基于机器学习的回转面多孔结构机械行为快速逆向设计

《Computer-Aided Design》:Machine learning-based rapid inverse design of mechanical behavior for gyroid porous structures

【字体: 大 中 小 】 时间:2026年10月14日 来源:Computer-Aided Design 3.2

编辑推荐:

   • 深度学习框架实现从目标应力-应变曲线直接逆向设计Gyroid多孔结构,消除了迭代试错工作流。 • 分层神经网络架构集成应力分类、参数识别和正向重建,实现了94.9%的材料准确率和3.2%的孔隙率误差。 • 将物理约束(单调性、平滑性、致密化)嵌入多目标损失函数,确保机械预

  

• 深度学习框架实现从目标应力-应变曲线直接逆向设计Gyroid多孔结构,消除了迭代试错工作流。
• 分层神经网络架构集成应力分类、参数识别和正向重建,实现了94.9%的材料准确率和3.2%的孔隙率误差。
• 将物理约束(单调性、平滑性、致密化)嵌入多目标损失函数,确保机械预测的物理合理性。
• 对五种生物相容性聚合物(PA12、PA11、TPE、TPU95A、TPUA09)进行全面验证,并采用有限元交叉验证,确认机械可靠性(归一化均方根误差<6.4%)。
• 快速计算(每次设计0.15秒)为个性化颅骨矫形衬垫和患者定制生物医学缓冲系统提供了切实可行的途径。

**1. 引言**

具有可编程力学性能的多孔结构在个性化生物医学和工程应用中需求广泛——包括矫形器械、假肢衬垫、防护装备和航空航天缓冲结构[[1], [2]]——其中空间梯度化的力学响应必须针对非均匀载荷条件和患者特异性解剖结构进行个体化定制。一个典型的应用案例是针对婴幼儿位置性斜头综合征的矫形头盔衬垫设计[[3], [4]],该设计需要精确控制区域压力,同时避免导致皮肤损伤的应力集中[[5], [6], [7], [8], [9], [10]];类似的定制需求也存在于假肢接受腔衬垫、轮椅坐垫和运动防护衬垫中。通过传统经验方法满足这些要求既耗时又不利于大规模个性化。

在各种多孔架构中,三周期极小曲面(TPMS)——尤其是Gyroid结构——因其连续表面、均匀曲率分布和优异的力学性能而备受关注[[11], [12], [13], [14], [15], [16]]。Gyroid结构表现出均匀应力分布、高比模量,以及在压缩下可控的逐层失效[[17], [18], [19], [20], [21], [17], [18], [19], [21]],在缓冲应用中具有固有优势。

选择Gyroid TPMS拓扑有三个相互关联的原因:力学性能、制造保真度和参数可处理性。在多孔架构中,杆基点阵(BCC、FCC、八面体桁架)在节点交汇处存在应力集中,会在循环载荷下引发过早失效[22],而基于曲面的TPMS点阵通过其平滑连续的表面在能量吸收、刚度和强度方面超越了它们[22, 23]。拓扑优化的自由形态结构虽然理论上最优,但包含难以从内部孔隙中移除的悬垂特征[24],且设计和制造之间偏差显著——而TPMS通过自支撑几何形状天然地最小化了这一差距[25]。在TPMS拓扑中,Gyroid具有最大的通道连接面积、致密化前优越的能量吸收和均匀的应力均匀化[26],使其特别适合本文所针对的缓冲应用。

增材制造技术的进步使得能够在广泛的聚合物和金属材料中进行精确制造[[13], [14]],通过独立变化材料类型和孔隙率,Gyroid TPMS结构的峰值应力可跨越从亚兆帕到数十兆帕的范围——为个性化应用建立了一个多功能、连续可调的设计空间。

传统多孔结构设计遵循正向工作流——规定参数,通过模拟或测试验证响应,然后迭代——这种方式耗时且不适应大参数空间或快速个性化[[27], [28]]。逆向设计,即直接从目标力学响应推导结构参数,提供了一种更高效的替代方案。然而,它面临重大挑战:高度非线性的参数-性能映射导致病态问题;多个参数集可产生相同响应;基于有限元的优化带来难以承受的計算成本[[29], [30]]。

微结构的计算设计还通过几何建模和等几何分析(IGA)取得了进展。Hughes、Cottrell和Bazilevs的IGA范式[31]为设计和分析建立了统一的NURBS表示,实现了CAD–FEA的无缝集成;Antolin、Buffa和Martinelli[32]将IGA扩展到体积表示,用于直接分析复杂多孔几何体。在几何合成方面,Massarwi和Elber[33]建立了B样条体积建模,Hong、Elber和Kim[34]开发了隐式功能梯度微结构。这些方法解决的是正向问题——在给定目标的情况下表示和优化几何体——而本文解决的是逆向问题。两个方向是协同的:将基于IGA的无网格验证集成到本文的闭环架构中是一个有前景的未来方向。

除上述考虑外,Gyroid TPMS为基于机器学习的逆向设计提供了一个决定性优势:参数可处理性。自由形态多孔结构存在于高维设计空间中,每个体素都是一个设计变量,在没有生成模型的情况下直接神经网络逆向映射是不可行的[35]。相比之下,Gyroid完全由其隐式水平集方程定义,孔隙率由单一参数控制,将设计空间降维为低维、可解释的参数集——材料类型和孔隙率。这种降维使得可以从完整的应力-应变曲线直接逆向识别出可制造的参数。该方法可通过重新训练推广到其他参数化TPMS拓扑(Diamond、Primitive),而自由形态逆向设计则代表了一个不同的研究方向。

