基于机器学习的可定制机械设计方法,用于钻石板晶格超材料

《INTERNATIONAL JOURNAL OF MECHANICAL SCIENCES》:Machine learning-driven customizable mechanical design of diamond plate lattice metamaterials

【字体: 大 中 小 】 时间:2025年12月30日 来源:INTERNATIONAL JOURNAL OF MECHANICAL SCIENCES 9.4

编辑推荐:

  机械性能优化与多目标逆设计框架在金刚石基板格 metamaterials 中的应用,通过XGBoost曲线驱动模型与NSGA-II算法耦合,实现应力-应变响应的高精度预测(误差降低96%,R2=0.994),并联合优化比能量吸收、比 plateau 强度和比刚度,在0.092-0.94相对密度范围内完成多目标参数逆设计,显著提升材料力学性能与可制造性。

  
吴东全|徐振毅|吴恩泽|袁卓|郭迪志|张志强
中欧航空工程研究院,中国民用航空大学,金北路2898号,天津,300300,中国

摘要

本研究提出了一个基于机器学习的多目标逆向设计框架,该框架将XGBoost替代模型与NSGA-II算法相结合,用于优化基于金刚石的板格(DM)超材料的机械性能。通过对316种L型不锈钢晶格的有限元(FE)模拟进行训练,该替代模型能够在无需人工特征工程的情况下预测广泛的几何设计空间内的完整压缩应力-应变响应。与传统回归方法相比,预测误差降低了96%以上,R2值提升至0.994。当与NSGA-II结合使用时,该框架能够同时优化比能量吸收(SEA)、比平台强度(SPS)和比刚度(SE),并实现明确的权衡控制,从而产生兼具高强度和能量吸收能力的晶格结构;多目标定制的复合误差相对于FE基准值仍保持在10%以内。贝叶斯超参数调整进一步将替代模型的相对密度预测范围扩展了107%(从0.12扩展到0.53,再到0.092–0.94),证明了其在更宽密度范围内的适用性。总体而言,XGBoost–NSGA-II框架具有鲁棒性和实用性,为设计具有定制刚度、强度和能量吸收能力的板格超材料提供了高效途径,同时加速了其在轻量化应用中的部署。

