshghinejad A, Nasr Esfahani E, Wang P, Xie S H, Geary T C, Adler S B, Li J Y. 2016.

Scanning thermoionic microscopy for probing local electrochemistry at the nanoscale

Journal of Applied Physics, 119:205110.

DOI      URL     [本文引用: 1]

Farrar C R, Worden K. 2006.

An introduction to structural health monitoring.

Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 365:303-315.

DOI      URL     [本文引用: 2]

Farrar C R, Worden K. 2012.

Structural Health Monitoring: A Machine Learning Perspective.

United Kingdom: John Wiley & Sons.

Fricke M. 2015.

Big Data and its epistemology

Journal of the Association for Information Science and Technology, 66:651-661.

DOI      URL     [本文引用: 1]

Gandomi A H, Sajedi S, Kiani B, Huang Q. 2016.

Genetic programming for experimental Big Data mining: A case study on concrete creep formulation

Automation in Construction, 70:89-97.

DOI      URL     [本文引用: 1]

Gandomi A, Haider M. 2015.

Beyond the hype: Big Data concepts, methods, and analytics

International Journal of Information Management, 35:137-144.

DOI      URL     [本文引用: 2]

Gantz J, Reinsel D. 2011.

Extracting value from chaos

IDC iView, 1142:1-12.

[本文引用: 1]

Genovese Y, Prentice S. 2011.

Pattern-based strategy: getting value from Big Data

Gartner Special Report, 2011, No. G00214032. https://www.gartner.com/en/documents/1727419.

URL    

Glaessgen E, Stargel D. 2012.

The digital twin paradigm for future NASA and US Air Force vehicles

// 53rd AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics and Materials Conference, 2012, Honolulu, Hawaii, USA.

[本文引用: 1]

Gonzalez D, Chinesta F, Cueto E. 2019.

Thermodynamically consistent data-driven computational mechanics

Continuum Mechanics and Thermodynamics, 31:239-253.

DOI      URL     [本文引用: 2]

Green M L, Choi C L, Hattrick-Simpers J R, Joshi A M, Takeuchi I, Barron S C. 2017.

Fulfilling the promise of the materials genome initiative with high-throughput experimental methodologies

Applied Physics Reviews, 4:011105.

DOI      URL     [本文引用: 1]

Grieves M, Vickers J. 2017.

Digital twin: Mitigating unpredictable, undesirable emergent behavior in complex systems

//Transdisciplinary Perspectives on Complex Systems, Switzerland: Springer Cham.

Groves P, Kayyali B, Knott D, Kuiken S V. 2013.

The "Big Data" revolution in healthcare

McKinsey Quarterly, 28:2.

[本文引用: 1]

Gu J, Zhang L. 2014.

Some comments on Big Data and data science

Annals of Data Science, 1:283-291.

DOI      URL     [本文引用: 1]

Gulgec N S, Shahidi G S, Matarazzo T J, Pakzad S N.

Current challenges with Big Data analytics in structural health monitoring

// Structural Health Monitoring & Damage Detection, Switzerland: Springer Cham, 7:79-84.

[本文引用: 1]

Guo S, Yu J, Liu X, Wang C, Jiang Q. 2019.

A predicting model for properties of steel using the industrial Big Data based on machine learning

Computational Materials Science, 2019: 95-104.

[本文引用: 1]

Han J. 2017.

On the power of Big Data: Mining structures from massive, unstructured text data

// IEEE International Conference on Big Data, 2016, Washington, DC, USA.

[本文引用: 1]

Hashem I A T, Yaqoob I, Anuar N B, Mokhtar S, Gani A, Khan S U. 2015.

The rise of "Big Data" on cloud computing: Review and open research issues

Information Systems, 47:98-115.

DOI      URL     [本文引用: 1]

Hild F, Roux S. 2006.

Digital image correlation: From displacement measurement to identification of elastic properties—a review

Strain, 42:69-80.

DOI      URL     [本文引用: 2]

Huang B, Li Z, Li J. 2018.