机器学习提供了一条有前景的道路:深度神经网络可以从数据中学习复杂映射[[36], [37]],并已在通过CNN进行拓扑优化[[38], [39]]、通过GAN和VAE进行多孔材料逆向设计[[40], [41]]、以及从规定刚度生成点阵结构[[42], [43], [44]]方面展示了实用性。这些方法主要遵循标量到拓扑的范式,或采用生成模型从目标曲线合成拓扑的曲线到拓扑范式[[45], [46]]——后者产生的几何输出需要大量后处理。本文引入了一种互补的曲线到参数范式:从完整的200点应力-应变曲线直接逆向识别出可解释的、可制造的参数(材料类型和孔隙率),这得益于物理约束的分层网络和内置闭环正向重建验证。本研究将该框架应用于五种生物相容性聚合物(PA12、PA11、TPE、TPU95A、TPUA09)在50%-80%孔隙率范围下的Gyroid TPMS结构的单轴压缩,提供了一个广泛适用的快速逆向设计机械可调多孔结构的工具。

**2. 材料与方法**

本研究系统地设计了实验方案,涵盖五种材料在不同孔隙率和压缩位移条件下的测试,完整的设计矩阵详见表1。

**表1. Gyroid TPMS结构有限元模拟的实验设计矩阵。**

| 材料 | PA12 | PA11 | TPU95A | TPUA09 | TPE |
|------|------|------|--------|--------|-----|
| 孔隙率范围 | 孔隙率:50-80%(9个等级) | 孔隙率:50-80%(9个等级) | 孔隙率:50-80%(9个等级) | 孔隙率:50-80%(9个等级) | 孔隙率:50-80%(9个等级) |
| 压缩距离组合 | 距离:0.1/0.4/0.6/0.9mm | 距离:0.1/0.4/0.6/0.9 mm | 距离:0.1/0.4/0.6/0.9 mm | 距离:0.1/0.4/0.6/0.9 mm | 距离:0.1/0.4/0.6/0.9 mm |

**2.1. 试样设计与压缩模拟方案**

本研究选择Gyroid结构作为研究对象(图1(a)),该结构代表了一种典型的三周期极小曲面(TPMS)架构。研究采用了五种工程级聚合物材料,共同覆盖个性化缓冲应用所需的广泛力学响应空间:高刚性聚酰胺(PA12和PA11)、热塑性弹性体(TPE)以及热塑性聚氨酯(TPU95A和TPUA09),涵盖从刚性到高柔性的连续谱。将材料类型作为逆向设计框架的直接输出——而非固定参数——这一决定的依据是个性化缓冲应用必须覆盖的力学响应空间。在单一材料内,孔隙率从50%到80%的变化产生的力学响应范围有限;然而,在完整的材料-孔隙率设计空间中,峰值应力范围从约0.5 MPa到超过80 MPa,这一范围没有任何单一材料仅通过孔隙率调节就能覆盖。材料选择和孔隙率因此构成了互补且共同必要的设计自由度,从目标响应中同时识别两者是逆向问题的正确表述。相应地,对每种材料系统地设置九个离散等级的孔隙率从50%到80%,建立了完整的材料-孔隙率参数空间,逆向模型从该空间中学习识别目标一致的结构构型。

下载:下载高分辨率图片(552KB)
下载:下载全尺寸图片

**图1. 不同孔隙率TPMS Gyroid多孔结构的几何构型及其单轴压缩有限元模拟。**(a)孔隙率分别为60%、70%和80%的Gyroid多孔结构三维几何构型。(b)在不同压缩应变水平(10%、40%、60%、90%)下单轴压缩下的对应有限元模拟结果。彩色等值线代表von Mises应力分布,展示了结构在压缩过程中的应力演化和变形行为。

使用ABAQUS进行准静态单轴压缩模拟,设置了四个位移水平:0.1 mm、0.4 mm、0.6 mm和0.9 mm,覆盖从初始接触到大变形的范围;这些水平的设定基于以下事实——头盔衬垫的不同解剖区域根据衬垫表面与颅骨几何之间的局部间隙经历不同的压缩程度,这使得载荷距离成为一个必要的设计参数而非固定条件(图1(b))。底面完全约束(U1 = U2 = U3 = 0),而对顶面施加垂直位移载荷,侧边界自由。每条模拟曲线包含200个等距数据点,捕捉详细的变形特征,同时为深度学习模型提供充足的训练数据。这些模拟设计选择共同反映了Gyroid拓扑的已证实的适用性——其特征为连续表面、固有应力均匀化和优越的皮肤接触舒适性——非常适合生物医学缓冲应用。

**2.2. 逆向设计框架架构**

为解决从目标力学响应推导结构参数的逆向问题,本研究开发了一种深度学习赋能的逆向-正向闭环验证框架。如图2所示,该框架包含三个相互关联的组成部分:逆向识别、共享稠密表示学习和正向预测与物理感知验证。配对的应力-应变曲线(200 × 2)和提取的物理特征首先通过双分支架构进行编码,执行材料类型和孔隙率的逆向识别。识别出的参数随后被映射到可解释的物理参数空间,并输入正向预测网络重建对应的应力-应变曲线。最后,物理感知的后处理强制施加单调性和端点平滑,确保预测力学响应的物理合理性和一致性。这一闭环机制通过重建曲线与目标曲线的直接比较实现定量验证。

下载:下载高分辨率图片(692KB)
下载:下载全尺寸图片

**图2. TPMS Gyroid多孔结构逆向-正向闭环验证框架的示意图。** 该框架由三个主要组成部分构成:逆向识别、共享稠密表示学习和正向预测与物理感知验证。配对的应力-应变曲线(200 × 2)和提取的物理特征首先通过卷积和全连接分支进行编码,执行材料类型和孔隙率的逆向识别。识别出的参数随后被映射到可解释的物理参数空间并输入正向预测网络,以重建对应的应力-应变曲线。最后,应用物理感知的后处理,包括温和的单调性约束和端点平滑,以确保预测力学响应的物理合理性和一致性。

