人工智能驱动的硬磁软梁变形控制
《International Journal of Solids and Structures》:AI-driven deformation control of hard-magnetic soft beams
【字体:
大
中
小
】
时间:2026年10月21日
来源:International Journal of Solids and Structures 4.6
编辑推荐:
• 开发了一种理论方法,为人工智能模型提供可靠的训练数据。
• 多模块集成增强了变形的特征提取能力。
• 新的激活函数防止了神经元死亡并增强了学习稳定性。
• 给出了最优注意力机制和参数拟合的集成方案。
• 所提出的 AI 模型在梁的变形控制方面表现出优异的性能。
引言
• 开发了一种理论方法,为人工智能模型提供可靠的训练数据。
• 多模块集成增强了变形的特征提取能力。
• 新的激活函数防止了神经元死亡并增强了学习稳定性。
• 给出了最优注意力机制和参数拟合的集成方案。
• 所提出的 AI 模型在梁的变形控制方面表现出优异的性能。
引言
硬磁软材料(HMSMs)是通过将硬磁微纳米颗粒(如钕铁硼 NdFeB)掺入柔性基质材料(例如硅胶或形状记忆聚合物)中制备的,并通常通过 3D 打印技术进行结构化(Kim et al., 2018, Kim et al., 2019)。作为磁软材料的发展产物,HMSMs 凭借其优异的材料性能已成为新的研究焦点。除了其他磁软材料的一般优势外,HMSMs 还表现出大剩余磁化强度、高矫顽力和在外磁场下的稳定磁化。这些特性赋予它们更稳健和可预测的变形行为,并展现出卓越的机械性能(Garcia-Gonzalez et al., 2023, Lucarini et al., 2022, Lu et al., 2024)。
在工程应用中,基于这种新型功能材料的梁结构在软体机器人、药物输送微管、手术针、导丝等领域展现出广阔的应用前景和深刻的技术进步(Rambausek et al., 2022, Manish et al., 2024, Li et al., 2024a, Li et al., 2024b, Sharma and Sharma, 2024, Nagal et al., 2022, Kitagawa et al., 2024, Jayaneththi et al., 2019, Kim and Zhao, 2022, Bastola and Hossain, 2021, Rahmati et al., 2023)。因此,硬磁软梁的力学性能研究最近已成为学术界的一个热门话题。Yan et al. (2022) 提出并实验验证了一个包含 h-MREs(硬磁流变弹性体)梁模型的框架。开发了一种基于刚度的简化阶薄板模型,用于由硬磁流变弹性体制成的薄板。在测试案例中,基于刚度的模型得出的预测与实验结果在数量上吻合良好(Yan et al., 2023)。研究聚焦于不可压缩、各向同性、填充颗粒的 h-MREs,讨论了完全预磁化后与拉伸无关的磁化响应。系统地比较了各种理论模型。研究揭示,在合理的物理假设下,全耗散模型可以简化为 Yan et al. (2023) 的模型(Danas and Reis, 2024)。提出了一种理论磁粘弹性模型以展示磁 - 力耦合。简化解通过实验的全场有限元模拟进行了验证(Danas et al., 2025)。开发了一种离散磁弹性杆模型来分析在磁载荷作用下由 HMSMs 制成的梁结构的力学行为。该模型可以提高计算效率,从而能够模拟硬磁软梁的动态响应(Huang et al., 2023)。利用 HMSMs 磁力耦合的数值模型,研究了粘弹性对梁的有限变形和失稳行为的影响(Garcia-Gonzalez, 2019, Xing and Yong, 2023, Chen et al., 2025)。研究了硬磁软梁的极大弯曲变形,并发现了各种有趣的梁变形形状(Chen and Wang, 2020, Wang et al., 2020, Chen et al., 2020a, Chen et al., 2020b, Rajan and Arokiarajan, 2021, Chen et al., 2021)。揭示了支配硬磁软梁分岔非线性力学的一般原理,并确定了影响分岔行为的关键参数(Chen et al., 2020a, Chen et al., 2020b, Dehrouyeh-Semnani, 2021, Sano et al., 2022, Abbasi et al., 2023)。