An artificial intelligence atomic force microscope enabled by machine learning

Nanoscale, 10:21320-21326.

DOI      URL     PMID      [本文引用: 1]

Artificial intelligence (AI) and machine learning have promised to revolutionize the way we live and work, and one of the particularly promising areas for AI is image analysis. Nevertheless, many current AI applications focus on the post-processing of data, while in both materials sciences and medicine, it is often critical to respond to the data acquired on the fly. Here we demonstrate an artificial intelligence atomic force microscope (AI-AFM) that is capable of not only pattern recognition and feature identification in ferroelectric materials and electrochemical systems, but can also respond to classification via adaptive experimentation with additional probing at critical domain walls and grain boundaries, all in real time on the fly without human interference. Key to our success is a highly efficient machine learning strategy based on a support vector machine (SVM) algorithm capable of high fidelity pixel-by-pixel recognition instead of relying on the data from full mapping, making real time classification and control possible during scanning, with which complex electromechanical couplings at the nanoscale in different material systems can be resolved by AI. For AFM experiments that are often tedious, elusive, and heavily rely on human insight for execution and analysis, this is a major disruption in methodology, and we believe that such a strategy empowered by machine learning is applicable to a wide range of instrumentations and broader physical machineries.

Ibanez R, Abisset-Chavanne E, Aguado J V, Gonzalez D, Cueto E, Chinesta F. 2018.

A manifold learning approach to data-driven computational elasticity and inelasticity

Archives of Computational Methods in Engineering, 25:47-57.

DOI      URL     [本文引用: 1]

Ibanez R, Borzacchiello D, Aguado J V, Abisset-Chavanne E, Cueto E, Ladeveze P, Chinesta F. 2017.

Data-driven non-linear elasticity: Constitutive manifold construction and problem discretization

Computational Mechanics, 60:813-826.

DOI      URL     [本文引用: 2]

Inmon W H, Imhoff C, Battas G. 1999.

Building the Operational Data Store.

United Kingdom: John Wiley.

Javadi A A, Ahangar-Asr A, Johari A, Faramarzi A, Toll D. 2012.

Modelling stress-strain and volume change behaviour of unsaturated soils using an evolutionary based data mining technique, an incremental approach

Engineering Applications of Artificial Intelligence, 25:926-933.

DOI      URL    

Modelling of unsaturated soils has been the subject of many research works in the past few decades. A number of constitutive models have been developed to describe the complex behaviour of unsaturated soils. However, many have proven to be unable to predict all aspects of the behaviour of unsaturated soils in a unified manner. In this paper an alternative new approach is presented, based on the Evolutionary Polynomial Regression (EPR) technique. EPR is a data mining technique that generates a transparent and structured representation of the behaviour of a system directly from input test data. The capabilities of the proposed EPR-based framework in modelling of behaviour of unsaturated soils are illustrated using results from a comprehensive set of triaxial tests on samples of compacted unsaturated soils from literature. The main parameters used for modelling of the behaviour of unsaturated soils during shearing are initial water content, initial dry density, mean net stress, axial strain, suction, volumetric strain, and deviator stress. The model developed is used to predict different aspects of the behaviour of unsaturated soils for conditions not used in the model building process. The results show that the proposed approach provides a useful framework for modelling of unsaturated soils. The merits and advantages of the proposed approach are highlighted. (C) 2012 Elsevier Ltd.

Jifa G, Lingling Z. 2014.

Data, DIKW, Big Data and data science

Procedia Computer Science, 31:814-821.

DOI      URL     [本文引用: 1]

Jin C. 2017.

Real-time damage detection for civil structures using Big Data.

[PhD Thesis]. Connecticut: University of Connecticut.

[本文引用: 1]

Kaisler S, Armour F, Espinosa J A, Money W. 2013.

Big Data: Issues and challenges moving forward

// 46th Hawaii International Conference on System Sciences, 2013, Hawaii, USA.

[本文引用: 1]

Kalidindi S R, De Graef M. 2015.