**2.3. 数据预处理与特征工程**

深度学习模型性能 critically 取决于输入数据质量和表示方式。除了200个归一化的应力-应变数据点外,还设计了一个20维物理特征向量,以提供涵盖材料力学多方面的高级曲线表征。第1-8维由统计特征组成(应力和应变的最大值、最小值、均值和标准差),快速表征整体曲线分布。第9维代表通过曲线初始10%的线性回归获得的弹性模量,反映了区分刚性聚酰胺和柔性弹性体的关键初始材料刚度。第10-11维捕捉通过定位曲线二阶导数极值确定的屈服点坐标,有效区分脆性材料(PA系列)和韧性材料(TPU系列)。第12维通过应力-应变曲线下的积分面积量化能量吸收,与孔隙率呈强负相关。第13-16维代表四个变形区间的分段统计和归一化峰值应力位置指数,捕捉分阶段力学行为。第17-20维包含梯度特征,包括最大应力梯度、标准差、平均应力-应变比和平滑度指数,量化局部变化率和整体曲线规律性。这种物理信息的特征设计通过纳入领域知识而非仅依赖数据驱动学习,增强了模型的可解释性。

基础数据集包含180条独特应力-应变曲线,对应180种参数组合(5种材料 × 9个孔隙率等级 × 4个位移水平),每种组合精确生成一条模拟曲线。四个位移水平(0.1、0.4、0.6、0.9 mm)代表不同的载荷程度,对应缓冲应用中不同的压缩条件,产生的曲线变形阶段覆盖范围从仅弹性阶段到完全致密化不等。按照分层80/20训练-验证划分(144条训练曲线和36条验证曲线,按材料类型分层),仅对训练集应用八折数据增强——通过分段高斯噪声注入,产生约1,152个增强训练样本。验证集完全不做增强。在弹性载荷区间内,Gyroid结构的有效弹性模量随孔隙率按幂律关系变化,即使仅从弹性阶段曲线也能可靠地识别孔隙率。表3中报告的约1,200个样本指的是增强训练样本(~1,152)和未增强验证曲线(36)的总和。

应力-应变曲线在网络输入前进行归一化(应变轴归一化到[0, 1],应力值按每条曲线内的最大应力进行归一化),确保模型学习曲线形态而非绝对量级。

20 维物理信息特征向量编码了位移不变机械描述符——包括从每条曲线初始 10% 提取的弹性模量(其与孔隙率呈单调关系)——屈服点坐标,以及归一化能量吸收——这些特征在所有位移水平上均具有判别力。应力水平分类模块在反演识别之前根据变形特征对曲线进行划分,以适应变形阶段覆盖范围的差异。作为特征工程策略的补充,实施数据增强以进一步增强模型泛化能力,应对有限模拟数据集的固有约束——逆识别网络的 144 条训练曲线(~93,000 参数)。八倍增强弥补了数据集大小的限制,并弥合了模拟与实验之间的差距:增材制造引入了微观结构变异性,这在实验曲线中表现为测量噪声。分级噪声设计——对覆盖弹性和平台区的点 1-150 添加相对较大的高斯噪声(标准差 0.001-0.005),对覆盖致密化的点 151-200 应用极小噪声(标准差 0.0003-0.001)——反映了早期响应比对致密化起始更敏感的物理观察,噪声水平经过校准以匹配 3D 打印旋螺面(Gyroid)结构的实验变异性。

3. 结果与分析
3.1. 应力水平分类模块
鉴于极端训练数据不平衡——峰值应力跨越 0.5 MPa(低孔隙率 TPE)到 80 MPa(高孔隙率 PA11)——一个初步分类模块使用分位数导出的阈值(8 MPa 和 40 MPa)将曲线分为三类,产生用于分层建模的低应力(35%)、中应力(42%)和高应力(23%)子集。轻量级一维卷积网络通过两个卷积层(32/64 滤波器,核 10/5)、批归一化和最大池化处理 200 × 2 应力 - 应变矩阵,随后进行全局平均池化以进行三类分类(~15,000 参数)。通过 Adam 优化器(lr=0.001)、稀疏类别交叉熵损失和早停(patience=25)训练,模型在第 143 个 epoch 收敛,达到 94.2% 验证准确率(每类 93.5%/91.1%/94.7%)。测试损失在 100 个 epoch 后稳定在 0.01 以下(图 3a),训练准确率为 97.8%,训练 - 验证间隙极小,表明没有过拟合。ROC 分析展示了卓越的判别能力,所有类别的 AUC 值均超过 0.975(图 3b)。加权指标达到 92.8% 精确率、92.9% 召回率和 92.8% F1 分数。混淆主要发生在决策边界(7-9 MPa 和 38-42 MPa)。神经网络架构优化显示 100-200 个神经元时性能最佳,误分类率最小化至~7.6%(图 3c),而学习曲线展示了鲁棒的泛化能力,在所有数据集大小下训练和验证准确率均超过 88%,当训练集比例超过 70% 时饱和在 92% 附近(图 3d)。

图 3. 用于材料分类和孔隙率估计的逆识别网络的性能评估与优化。(a) 训练和验证损失曲线显示在 50 个 epoch 内快速收敛并稳定在零附近,表明有效学习且无过拟合。(b) ROC 曲线展示了卓越的分类器性能,AUC 值在 0.975 到 1.0 之间。(c) 误分类率与神经元数量的关系,显示在 100-200 个神经元时性能最佳,最低错误率约为 0.076。(d) 不同训练数据集大小下的训练和验证准确率,始终超过 88%,即使训练数据有限也展示了鲁棒的泛化能力。

3.2. 正向响应重构模块
正向模型通过深度残差架构将 7 维输入(5D one-hot 材料类型、孔隙率、归一化位移)映射为 200 对应力 - 应变坐标,该架构包含一个带批归一化和 dropout(0.3)的 128 单元全连接层、六个带跳跃连接的 256 单元残差块,以及两个生成 400 个输出的 512 单元扩展层,重塑为 200 × 2 矩阵(~1.2M 参数)。由于标准回归目标无法强制执行压缩应力 - 应变行为固有的物理约束——单调性、平滑度和准确的致密化起始——制定了一个物理信息多目标损失函数,以引导训练朝向物理一致的预测。

优化采用具有五个加权分量的多目标损失函数。每个训练样本的总损失定义为:
$L_{total} = w_{\sigma}\mathcal{L}_{\sigma} + w_{\varepsilon}\mathcal{L}_{\varepsilon} + w_{end}\mathcal{L}_{end} + w_{sm}\mathcal{L}_{sm} + w_{mono}\mathcal{L}_{mono}$
其中权重设置为 $w_{\sigma}=10.0$, $w_{\varepsilon}=3.0$, $w_{end}=8.0$, $w_{sm}=0.005$, 和 $w_{mono}=1.0$。