一项进展是对磁边界条件的综合研究,以及一个磁 - 力框架,用于建模软磁和硬磁 MREs 在各种方式产生的磁场下的响应(Moreno-Mateos et al., 2023)。基于有限变形理论,Lu 开发了一个完全基于超弹性材料理论的理论模型,并采用自适应遗传算法来提高非线性平衡方程的求解效率(Lu et al., 2025)。进行了硬磁软梁在均匀磁场下大变形的动态分析,并通过实验和数值结果验证了假设(Li et al., 2024a, Li et al., 2024b, Wang et al., 2024a, Wang et al., 2024b, Wang et al., 2024c)。
之所以广泛关注硬磁软梁,主要原因是它们在工程应用中具有实际相关性和意义,而如何实现在施加磁场下梁的高精度变形控制仍然是一个挑战(Lu et al., 2024;Li et al., 2025)。目前,虽然已经进行了许多研究,但大多数关注点都集中在发现梁的机械行为和正设计。他们使用的方法是预先给出磁场参数,然后计算梁的变形。在此过程中,采用了有限元方法,提出了非线性控制方程并进行了实验。然而,在实际工程中,有很多场景需要在没有先验磁场知识的情况下实现对梁的精确变形控制。在这种情况下,需要进行逆向设计。为了获得梁所需的变形形状,如何准确施加外磁场激励仍然是一个技术挑战。对于这个问题,通常采用试错法。在试错法中,首先假设施加磁场的磁通量密度的大小和方向,然后通过执行试算,不断改变施加磁场的磁通量密度的大小和方向,直到达到所需的变形状态。这种方法特别低效,且在近似过程中,磁场参数的选择很大程度上依赖于设计者的主观判断。换言之,该方法高度依赖于初始值的经验选择。而且,通常在一两次尝试内不可能获得可接受的结果。对于一些涉及大变形的情况,使用 Chen and Wang (2020) 中的理论方法完成一次计算需要 589 秒。这意味着单次试算需要大约 10 分钟。因此,多次试算的求解效率是一个主要关切。采用结合试错法的遗传算法进行全局搜索。测试集(565 组)的整体搜索时间约为 4.6 小时(16648 秒),且误差相对较高(AEM 为 7.7%,超过 5%)。
在工程应用中,通常要求高精度变形控制。例如,在心脏消融中,为了在临床上阻断异常电信号并恢复正常心律,可以利用由外磁场驱动的硬磁软梁作为机械导管,在心室中制造微小的疤痕(图 1)。为了确保接触位置的准确性,需要精确控制梁的变形形状,特别是端部位移和角度。稍大的误差就可能导致任务失败。基于试算的传统分析方法显然无法满足这些要求严格精度的应用的技术需求。因此,必须开发实用且有效的计算方法来解决这一挑战。
目前,基于新一代人工神经网络的深度学习已广泛应用于各行各业。利用深度学习进行结构参数设计可以显著减少人工操作并提高计算效率。通过调整人工神经网络模型的参数,也可以有效控制设计精度。例如,将卷积神经网络(CNN)模型与有限元分析集成,用于初始训练和精度控制。该模型通过迁移学习显著降低了计算成本,同时在结构综合过程中保持了足够的精度(Mosser et al., 2023)。基于光纤布拉格光栅,开发了一种混合深度学习方法来解决光学滤波器的逆向设计挑战,避免了对经验规则或试错法的依赖(Adibnia et al., 2025)。提出了一种结合粒子群优化(PSO)与 CNN 的混合算法,用于设计高维碎片型天线(Zhang et al., 2019)。结合状态识别和映射技术,引入了一种基于时空编码数字超表面单元(STCDME)设计策略的深度学习。与传统的完整状态电磁模拟相比,该方法通过利用不同 STCDME 状态之间的相关性,显著提高了设计效率(Wang et al., 2024a, Wang et al., 2024b)。基于深度学习方法,为预测超材料能带结构和碳纳米管复合系统提出了一些逆向设计框架(Pan et al., 2023, Tang et al., 2024, Wang et al., 2024a, Wang et al., 2024b, Hiraide et al., 2021, Liu and Li, 2023, Aziz et al., 2025, Wang and Shen, 2024, DeMille et al., 2024, Zhang et al., 2024, Georgantzinos et al., 2023)。这些研究表明,在工程设计中采用 AI 方法既可行又有效。