Materials data science: Current status and future outlook

Annual Review of Materials Research, 45:171-193.

DOI      URL     [本文引用: 2]

Kambatla K, Kollias G, Kumar V, Grama A. 2014.

Trends in Big Data analytics

Journal of Parallel and Distributed Computing, 74:2561-2573.

DOI      URL    

One of the major applications of future generation parallel and distributed systems is in big-data analytics. Data repositories for such applications currently exceed exabytes and are rapidly increasing in size. Beyond their sheer magnitude, these datasets and associated applications' considerations pose significant challenges for method and software development. Datasets are often distributed and their size and privacy considerations warrant distributed techniques. Data often resides on platforms with widely varying computational and network capabilities. Considerations of fault-tolerance, security, and access control are critical in many applications (Dean and Ghemawat, 2004; Apache hadoop). Analysis tasks often have hard deadlines, and data quality is a major concern in yet other applications. For most emerging applications, data-driven models and methods, capable of operating at scale, are as-yet unknown. Even when known methods can be scaled, validation of results is a major issue. Characteristics of hardware platforms and the software stack fundamentally impact data analytics. In this article, we provide an overview of the state-of-the-art and focus on emerging trends to highlight the hardware, software, and application landscape of big-data analytics. (C) 2014 Elsevier Inc.

Kaplinski O, Koseleva N, Ropaite G. 2016.

Big Data in civil engineering: A state-of-the-art survey

Engineering Structures and Technologies, 8:165-175.

DOI      URL     [本文引用: 1]

Katal A, Wazid M, Goudar R H. 2013.

Big Data: Issues, challenges, tools and good practices

// 2013 Sixth International Conference on Contemporary Computing, 2013, Noida, India.

[本文引用: 1]

Kirchdoerfer T, Ortiz M. 2016.

Data-driven computational mechanics

Computer Methods in Applied Mechanics and Engineering, 304:81-101.

DOI      URL     [本文引用: 1]

Kirchdoerfer T, Ortiz M. 2017.

Data driven computing with noisy material data sets

Computer Methods in Applied Mechanics and Engineering, 326:622-641.

DOI      URL     [本文引用: 2]

Kirkpatrick R. 2013.

Big Data for development

Big Data, 1:3-4.

DOI      URL     PMID     

Kitchin R. 2014.

Big Data, new epistemologies and paradigm shifts

Big Data & Society, 1:1-12.

DOI      URL     PMID      [本文引用: 1]

Kong C S, Broderick S R, Jones T E, Loyola C, Eberhart M E, Rajan K. 2015.

Mining for elastic constants of intermetallics from the charge density landscape

Physica B: Condensed Matter, 458:1-7.

[本文引用: 1]

Landset S, Khoshgoftaar T M, Richter A N, Hasanin T. 2015.

A survey of open source tools for machine learning with Big Data in the Hadoop ecosystem

Journal of Big Data, 2:24.

DOI      URL     [本文引用: 1]

Lecerf M, Allaire D, Willcox K. 2015

Methodology for dynamic data-driven online flight capability estimation

AIAA Journal, 53:3073-3087.

DOI      URL     [本文引用: 1]

Leplay P, Rethore J, Meille S, Baietto M C. 2012.

Identification of asymmetric constitutive laws at high temperature based on digital image correlation

Journal of the European Ceramic Society, 32:3949-3958.

DOI      URL     [本文引用: 1]

Li H, Ou J. 2016.

The state of the art in structural health monitoring of cable-stayed bridges

Journal of Civil Structural Health Monitoring, 6:43-67.

DOI      URL     [本文引用: 2]

Li X, Liu Z, Cui S, Luo C, Li C, Zhuang Z. 2019.

Predicting the effective mechanical property of heterogeneous materials by image based modeling and deep learning

Computer Methods in Applied Mechanics and Engineering, 347:735-753.

DOI      URL     [本文引用: 2]

Liang Y, Wu D, Huston D, Liu G, Li Y, Gao C, Ma Z J. 2018.