应力和应变重构项采用 Huber 损失以增强对异常值的鲁棒性:
$\mathcal{L}_{\sigma} = \frac{1}{N} \sum_{i=1}^{N} H_{\delta}(\hat{\sigma}_i - \sigma_i), \quad \mathcal{L}_{\varepsilon} = \frac{1}{N} \sum_{i=1}^{N} H_{\delta}(\hat{\varepsilon}_i - \varepsilon_i)$
其中 $H_{\delta}(e) = \begin{cases} \frac{1}{2}e^2 & |e| \leq \delta \\ \delta (|e| - \frac{1}{2}\delta) & |e| > \delta \end{cases}$
$\delta=1.0$, $N=200$ 表示数据点数量,$\hat{\sigma}_i, \hat{\varepsilon}_i$ 是点 $i$ 处的预测值。

终端致密化约束对最后 50 个数据点(索引 151–200)应用增强均方误差,对应致密化区域:
$\mathcal{L}_{end} = \frac{1}{50} \sum_{i=151}^{200} [(\hat{\sigma}_i - \sigma_i)^2 + (\hat{\varepsilon}_i - \varepsilon_i)^2]$

平滑度惩罚通过对预测应力序列的二阶有限差分平方进行惩罚来抑制虚假振荡:
$\mathcal{L}_{sm} = \frac{1}{N-2} \sum_{i=2}^{N-1} (\hat{\sigma}_{i+1} - 2\hat{\sigma}_i + \hat{\sigma}_{i-1})^2$

单调性约束惩罚超过容差阈值 $\tau=0.05$ 的非物理应力或应变递减,容纳微小的数值波动同时防止显著的非物理反转:
$\mathcal{L}_{mono} = \frac{1}{N-1} \sum_{i=1}^{N-1} [\text{ReLU}(-(\hat{\sigma}_{i+1} - \hat{\sigma}_i) - \tau) + \text{ReLU}(-(\hat{\varepsilon}_{i+1} - \hat{\varepsilon}_i) - \tau)]$
其中 $\text{ReLU}(x) = \max(0, x)$。终端约束权重 $w_{end}=8.0$ 设定得比全局重构权重高,以反映准确捕捉致密化行为的实际重要性,该行为决定了缓冲应用中的冲击防护性能。

样本加权(低/中/高应力分别为 1.2/1.0/1.5)平衡了不同应力区间的训练。Adam 优化器(lr=0.001,每 20 个 epoch 平台期衰减 0.7,早停 patience=40)训练了 250 个 epoch(batch=16)。三个分层模型展示了性能分层:低应力模型达到了 $R^2_{\sigma}=0.9823, R^2_{\varepsilon}=0.9756, \text{NRMSE}=2.8\%$(得分=96.2/100),原因是曲线轮廓更平缓且接近线性行为;中应力模型显示出轻微退化($R^2_{\sigma}=0.9791, \text{NRMSE}=3.1\%$, 得分=95.1/100),这是由于形态多样性增加所致;全局模型在处理所有应力水平时表现出进一步下降($R^2_{\sigma}=0.9645, \text{NRMSE}=4.2\%$, 得分=92.8/100)。收敛分析(图 4)显示专用模型比全局方法提高了 2-3 个百分点的 $R^2$,表明特定任务架构缓解了异质数据分布带来的学习困难。

图 4. 正向和逆模型的训练和验证损失收敛。(a) 正向重构模型的总损失随训练 epoch 的变化。(b) 正向模型训练和验证期间的应力相关损失分量。(c) 逆预测模型随训练 epoch 变化的总损失。(d) 逆模型训练和验证期间的材料分类损失。在所有情况下,训练和验证损失均表现出稳定收敛且无显著分歧,表明良好的训练稳定性和泛化性能。

3.3. 逆参数识别模块
逆模块通过双分支架构从应力 - 应变响应中提取材料类型和孔隙率,该架构处理原始曲线和 20 维物理特征。曲线分支采用三个一维卷积层,滤波器逐渐增加(32/64/128),核逐渐减小(20/10/5),随后进行批归一化、dropout(0.3)和全局平均池化至 128 维。特征分支通过一个 32 单元全连接层映射 20 个输入。拼接后的输出(160D)通过两个全连接层(128/64 单元),然后分支为材料分类(5 单元 Softmax)和孔隙率回归(1 单元 Sigmoid,反归一化为 50-80%)。加权多任务损失结合了用于分类的稀疏类别交叉熵(权重=1.5)和用于回归的均方误差(权重=1.0),反映了材料误识别会从根本上误导设计,而孔隙率偏差在工程上是可容忍的。

训练采用 Adam 优化器(lr=5 × 10??),250 个 epoch,早停 patience=50,batch=16,分层 80:20 分割。验证准确率达到 94.8%,各材料性能平衡(图 5):PA12 由于较大的样本和显著特征,精确率=95.6%,召回率=93-96%,F1=0.948;TPE 精确率=95.8%,F1=0.958,由于弹性体特性与 PA/TPU 系列高度分离;TPU95A 精确率=91.9%,因属性相似与 TPUA09 略有混淆;TPUA09 精确率=95.7%,F1=0.957;PA11 精确率=95.9%,与 PA12 有轻微混淆。各材料加权 F1 得分为 0.948。混淆模式(PA12?PA11, TPU95A?TPUA09)符合材料科学预期——相似的化学结构产生相近的机械响应——而 TPE 的最小交叉混淆验证了学习到的物理定律优于虚假相关性。