引言

机械超材料的独特性能源于其工程化的微观结构,而非化学成分[1]。与传统材料不同,它们的宏观机械和物理特性主要由几何配置和拓扑排列决定[2,3],而不仅仅是化学组成。通过调整这些结构参数,设计师可以实现负泊松比[4]、[5]、[6]、高比刚度[7]以及出色的能量吸收能力[8]等特性。这些特性使得机械超材料非常适合重量敏感的航空航天部件[9]和能量耗散的工业组件[10,11],因此人们持续努力将超材料从实验室推向实际应用[12]。
在超材料分类中,基于原子晶体结构的晶格结构表现出特别强的性能。晶格超材料通常根据载荷路径和可制造性分为三种类型:桁架[13]、[14]、[15]、壳体[16]、[17]和板格[19]、[20]、[21],其分类和制造限制已在相关文献中进行了综述[22]。通过协调多孔框架中的精确拓扑和几何形状,这些结构即使在非常低的相对密度下也能实现高比刚度和强度[24]。其中,当控制薄板屈曲并合理约束节点时,板格系统可以获得接近甚至超过Hashin–Shtrikman上限的多相各向同性固体的方向有效模量[25],显示出优异的稳定性和承载效率[26]。最近的研究进一步拓展了板格的超机械潜力。Li等人[27]和Guo等人[28]设计了结合高压缩强度与宽带声学衰减和阻尼的配置;Yang等人的混合板格(SBHP)通过内外板的结合抑制了屈服后的应力下降并引发了二次平台效应,从而实现了更高的比能量吸收(SEA)和更稳定的平台应力,同时提高了平均声吸收率和带宽[29]。另一项研究提出了基于竹子的板-空心桁架混合结构(HPHL),在板格内部嵌入空心桁架以促进载荷共享、均匀化应力场并延缓致密化过程,从而扩大了有效压缩区域,提高了平均承载能力和SEA,优于单独的板格或桁架结构[30]。
传统的板格系统通常使用面心立方(FCC)[31,32]和简单立方(SC)[33, [34], [35]]单元格。尽管它们具有高比刚度,但薄板在受压时容易发生局部屈曲[36],导致平台应力区域出现明显的锯齿状变化并引发过早失效。最近,吴等人提出并系统评估了一种基于金刚石晶格结构的板格超材料[37]。通过准静态压缩测试和有限元模拟,他们研究了单元格宽度和壁厚这两个几何尺度对轴向刚度、屈服强度、临界屈服载荷和平台应力稳定性的影响。在相同体积分数下,其轴向刚度仅略低于FCC基准值,而有效模量接近甚至在某些方向上超过了Hashin–Shtrikman上限[40], [41], [42]对各向同性复合材料的估计。与FCC和截角八面体板格超材料相比,基于金刚石的架构实现了更高的比能量吸收(SEA)、更稳定的平台应力以及更平滑的屈服到平台过渡[37]。综上所述,基于金刚石的板格超材料在单元格尺度上促进了更均匀的载荷传递和扩散[43],延缓了局部不稳定性的发生和传播[44],减轻了屈曲引起的模式下降和屈服后强度下降[45],从而显著提高了强度并增强了能量吸收能力,使其适用于超轻量化的能量吸收和冲击缓解应用。
尽管基于金刚石的板格超材料在机械性能和能量吸收方面显示出潜力,但以往的研究仅探讨了有限的相对密度和几何参数范围。由于高保真度的有限元模拟和物理测试耗时且成本高昂[46,47],参数扫描通常采用较粗的增量,导致设计空间的覆盖范围有限,响应表面的分辨率不足。因此,刚度、屈服/屈曲行为[48,49]、平台应力稳定性[50,51]和比能量吸收(SEA)的细微趋势未能得到充分捕捉。随着设计变量和约束条件的增加,搜索空间呈组合方式扩展[52,53]。传统的基于FE或实验的工作流程依赖于局部搜索,这增加了局部最优解的风险,掩盖了帕累托前沿[54,55],并且很少包括系统的不确定性量化。因此,建立从尺寸参数到机械性能的高效且可扩展的映射——并实现这类超材料的受限逆向设计——仍然是一个重大挑战。
数据驱动的方法[56,57],尤其是深度学习,现在为结构发现和优化提供了更快的途径[58,59]。通过挖掘大量的模拟和实验数据库,机器学习替代模型可以在无需显式本构模型的情况下学习几何形状和力学特性之间的非线性关系,将设计周期缩短数个数量级[60,61]。Han等人[62]使用监督学习逆向设计了具有用户指定刚度曲线的弹簧超材料,而Grigoropoulos等人[63]利用深度神经网络创建了既各向同性又具有负泊松比的板格结构。
近年来,将机器学习替代模型与多目标进化优化(例如Nondominated Sorting Genetic Algorithm II (NSGA-II))相结合,显著加速了晶格超材料的参数探索和权衡优化[64], [65], [66]。Hu等人[67]使用NSGA-II同时优化了比能量吸收(SEA)和宽带声学衰减;Wu等人[68]将NSGA-II与级联学习模型结合,实现了全各向同性复合晶格的刚度和强度的最大化[69,70]。然而,对基于金刚石的板格超材料(DM)的系统性机械研究仍然有限。更重要的是,大多数现有方法仅停留在多指标优化阶段[71,72],缺乏能够根据用户指定的机械目标逆向生成几何形状和尺寸参数的端到端框架。为解决这一差距,本文开发了一种高效且可扩展的基于DM的映射方法,从尺寸参数到机械性能,并在规定的约束条件下实现可控的性能优化,以满足工程应用的需求。
为了克服这一限制,我们将贝叶斯优化[73], [74], [75]与极端梯度提升(XGBoost)[76,77]相结合,训练出一个能够根据几何参数和应变预测轴向应力的替代模型。贝叶斯优化调整了XGBoost的超参数[78], [79], [80]以最大化预测准确性。经过校准的替代模型被嵌入到Non-Dominated Sorting Genetic Algorithm II (NSGA-II) [81]中,该算法能够高效地在高维设计空间中导航,并生成满足多个潜在竞争性机械目标的帕累托前沿。该工作流程自动从预测的应力-应变曲线中提取机械指标,评估每个候选方案,并不断优化种群直到收敛。因此,这种贝叶斯–XGBoost–NSGA-II流程实现了板格超材料的快速、高保真逆向设计,而无需进行耗时的有限元模拟。
第2节介绍了基于金刚石晶体拓扑的板格的几何特性,并报告了支持数据驱动分析的初步验证结果:材料属性表征、网格收敛性研究和准静态加载校准。第3节构建了一个完整的高保真模拟工作流程,用于生成应力-应变数据库。在系统比较了三种候选算法后,我们选择了一个结合贝叶斯优化进行超参数调整和内置不确定性量化的XGBoost替代模型,以实现高精度的应力预测,并将其与NSGA-II结合进行多目标优化和逆向设计。这些模块被集成到一个可定制性能的框架中,用于基于金刚石的板格(DM)超材料,能够在广泛的相对密度范围内实现多个机械目标的定制控制,同时显著降低实验和计算成本,而不影响精度。

节选内容

金刚石板格超材料设计过程

本节详细描述了使用多单元格组装和切割技术设计的基于金刚石的板格超材料的过程。
本研究中的金刚石板超材料(DM)设计采用了受金刚石晶体结构启发的多单元格拓扑切割方法。设计过程从金刚石单元格开始(如图1(a)所示),基于“点-线-面填充设计方法”。

实验验证

本节对基于金刚石的板格超材料(DM)的准静态压缩性能进行了初步研究。分析了宏观变形特性,并提供了应力-应变曲线中屈曲区域的微观失效机制分析。
本研究利用选择性激光熔化(SLM)技术和316不锈钢粉末作为原材料,设计和制造了具有四种不同相对密度的双层金刚石超材料(DM)。

结论

本研究建立了一个基于机器学习的多目标逆向设计框架,该框架将XGBoost替代模型与NSGA-II相结合,用于优化金刚石型板格(DM)超材料的力学性能。该曲线驱动的替代模型直接预测了完整的应力-应变响应,避免了特征选择偏差;在交叉验证中,其均方根误差(RMSE)降低了96.37%,R2值为0.994。其整体性能超过了Transformer模型,并且与RNN模型相当或更优,同时提供了更平衡的MAE/RMSE/R2比率。

CRediT作者贡献声明

吴东全:撰写 – 审稿与编辑,撰写 – 原稿撰写,监督,软件开发,资金获取,概念构思。徐振毅:撰写 – 审稿与编辑,撰写 – 原稿撰写,可视化,验证,软件开发,数据管理。吴恩泽:验证,软件开发,数据管理。袁卓:验证,软件开发,数据管理。郭迪志:验证,数据管理。张志强:撰写 – 审稿与编辑,监督。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号