现有的关于硬磁软梁的理论研究主要侧重于分析它们在外磁场下的结构响应,但未能解决关键的工程挑战——如何通过编程施加磁场的参数来准确且高效地控制硬磁软梁的变形状态。在本工作中,将一种求解硬磁软梁磁力响应的理论方法与一个提出的 AI 模型集成,以实现这种智能材料的智能化变形控制。在一般卷积神经网络的基础上,为该 AI 模型添加了多个功能模块,极大地增强了特征提取能力。与结合试错法的遗传算法的误差相比,该提出的 AI 模型可将误差降低高达 75%。使用该方法可以实现对硬磁软梁结构响应的自动和精确控制。
章节片段
硬磁软梁磁力响应的理论方法
由外磁场驱动的硬磁软梁的变形如图 2 所示。梁是细长的,初始是直的,横截面积为 ??,长度为 ??。?? 和 ? 分别是梁截面的宽度和高度。使用两个正交坐标系 {??,??} 和 {??,??} 以及单位方向向量 {????,??2} 来描述梁的未变形和变形构型。
未变形梁中任意一点的坐标可以表示为 ?? 是导矢差向量,定义为 ??={??1,??2}T=?????2
然后,省略 ??2 中的高阶项(保留 ??0,??1 项),可以得到 ?? 的矩阵形式:
??≈[1+??′+?????′1(1+2??????)???1??′+?????′2(1+2??????)?(1+??2)]
在公式 (6) 中,变量上的单引号上标表示其关于 ?? 坐标的导数。
右柯西 - 格林变形张量 ?? 为:
??=???????
由公式 (6) 和公式 (7),省略 ??3 中的高阶项(保留 ??0,??1,??2 项),得到公式 (8):
??=2∑??=0?????Π??
其中 Π0=[(??′+1)2+(??′)2??1?(??′+1)+(??2+1)???′??1?(??′+1)+(??2+1)???′??21+msup]
由于硬磁软梁所在的外部磁场区域没有电流
?×??????(??)=0
总磁能 ???? 为
????=∫??????????
然后,施加磁场产生的外部等效广义力(磁体力矩)???? 表示为
????=∫?????1?????r?(??)×??????(??)????
如果考虑自重的影响,重力强度 ??=????????????
其中 ?? 是材料密度,?? 是重力加速度,?? 是重力在坐标系 {??,??} 中的方向向量。
将硬磁软梁分为 ?? 段,并进行静态平衡分析
所提出理论方法的验证
为了验证本工作中提出的理论方法,采用 Yan et al. (2022) 中的实验结果进行对比。图 3 显示了硬磁软梁在均匀磁场和重力下的变形形状。在图 3 中,a(1)-a(8) 分别是 ???????=?0, 0.5, 1.1, 1.9, 3.8, 7.5, 15, 42 时的曲线。这里,??????=?????????????2????。?? 是实验梁的磁化强度密度值;???? 是外部磁场AI 模型用于硬磁软梁变形控制
在由 AI 驱动的结构控制中,应给出关键特征参数来描述结构特征,训练模型并引导输出结果。
因此,为了反映外磁场、结构几何属性和材料力学行为的影响,定义了一个无量纲量Ψ:
Ψ=|????(??)|·|????(??)|??(???)2
在公式(36)中,|????(??)| 是向量????(??)的模,代表外磁场的标识。|????(??)| 是
**基于人工智能的硬磁柔性梁变形控制**
为了展示本文提出的AI驱动梁变形控制方法的应用,并验证该方法的有效性,引入了八个设计案例(C1-C8),这些案例不包含在构建的数据集中。需要强调的是,这8个逆向设计案例不属于Yan等人(2022)中的实验案例(均匀场和恒梯度场)。因此,这8个逆向设计案例未被纳入理论与…的对比中。
**结论**
为了在施加磁场的条件下精确控制硬磁柔性梁的变形,并替代低效的传统试错方法,本文提出了一种AI引导的理论方法。为了为AI模型提供可靠的训练数据,提出了一种基于硬磁柔性梁磁-机械响应的理论方法。通过将本理论方法的结果与之前的实验进行比较,验证了该方法的…
**CRediT作者贡献声明**
Lu Mingqi:撰写——审阅与编辑,撰写——初稿,监督,项目管理,方法论,调查,概念化。Zhang Saifei:验证,数据管理。
**利益冲突声明**
作者声明不存在可能影响本文所报告工作的已知竞争性财务利益或个人关系。
**致谢**
本研究得到了国家自然科学基金(项目编号:51978046和U1801254)的资助。
Mingqi Lu|Saifei Zhang