为了分解原始曲线卷积分支和物理信息特征分支对这些结果的相对贡献,进行了一项系统的消融研究。通过比较三个架构变体在相同的保留验证集上的表现,定量评估了物理信息特征工程相对于纯数据驱动特征学习的贡献。如表 2 所示,双分支模型达到了最高的材料分类准确率(97.1%)和最低的孔隙率 MAE(归一化单位 0.044,对应绝对孔隙率约 1.3%),优于仅曲线变体(94.3%, MAE=0.148)和仅特征变体(94.3%, MAE=0.090)。结果揭示了两个任务之间的重要不对称性:对于材料分类,仅原始曲线数据就包含足够的判别信息,使得任一分支都能达到相当的准确率,确认网络学习到的特征在此子任务中具有竞争力。然而,对于孔隙率回归,仅曲线变体的 MAE 是双分支模型的 3.4 倍,表明仅从原始曲线进行自动特征学习不足以捕捉细微的依赖于孔隙率的形态变化(给定数据集大小)。仅特征变体相对于仅曲线变体恢复了显著的性能(MAE 降低 39%),确认了这 20 个人工制作的物理描述符为回归任务编码了机械上有意义且非冗余的信息。双分支模型优于两个单独分支,表明原始曲线数据和人工制作特征提供了真正互补的信息:卷积分支捕获了难以解析编码的局部形态模式,而特征分支提供了全局可解释的机械量,将回归任务锚定在基于物理的描述符上。

表 2. 三种架构变体的消融研究结果。
架构 | 材料分类准确率 | 孔隙率 MAE(归一化)
---|---|---
双分支(提出) | 97.1% | 0.044
仅特征 | 94.3% | 0.090
仅曲线 | 94.3% | 0.148

如图 6 所示,孔隙率回归任务取得了令人满意的表现。验证集显示 MAE=3.2%,RMSE=4.7%,$R^2=0.912$,解释了 91.2% 的方差。剩余的 8.8% 可能源于实验噪声和材料批次变化。预测值与真实值的散点图显示大多数点靠近理想对角线,仅少数点在图角处偏离,确认在整个孔隙率范围内性能一致。预测精度随孔隙率区间变化。60-80% 范围表现最佳,MAE 约为 2.5%,对应采样最密集的实验范围,丰富的训练数据带来了更好的学习结果。50-60% 和 70-80% 区间表现出略高的 MAE 值,分别为 4.1% 和 4.5%,这是由于样本较少且泛化能力较弱所致。尽管如此,即使在这些端点区间,决定系数也超过 0.88,保持了可接受的预测质量。重要的是,图 6 仅代表多层验证架构中的参数级组件。虽然它确认预测孔隙率接近真实值(MAE = 3.2%,$R^2$ = 0.912),但该算法的预期功能在后续层面得到了更直接的验证。图 7 a–c 显示了预测参数在所有区域重构目标曲线(平均 $R^2$ = 0.975),表明 3.2% 的偏差仅产生微小的曲线级差异。最关键的是,图 7 d–f 提供了独立的有限元分析(FEA)交叉验证:由预测参数构建的新旋螺面结构产生的应力响应在峰值的 2% 以内(RMSE = 0.082–0.687 MPa),确认参数在物理上是正确的。$R^2$ = 0.912 进一步反映了五种聚合物的多材料回归,且 3.2% 的 MAE 与增材制造的±2–3% 孔隙率控制精度相当。

图 5. 逆预测模型获得的材料类型分类混淆矩阵。行代表真实材料类别,列表示预测类别。结果展示了五种材料(PA12, TPE, TPU95A, TPUA09, PA11)的分类性能,说明了不同材料类别中正确预测和误分类的分布。

图 6. 逆预测模型中不同材料类型预测孔隙率与真实孔隙率值的比较。散点图比较了预测孔隙率与相应的真实孔隙率。虚线代表理想预测线 $y=x$。报告的 $R^2$ 和 Pearson 的 $r$ 是根据本图中显示的样本计算的,表明预测和真实孔隙率值之间存在强烈的线性一致性。

图 7. 代表性目标应力 - 应变曲线的逆预测与正向重构验证。(a)–(c) 目标应力 - 应变曲线与正向模型使用逆预测模块识别的参数重构的对应曲线之间的比较。每个子图中标示了预测的材料类型和孔隙率。(d)–(f) 有限元 FEA 曲线与由识别参数生成的正向模型预测曲线之间的比较。插图显示了作为应变函数的逐点预测误差,以及归一化均方根误差(NRMSE),说明了重构和参考曲线之间的一致性。

逆模型的收敛特性如图 4 c-d 所示。总损失和材料分类损失在训练和验证期间表现出稳定收敛且无显著分歧,表明良好的训练稳定性和泛化性能。

整体性能指标。表 3 列出了在 1,200 个样本上评估的综合性能指标,涵盖了五种生物相容性聚合物材料(PA12, PA11, TPE, TPU95A, TPUA09)和 50%-80% 的孔隙率范围。该框架在独立测试集上实现了 94.8% 的材料识别准确率,各材料 F1 得分平衡范围为 0.93 到 0.96,展示了稳定的分类能力。

孔隙率预测的平均绝对百分比误差(MAPE)达到3.2%,曲线重构相对于目标曲线的归一化均方根误差(NRMSE)为0.06381,相对于有限元模拟的归一化均方根误差为0.06234,综合质量评分为94.9/100。值得注意的是,PA12分类在材料特定准确率方面达到了最高的92%,这归因于其独特的力学响应特征。

表3. 多孔结构逆向设计方法性能对比

| 性能指标 | 数值 | 说明 |
| :--- | :--- | :--- |
| 总样本量 | 1,200 组 | 5种材料,孔隙率50%-80% |
| 材料识别准确率 | 94.8% | 独立测试集 |
| 孔隙率预测 MAPE | 3.2% | 平均绝对百分比误差 |
| 曲线 NRMSE | 0.06381 | 预测 vs. 目标 |
| 曲线 NRMSE | 0.06234 | 预测 vs. FE |
| 曲线质量评分 | 94.9/100 | 综合评估 |
| PA12 准确率 | 92% | 五种材料中最高 |
| F1 分数范围 | 0.93-0.96 | 平衡材料 |

