
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于可解释机器学习的三重周期极小曲面架构材料几何-性能统一表征及低维流形发现
《Scientific Reports》:Explainable machine learning reveals a compact, low-dimensional geometric basis underlying sheet and skeletal TPMS architected materials
【字体: 大 中 小 】 时间:2026年10月21日 来源:Scientific Reports 4.9
编辑推荐:
摘要三重周期极小曲面(TPMS)架构构成了规模最大、多样性最强的 architected materials(架构材料)家族之一,然而,支配其力学与热学行为的几何原理仍未得到充分理解。在此,我们研究了涵盖片状和骨架状两种实现形式的十四种TPMS拓扑结构,并通过一组十六个具有物
三重周期极小曲面(TPMS)架构构成了规模最大、多样性最强的 architected materials(架构材料)家族之一,然而,支配其力学与热学行为的几何原理仍未得到充分理解。在此,我们研究了涵盖片状和骨架状两种实现形式的十四种TPMS拓扑结构,并通过一组十六个具有物理可解释性的描述符对其几何特征进行表征。结合有限元仿真与可解释机器学习,我们建立了跨TPMS设计空间的有效力学和热学性能描述符层次体系。表面积和紧实度被证明是两类架构共有的通用描述符,而重要性递减的描述符在片状网络和骨架状网络之间存在差异,反映了两种类型不同的几何异质性表现。尽管存在这些差异,我们仍识别出了一个统一的四描述符表征方案,能够准确预测所有拓扑结构在两类网络中的杨氏模量、剪切模量、热导率以及单向和剪切屈服极限,其决定系数均超过\(R^2=0.93\)。值得注意的是,主成分分析(PCA)和非线性Levina-Bickel内在维度估计器均揭示,几何描述符空间及其对应的性能空间坍缩至一个紧凑的、接近二维的流形上,表明TPMS架构表面上的复杂性实际上源于一种极为低维度的组织方式。这些发现提供了一个适用于片状和骨架状网络类架构的统一框架,可用于TPMS架构材料的高可解释性建模与材料信息学,并为未来的逆向设计方法奠定了紧凑的基础。