Civil infrastructure serviceability evaluation based on Big Data

// Guide to Big Data Applications. Switzerland: Springer Cham.

[本文引用: 1]

Liang Y, Wu D, Liu G, Li Y, Gao C, Ma Z J, Wu W. 2016.

Big Data-enabled multiscale serviceability analysis for aging bridges

Digital Communications and Networks, 2:97-107.

DOI      URL    

Lin Y, Nie Z, Ma H. 2017.

Structural damage detection with automatic feature—extraction through deep learning

Computer Aided Civil and Infrastructure Engineering, 32:1025-1046.

DOI      URL     [本文引用: 1]

Ling J, Kurzawski A, Templeton J. 2016.

Reynolds averaged turbulence modelling using deep neural networks with embedded invariance

Journal of Fluid Mechanics, 807:155-166.

DOI      URL     [本文引用: 1]

Mainini L, Willcox K. 2015.

Surrogate modeling approach to support real-time structural assessment and decision making

AIAA Journal, 53:1612-1626.

DOI      URL     [本文引用: 2]

Manyika J, Chui M, Brown B, Bughin J, Dobbs R, Roxburgh C, Byers A H. 2011.

Big Data: The next frontier for innovation, competition, and productivity

McKinsey Global Institute Report, 2011, https://www.mckinsey.com/business-functions/digital-mckinsey/our-insights/big-data-the-next-frontier-\\for-innovation.

URL    

Mauro A D, Greco M, Grimaldi M. 2016.

A formal definition of Big Data based on its essential features

Library Review, 65:122-135.

DOI      URL     [本文引用: 1]

Mazzocchi F. 2015.

Could Big Data be the end of theory in science? A few remarks on the epistemology of data driven science

EMBO Reports, 16:1250-1255.

DOI      URL     PMID      [本文引用: 1]

McDowell D L, LeSar R A. 2016.

The need for microstructure informatics in process-structure-property relations

MRS Bulletin, 41:587-593.

[本文引用: 2]

Meng S, Song L, Xu C, Wang W, Xie W H, Jin H. 2017.

Predicting the effective properties of 3D needled carbon/carbon composites by a hierarchical scheme with a fiber-based representative unit cell

Composite Structures, 172:198-209.

[本文引用: 1]

Meng S, Zeng Q, Jin H, Wang L W, Xu C H. 2018.

Evaluation of atomic oxygen catalytic coefficient of ZrB2-SiC by laser-induced fluorescence up to 1473 K

Measurement Science and Technology, 29:075207.

Min C, Mao S, Liu Y. 2014 b.

Big Data: A survey

Mobile Networks & Applications, 19:171-209.

Min C, Mao S, Yin Z, Leung V. 2014 a.

Big Data storage

// Big Data Related Technologies, Challenges and Future Prospects. Switzerland: Springer Cham.

[本文引用: 2]

Minano M, Montans F J. 2018.

WYPiWYG damage mechanics for soft materials: A data-driven approach

Archives of Computational Methods in Engineering, 25:165-193.

[本文引用: 1]

Morrison J H, Ambur M Y, Bauer S X. 2016.

Comprehensive digital transformation NASA Langley Research Center

NASA Technical Report, 2016, No. NF1676L-25664.

[本文引用: 1]

Najafabadi M M, Villanustre F, Khoshgoftaar T M, Seliya N, Wald R, Muharemagic E. 2015.

Deep learning applications and challenges in Big Data analytics

Journal of Big Data, 2:1.

[本文引用: 2]

Neggers J, Allix O, Hild F, Roux S. 2018.

Big Data in experimental mechanics and model order reduction: Today's challenges and tomorrow's opportunities

Archives of Computational Methods in Engineering, 25:143-164.

[本文引用: 1]

Nguyen L T K, Keip M A. 2018.

A data-driven approach to nonlinear elasticity

Computers & Structures, 194:97-115.

O'Leary D E. 2013.

Artificial intelligence and Big Data

IEEE Intelligent Systems, 28:96-99.

DOI      URL     PMID      [本文引用: 1]

Ozkose H, Ari E S, Gencer C. 2015.