3.4. 物理约束后处理
虽然神经网络输出在整体上近似目标曲线,但局部预测可能会违反诸如单调性等物理约束,或表现出虚假振荡。三阶段后处理工作流在不损害预测精度的情况下强制执行物理合理性。第一阶段通过逐点遍历实现温和的单调性校正,当下降幅度超过阈值(应力为0.015,应变为0.008)时,用前序值替换当前值,从而容纳微小的数值波动,同时防止显著的非物理下降。大约5-10%的点需要校正,主要集中在过渡区域和曲线末端。第二阶段对对应后期压缩的最终20个点应用移动平均滤波器(窗口大小为10),在噪声抑制与信息保留之间取得平衡。第三阶段进行二次单调性验证,以解决滤波器边界可能引入的潜在违规情况。每条曲线的总处理时间平均为0.01秒。

在100条验证曲线上验证了其有效性。后处理消除了所有局部下降现象(发生频率从18%降低),通过二阶差分标准差量化,曲线平滑度提高了35%,而整体拟合精度(R2)仅下降了0.003。这证实了约束执行在确保物理正确性的同时保留了预测能力。

3.5. 独立样本上的端到端验证
选取了三个具有代表性的样本,跨越低、中、高应力水平,在材料-孔隙率组合上进行独立验证,仅使用实验应力-应变曲线和压缩位移作为输入,无需预先了解材料属性(图7 a-c)。样本T1(低应力)的分类置信度为96.3%,参数识别预测为PA12(置信度91.7%)和68.5%的孔隙率(与70%的真实值偏差1.5%)。重构曲线达到R2_stress=0.9847,R2_strain=0.9792,NRMSE<2.5%,最大应力误差为0.15 MPa(峰值的2.4%),综合评分为97.3。样本T2(中应力TPU95A)表现出明显的非线性应变硬化,分类置信度为89.2%。参数识别预测为TPU95A(置信度85.3%)和62.1%的孔隙率(真实值为60%),尽管非线性程度很高,但在所有变形阶段均捕捉到了关键特征。性能达到R2_stress=0.9723,R2_strain=0.9658,归一化误差<4%,最大应力误差为0.5 MPa(峰值的2.7%),评分为94.1。样本T3(高应力PA11,80%孔隙率)的分类置信度为93.8%。采用全局模型以缓解稀疏高应力样本带来的过拟合,预测孔隙率为78.3%(偏差1.7%)。重构显示了良好的弹性-屈服一致性,略有塑性平台平滑和末端应力低估1.5 MPa(峰值的3.6%),达到R2_stress=0.9681,R2_strain=0.9612,归一化误差<4.5%,评分为93.2。所有材料类型均被正确识别,平均孔隙率平均绝对误差(MAE)=1.8%,平均R2_stress=0.9750。高应力致密化阶段存在轻微低估,表明仍有改进潜力。每个样本的端到端计算时间约为0.15秒,相比迭代FEA工作流提供了约600倍的加速。

独立的有限元模拟验证了机器学习预测的物理合理性(图7 d-f)。使用ABAQUS 2021通过隐式函数生成Gyroid结构,采用四面体二次单元(C3D10,平均尺寸=0.5 mm,约50,000-80,000个单元,约20,000-30,000个节点,通过收敛性测试验证)。超弹性Mooney-Rivlin本构模型采用从材料手册和单轴拉伸试验中校准的参数。边界条件固定底面(六个自由度受限),同时对顶面施加实验位移载荷,分为50个步长以捕捉非线性响应。对于样本T1,FEA与实验相比达到R2_stress=0.9801和R2_strain=0.9765,略低于ML预测(0.9847/0.9792)。这种差异源于FEA采用理想化的几何形状和本构方程,而ML直接从实验数据中学习,隐含地捕捉了打印缺陷、材料不均匀性和测量误差。关键的比较是ML-FEA一致性:预测曲线与模拟曲线之间的应力RMSE,T1为0.082 MPa(峰值的1.3%),T2为0.294 MPa(峰值的1.6%),T3为0.687 MPa(峰值的1.6%),相对误差始终保持在2%以内。这表明ML预测的参数在物理模拟中能够重现等效的力学响应,验证了参数的正确性。ML-FEA之间的微小偏差源于三个来源:本构简化(Mooney-Rivlin无法完美描述复杂行为,特别是对于如TPU这样高度非线性的材料)、几何理想化(FEA使用精确的数学函数,而3D打印部件表现出表面粗糙度和微观缺陷),以及边界条件差异(实验夹持/加载引入的摩擦和应力集中无法在模拟中重现)。尽管存在这些因素,实验、ML和FEA曲线的整体趋势和关键特征点显示出高度一致,证实了逆向设计系统的可靠性。

4. 讨论
本研究提出了一个由深度学习赋能的逆向设计框架,该框架直接将目标应力-应变曲线映射到Gyroid TPMS结构的材料类型和孔隙率参数。分层架构达到了94.8%的材料分类准确率和3.2%的平均孔隙率预测误差,重构曲线达到了94.9/100的综合质量评分。有限元交叉验证证实,预测的参数产生的力学响应与数值模拟一致(NRMSE 0.062),验证了逆向预测的物理正确性。验证架构被刻意设计为多层级:参数级准确性(图5,图6)确立了与真实值的接近程度;曲线级重构(图7 a-c)确认了正确的应力-应变响应;而独立的FEA交叉验证(图7 d-f)提供了外部物理验证——确认框架恢复的参数不仅在统计上接近,而且在物理上是有效的。这些结果表明,物理约束的神经网络可以有效解决多孔结构中逆向设计的病态问题,为迭代优化工作流提供了一种计算高效的替代方案。通过将该框架置于其旨在服务的完整个性化多孔结构设计流水线中,可以更好地理解这些能力的实际意义。

从方法论角度来看,本工作的主要贡献是曲线到参数的逆向设计范式。标量到拓扑的方法将孤立属性映射到几何形状,牺牲了变形路径信息;曲线到拓扑的生成方法接受完整曲线,但输出的几何形状需要后处理。本方法结合了完整曲线输入完整性与直接可操作的制造参数,其闭环重构提供了内置的预测验证——这在大多数现有工作流中是不存在的。当设计空间由参数定义,且目标是快速识别制造规范而非发现新颖拓扑时,该范式尤为相关。

为了将该框架置于当前格局中,进行了一项双轨比较。表4提供了与两种最先进的基于曲线的方法——Ha等人[45]和Bastek和Kochmann[46]——的定性比较,由于它们的不同结构类别和输出类型,无法进行直接数值基准测试。表5提供了针对相同识别问题的两种传统方法——穷举搜索和遗传算法(GA)的定量基准,通过留一交叉验证进行评估。穷举搜索仅达到17.6%的材料准确率(接近随机猜测),表明该问题无法通过简单的曲线匹配来解决;GA达到85.2%,仍比ML框架低9.6个百分点。关键的是,这两种基线都是检索型的——仅限于离散数据库值——而ML框架预测连续孔隙率,推广到数据库之外,并且在部署时不需要数据库。三个端到端样本(3.5节)进一步作为已知解测试:框架恢复了真实材料(3/3),孔隙率在±2.1%以内,FEA交叉验证确认响应在峰值应力的2%以内。

表4. 本曲线到参数框架与代表性最先进基于曲线的逆向设计方法之间的定性方法比较

| 维度 | Ha等人 (2023) [45] | Bastek & Kochmann (2023) [46] | 本工作 |
| :--- | :--- | :--- | :--- |
| 输入 | 完整曲线,编码为特征向量(控制点) | 完整曲线,编码为变形场视频序列 | 完整200点应力-应变曲线 + 20维物理特征 |
| 输出 | 晶格拓扑(单元胞类型,杆直径,特征角) | 蜂窝拓扑(体素化微观结构) | 材料类型(5类) + 孔隙率(连续,50-80%) |
| 逆向范式 | 曲线到拓扑(生成NN) | 曲线到拓扑(视频扩散模型) | 曲线到参数(带物理约束的直接逆向映射) |
| 结构类别 | 基于杆的晶格(多种单元胞类型) | 随机旋分胞蜂窝结构 | Gyroid TPMS |
| 报告的保真度 | 目标与实验测量之间约90%保真度 | 与FEA模拟定性一致 | NRMSE 0.062;R2 > 0.96;综合质量评分 94.9/100;FEA交叉验证在2%以内 |
| 闭环验证 | 前向代理从设计预测曲线;无FEA交叉验证 | 对生成拓扑进行FEA模拟;无参数交叉验证 | 前向重构 + 对预测参数的独立FEA交叉验证 |
| 输出可用性 | 拓扑需要网格生成和制造后处理 | 体素化拓扑需要平滑、网格划分和可制造性验证 | 材料类型 + 孔隙率可直接用作AM规范 |
| 推理速度 | 约1秒 | 约10秒(扩散采样) | 约0.15秒 |

表5. 与同一逆向识别问题中的传统优化方法的定量比较

| 方法 | 材料分类准确率 (%) | 孔隙率 MAE (%) | 每样本平均时间 (s) * |
| :--- | :--- | :--- | :--- |
| 穷举搜索 | 17.6 | 9.77 | <0.001 |
| 遗传算法 | 85.2 | 3.55 | 0.072 |
| ML 框架(本工作) | 94.8 | 3.2 | 0.15 |

报告的指标——94.8%的材料准确率和3.2%的孔隙率误差——应针对工程要求、制造限制和替代方法进行评估。错误分类仅限于化学相似对(PA12?PA11,TPU95A?TPUA09),其响应相近,从而限制了功能影响。3.2%的误差与增材制造的±2-3%孔隙率控制精度相当,使准确性接近物理分辨率极限。直接比较(表5)显示,该框架在同一问题上显著优于穷举搜索(17.6%,9.77%)和GA(85.2%,3.55%);与这些检索型方法不同,它预测连续孔隙率,并且在部署时不需要数据库。这些参数级指标也低估了功能准确性:曲线重构达到R2 = 0.975,FEA交叉验证在峰值应力的2%以内。

本框架专门解决完整个性化多孔结构设计流水线中的逆向参数识别步骤,该流水线还将涉及几何获取、区域生物力学目标推导和增材制造。由于功能梯度结构最终是由独立分配给每个局部区域的材料类型和孔隙率规定的,因此所提出的框架天生适用于多区域设计,无需架构修改:每个区域的目标应力-应变响应作为直接输入,每区域推理仅需约0.15秒。这种模块化意味着该框架消除了流水线中的核心计算瓶颈——一个以前每个区域需要数小时迭代FEA的步骤——同时与上游几何获取和生物力学模拟工作流以及下游制造过程完全兼容。当前工作侧重于严格验证该模块的准确性和物理一致性,作为可靠系统集成先决条件。与现有的将标量力学属性映射到结构拓扑的生成式逆向设计方法不同,本框架以完整应力-应变曲线为输入,产生可解释的物理参数——材料类型和孔隙率——作为输出,从而能够在没有中间几何解释步骤的情况下直接与制造工作流集成。

所提出的框架解决了一个跨多种个性化多孔结构应用的共同逆向设计挑战,每种应用都需要空间定制化的力学响应以匹配个体解剖结构或功能加载条件。在用于体位性斜头畸形的矫形头盔衬垫设计中,区域目标应力-应变曲线是从患者特定的颅骨-衬垫接触生物力学模拟中推导出来的,而该框架识别出能够重现这些曲线的材料类型和孔隙率——将参数识别步骤从数小时的迭代有限元分析加速到每个区域约0.15秒,这是一个约600倍的加速,使得多区域梯度设计在计算上可行。等效的设计流水线适用于假肢插座衬垫,其中区域顺应性必须匹配残肢压力耐受图;适用于旨在最小化峰值界面压力并降低压疮风险的轮椅坐垫;以及需要跨越解剖复杂几何形状进行空间分级冲击衰减的运动保护垫。在每种情况下,通用流水线遵循相同的结构:(1) 患者几何获取,(2) 生物力学模拟以推导区域应力-应变目标,(3) 基于逆向设计的每区域参数识别(本研究的贡献),以及 (4) 空间梯度增材制造。框架的模块化和亚秒级每区域推理使其能够直接适用于所有这些流水线,无需架构修改。