Yesterday, today and tomorrow of Big Data.

Procedia-Social and Behavioral Sciences, 195:1042-1050.

[本文引用: 2]

Prudencio E E, Bauman P T, Faghihi D, Ravi-Chandar K, Oden J T. 2015.

A computational framework for dynamic data-driven material damage control, based on Bayesian inference and model selection

International Journal for Numerical Methods in Engineering, 102:379-403.

Qi G, Wayne S F. 2014.

A framework of data-enabled science for evaluation of material damage based on acoustic emission

Journal of Nondestructive Evaluation, 33:597-615.

[本文引用: 1]

Qiu J, Wu Q, Ding G, Feng S.

2016. A survey of machine learning for Big Data processing

EURASIP Journal on Advances in Signal Processing, 2016: 67.

[本文引用: 1]

Raj P. 2018.

A detailed analysis of NoSQL and NewSQL databases for Big Data analytics and distributed computing

Advances in Computers, 109:1-48.

[本文引用: 1]

Rajan K. 2015.

Materials informatics: The materials "gene" and Big Data

Annual Review of Materials Research, 45:153-169.

[本文引用: 1]

Ramprasad R, Batra R, Pilania G, Mannodi-Kanakkithodi A, Kim C. 2017.

Machine learning in materials informatics: Recent applications and prospects

NPJ Computational Materials, 3:54.

DOI      URL     [本文引用: 2]

Reddy K K, Venugopalan V, Giering M J. 2016.

Applying deep learning for prognostic health monitoring of aerospace and building systems

//1st ACM SIGKDD Workshop on ML for PHM, 2016, USA.

Rowley J. 2007.

The wisdom hierarchy: Representations of the DIKW hierarchy

Journal of Information Science, 33:163-180.

[本文引用: 2]

Rudy S H, Brunton S L, Proctor J L, Kutz J N. 2017.

Data-driven discovery of partial differential equations

Science Advances, 3:e1602614.

Russom P. 2011.

Big Data analytics

TDWI best practices report, 2011. https://tdwi.org/research/2011/09/~/media/TDWI/TDWI/Research/BPR/2011/TDWI_BPReport_Q411_Big_Data_Analytics_Web/TDWI_\\BPReport_Q411_Big%20Data_ExecSummary.ashx.

URL     [本文引用: 1]

Rzhetsky A. 2016.

The big mechanism program: Changing how science is done

// 18th International Conference on Data Analytics and Management in Data Intensive Domains, 2016, Ershovo, Russia.

[本文引用: 3]

Sanchez S M. 2014.

Simulation experiments: Better data, not just Big Data

// 2014 Winter Simulation Conference, 2014, Savanah USA.

Schleich B, Anwer N, Mathieu L, Wartzack S. 2017.

Shaping the digital twin for design and production engineering

CIRP Annals, 66:141-144.

[本文引用: 2]

Schroeck M, Shockley R, Smart J, Romero-Morales D, Tufano P. 2012.

Analytics: The real-world use of Big Data

IBM Global Business Services Report, 2012. .

URL    

Science staff. 2011.

Dealing with data

Science, 331:639-806.

[本文引用: 1]

Shafto M, Conroy M, Doyle R , et al. 2012.

Modeling, simulation, information technology & processing roadmap

NASA Technical Report, 2012, https://www.nasa.gov/pdf/501321main_TA11-MSITP-DRAFT-Nov2010-A1.pdf.

URL     [本文引用: 1]

Shakoor M, Kafka O L, Yu C, Liu W K. 2018.

Data science for finite strain mechanical science of ductile materials

Computational Mechanics, 13:1-13.

[本文引用: 1]

Singh A P, Medida S, Duraisamy K. 2017.

Machine-learning-augmented predictive modeling of turbulent separated flows over airfoils

AIAA Journal, 2215-2227.

[本文引用: 1]

Singh D, Reddy C K. 2015.

A survey on platforms for Big Data analytics

Journal of Big Data, 2:8.