尽管验证性能稳健,但有几项局限性值得承认。当前系统仅涵盖单轴压缩下50-80%孔隙率的五种聚合物材料。扩展到其它材料类别(陶瓷,金属)、极端孔隙率范围和复杂加载模式(拉伸,剪切,多轴,动态)需要额外的训练数据和潜在的架构修改。

该框架特定于Gyroid TPMS拓扑,这是一个深思熟虑的选择,由其力学性能、制造保真度和参数可处理性驱动(第1节)。推广到其它TPMS拓扑(Diamond,Primitive)通过重新训练是直截了当的,因为它们共享相同的隐式函数参数化。然而,扩展到自由形式或拓扑优化架构,提出了一个根本不同的挑战,需要生成模型(GANs,VAEs)来学习潜在拓扑表示——这是一个互补但不同的研究方向。除了这些数据和相关范围约束外,还有两个方法学局限性值得考虑。确定性预测缺乏不确定性量化——贝叶斯神经网络或集成方法可以提供对风险敏感应用至关重要的置信区间。

此外,虽然引入了物理启发的特征和物理约束的损失函数以提升可解释性和输出的合理性,但该框架本质上仍属于数据驱动的映射模型,而非严格意义上的物理信息模型;未来的工作可探索混合架构,将神经网络组件与可微分的本构模型耦合,以实现更深层的物理一致性。一项具体的扩展是用等几何分析替换有限元交叉验证:Gyroid 可被表示为周期性的三变量 B 样条(V-rep)体积模型,并将孔隙率映射到水平集阈值 [33,34],使得在大应变超弹性压缩情形下能够借助统一的 NURBS 基函数直接在精确的样条几何上进行求解 [31,32],从而作为无网格的验证步骤消除针对每个结构的重新网格划分需求,而致密化阶段的自接触问题仍是主要的待解决挑战。在目标应用领域实现实际部署需要解决若干技术缺口。当前训练数据仅限于单轴压缩;然而在许多应用的真实工况中,载荷为多轴应力状态——例如矫形器中的曲率约束、假肢接受腔中的多向接触力,或防护装备中的斜向冲击。因此未来的工作应纳入双轴、剪切和多方向载荷数据集以扩展框架的适用范围。在应用相关条件下对 3D 打印 Gyroid 结构进行实验验证——包括循环压缩、界面摩擦、长期材料稳定性,以及针对生物医学应用的在持续接触下的生物相容性评估——对于弥合计算验证与实际部署之间的鸿沟仍然至关重要。与患者个体化建模工作流的整合,例如从医学影像中自动提取网格处理以及将材料-孔隙率分布映射到复杂解剖几何体上的保形映射算法,将使全自动的个性化结构生成成为可能。对于受监管的生物医学应用,作为转化路径的一部分,还需建立对相关医疗器械标准和适用生物相容性认证协议的合规性。

在缓冲和矫形领域之外,本框架的逆向设计能力可自然地扩展到将多孔结构用于机械可调性的其他工程场景——包括振动阻尼板、声学超材料和具有能量吸收要求的轻量化结构件。未来方法论的扩展包括多物理场耦合以实现机械、热学和声学性能的同步优化;引入生成模型以直接生成超越参数化约束的结构;以及不确定性量化以提供对风险敏感型应用至关重要的置信度估计。随着能力逐步成熟,此类数据驱动的逆向设计框架有望成为个性化工程和生物医学设计工作流中的标准做法,在这些场景中快速的机械定制化至关重要。5. 结论本研究开发了一个基于深度学习的 Gyroid TPMS 结构逆向设计框架,能够从目标应力-应变曲线中直接识别材料类型和孔隙率。通过整合分层建模、多目标损失函数和物理约束机制,该框架实现了 94.8% 的材料分类准确率和 ±3.2% 的平均孔隙率预测误差,曲线重建质量评分为 94.9/100。有限元交叉验证确认了预测参数所产生的力学响应具有力学一致性,相对于仿真的归一化均方根误差为 0.062,相对于实验目标的归一化均方根误差为 0.064。特征重要性分析表明,能量吸收、峰值应力和弹性模量对预测的贡献最为显著;而注意力可视化则展示了任务特异性的学习过程:材料分类聚焦于弹性-屈服区域,而孔隙率预测则强调致密化行为(图 8)。这些可解释性结果证实模型捕捉到的是具有物理意义的模式,而非虚假相关。下载:下载高分辨率图像(238KB)下载:下载全尺寸图像图 8. 逆向预测模型中所用物理特征的相对贡献。柱状图展示了由应力-应变导出的不同物理特征对逆向识别任务归一化贡献得分。与应力水平、应变特征和屈服行为相关的特征表现出更高的贡献,表明其在区分材料类型和孔隙率方面的重要性;而能量吸收和峰值相关特征则起次要作用。当前局限性在于仅限于单轴压缩条件下的 Gyroid 结构,未来需要跨不同材料体系和载荷条件进行验证。尽管如此,本研究证明了物理约束深度学习在具有可调机械行为的多孔结构快速逆向设计中的可行性。该框架在加速个性化设计工作流方面具有强大潜力,可广泛应用于矫形器、假肢内衬、防护缓冲系统和机械超材料等一系列工程和生物医学应用,在这些应用中空间定制的机械响应是不可或缺的。CRediT 作者贡献声明 Weikang Liu:撰写-审阅与编辑,撰写-初稿,可视化,验证,软件,方法论,资金获取,形式化分析,数据管理,概念构思。Chaofeng Liu:可视化,软件,项目管理,概念构思。Yaozong Huang:撰写-初稿,可视化,验证,软件。Qianxue Deng:方法论,调查研究,形式化分析。Zheng Li:可视化,验证,软件。Fan Zhang:撰写-审阅与编辑,可视化,监督,软件。Weikang Liu|Chaofeng Liu|Yaozong Huang|Qianxue Deng|Zheng Li|Fan Zhang
相关新闻
生物通微信公众号
微信
新浪微博

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