URL     PMID      [本文引用: 1]

Sivarajah U, Kamal M M, Irani Z, Weerakkody V. 2017.

Critical analysis of Big Data challenges and analytical methods

Journal of Business Research, 70:263-286.

DOI      URL     [本文引用: 1]

Spalart P R. 2000.

Strategies for turbulence modelling and simulations

International Journal of Heat and Fluid Flow, 21:252-263.

[本文引用: 1]

Speziale C. 1998.

Turbulence modeling for time-dependent RANS and VLES: A review

AIAA Journal, 36:173-184.

[本文引用: 1]

Succi S, Coveney P V. 2019.

Big Data: The end of the scientific method?

Philosophical Transactions of the Royal Society A, 377:20180145.

[本文引用: 1]

Sumpter B G, Vasudevan R K, Potok T, Kalinin S V. 2015.

A bridge for accelerating materials by design

NPJ Computational Materials, 1:15008.

[本文引用: 1]

Sun Y, Song H, Jara A J , et al. 2016.

Internet of things and Big Data analytics for smart and connected communities

IEEE Access, 4:766-773.

[本文引用: 1]

Tao F, Cheng J, Qi Q, Zhang M, Zhang H, Sui F Y. 2018.

Digital twin-driven product design, manufacturing and service with Big Data

The International Journal of Advanced Manufacturing Technology, 94:3563-3576.

[本文引用: 1]

Terzi D S, Terzi R, Sagiroglu S. 2015.

A survey on security and privacy issues in Big Data

// .

URL     [本文引用: 1]

Tsai C W, Lai C F, Chao H C, Vasilakos A V. 2015.

Big Data analytics: A survey

Journal of Big Data, 2:21.

[本文引用: 1]

Tuegel E J, Ingraffea A R, Eason T G, Spottswood S M.

2011. Reengineering aircraft structural life prediction using a digital twin

International Journal of Aerospace Engineering, 2011: 154798.

[本文引用: 1]

Uhlemann T H J, Lehmann C, Steinhilper R. 2017.

The digital twin: Realizing the cyber-physical production system for industry 4.0

Procedia CIRP, 61:335-340.

[本文引用: 1]

Ur Rehman M H, Liew C S, Abbas A, Jayaraman P P, Wah T Y, Khan S U. 2016.

Big Data reduction methods: A survey

Data Science and Engineering, 1:265-284.

[本文引用: 1]

US Government. 2012.

Big Data research and development initiative

https://obamawhitehouse.archives.gov/blog/2012/03/29/big-data-big-deal, [2012-03-29]/[2019-3-11].

URL     [本文引用: 1]

Ushizima D M, Bale H A, Bethel E W, Ercius P, Helms B A, Krishnan H, Grinberg L T, Haranczyk M, Macdowell A A, Odziomek K. 2016.

Ideal: Images across domains, experiments, algorithms and learning

JOM, 68:2963-2972.

[本文引用: 1]

Ushizima D, Perciano T, Krishnan H, Loring B, Bale H, Parkinson D, Sethian J. 2014.

Structure recognition from high resolution images of ceramic composites

// 2014 IEEE International Conference on Big Data. 2014, Washington, DC, USA.

[本文引用: 1]

Viceconti M, Hunter P J, Hose R D. 2015.

Big Data, big knowledge: Big Data for personalized healthcare

IEEE J. Biomedical and Health Informatics, 19:1209-1215.

[本文引用: 1]

Wamba S F, Akter S, Edwards A, Chopin G, Gnanzou D. 2015.

How "Big Data" can make big impact: Findings from a systematic review and a longitudinal case study

International Journal of Production Economics, 165:234-246.

[本文引用: 1]

Wang J P, Zhang W S, Shi Y K, Duan S, Liu J. 2018.

Industrial Big Data analytics: Challenges, methodologies, and applications

arXiv preprint. .

URL     [本文引用: 1]

Wang J X, Wu J L, Xiao H. 2017.

Physics-informed machine learning approach for reconstructing Reynolds stress modeling discrepancies based on DNS data

Physical Review Fluids, 2:034603.

[本文引用: 2]

Wang K, Sun W C. 2018.

Meta-modeling game for deriving theoretical-consistent, micro-structural-based traction-separation laws via deep reinforcement learning

arXiv preprint. https://arxiv.org/abs/1810.10535.

URL    

Wang W, Xu C, Jin H, Meng S H, Zhang Y, Xie W H. 2017.

Measurement of high temperature full-field strain up to 2000 C using digital image correlation

Measurement Science and Technology, 28:035007.

White A A. 2013.

Big Data are shaping the future of materials science

MRS Bulletin, 38:594-595.

[本文引用: 2]

Witherden F D, Jameson A. 2017.

Future directions in computational fluid dynamics

// 23rd AIAA Computational Fluid Dynamics Conference, 2017, Denver, Colorado, USA.

Wu J L, Sun R, Laizet S, Xiao H. 2019.

Representation of stress tensor perturbations with application in machine-learning-assisted turbulence modeling

Computer Methods in Applied Mechanics and Engineering, 346:707-726.

[本文引用: 1]

Wu X, Zhao J, Tong Y. 2018.

Big Data analysis and scheduling optimization system oriented assembly process for complex equipment

IEEE Access, 6:36479-36486.

[本文引用: 2]

Xu C H, Han X X, Song L Y, Meng S H, Xie W H, Jin H. 2018.

A modified anti-symmetric four-point bending method for testing C/C composites under biaxial shear and compression

Experimental Mechanics, 58:515-525.

Yan D, Yin X S, Lian C, Zhong X, Zhou X, Wu G S. 2015.

Using memory in the right way to accelerate Big Data processing

Journal of Computer Science and Technology, 30:30-41.

[本文引用: 2]

Yan J, Meng Y, Lu L, Li L. 2017.

Industrial Big Data in an industry 4.0 environment: Challenges, schemes, and applications for predictive maintenance

IEEE Access, 5:23484-23491.

[本文引用: 1]

Yang Q, Han X, Xu C, Xie W H, Meng S H. 2018.

Development and validation of an anisotropic damage constitutive model for C/SiC composite

Ceramics International, 44:22880-22889.

[本文引用: 1]

Yang W, Wang H T, Li T F, Qu S. 2019.

X-Mechanics—an endless frontier. Science China Physics,

Mechanics & Astronomy, 62:14601.

Yang Z, Yabansu Y C, Al-Bahrani R, Liao W K, Choudhary A N, Kalidindi S R, Agrawal A. 2018.

Deep learning approaches for mining structure-property linkages in high contrast composites from simulation datasets

Computational Materials Science, 151:278-287.

Yvonnet J, Gonzalez D, He Q C. 2009.

Numerically explicit potentials for the homogenization of nonlinear elastic heterogeneous materials

Computer Methods in Applied Mechanics and Engineering, 198:2723-2737.

[本文引用: 1]

Zhang C Y, Chen C L P. 2014.

Data-intensive applications, challenges, techniques and technologies: A survey on Big Data

Information Sciences, 275:314-347.

[本文引用: 2]

Zhang X, Xiang Y. 2017.

Combinatorial approaches for high-throughput characterization of mechanical properties

Journal of Materiomics, 3:209-220.

[本文引用: 1]

Zhang Y, Ren J, Liu J, Xu C, Guo H, Liu Y. 2017.

A survey on emerging computing paradigms for Big Data

Chinese Journal of Electronics, 26:1-12.

Zhou L, Pan S, Wang J, Vasilakos A V. 2017.

Machine learning on Big Data: Opportunities and challenges

Neurocomputing, 237:350-361.

DOI      URL     [本文引用: 1]

Zhou Z H, Chawla N V, Jin Y, Williams G J. 2014.

Big Data opportunities and challenges: Discussions from data analytics perspectives

IEEE Computational Intelligence Magazine, 9:62-74.

[本文引用: 1]

/

〈 〉

Baidu
map