超聚乳酸(HPLA)力学性能的实验与数值研究

《Polymers》:Experimental and Numerical Investigation of Mechanical Properties of Hyper Polylactic Acid (HPLA) Mariana Domnica Stanciu, Hora?iu Dr?ghicescu Teodorescu, Ionu? Te?ul?, Sergiu Valeriu Georgescu and Florin Dinulic?

【字体: 大 中 小 】 时间:2026年03月06日 来源:Polymers 5.8

编辑推荐:

  该研究针对采用EPAX树脂打印的点阵结构制造摩托车油门凸轮的力学性能展开分析,运用响应面法(Response Surface Methodology, RSM)与人工神经网络(Artificial Neural Networks, ANNs)两种方法进行对比验

  
该研究针对采用EPAX树脂打印的点阵结构制造摩托车油门凸轮的力学性能展开分析,运用响应面法(Response Surface Methodology, RSM)与人工神经网络(Artificial Neural Networks, ANNs)两种方法进行对比验证。点阵结构芯部的图案设计通过参数化方式定义,以识别最优设计点(特别是实现最佳刚度-重量比)。作为RSM和神经网络分析输入的部分几何参数包括点阵结构的原点及其空间取向、单元尺寸以及杆件厚度。通过该方法获得的数据集用于RSM方差分析(Analysis of Variance, ANOVA),以揭示最重要的输入变量。神经网络分析基于同一RSM数据集执行,以确认分析结果。两种方法均因这类结构的典型非线性行为而在设计域内识别出最优点。尽管文献与工业实践已为点阵结构的表征研究提供了大量参考,但相关实际应用往往不够完整,仅能实现功能性而非最优化的模型。所述方法亦旨在克服这一局限性。设计所用软件为nTop 5.0.4。
该研究聚焦于摩托车油门凸轮的点阵结构轻量化设计与优化问题。尽管点阵结构在航空航天、生物医学及工业设备等领域已展现出显著的轻量化潜力,且已有大量研究涉及各类单元拓扑(如体心立方、面心立方、金刚石型等)及其力学性能表征,但现有文献多集中于理论分析与单一性能评估,实际工程应用往往停留在功能性设计层面,缺乏系统性的优化方法论指导,难以实现结构刚度与重量之间的最优平衡。此外,传统的试错设计方法耗时费力,而机器学习(Machine Learning, ML)方法虽在点阵结构优化中展现出优势,却面临训练数据需求量大、增材制造原型制作周期长的固有限制。因此,研究人员亟需建立一种可靠的方法论,以评估核心结构参数变化对刚度的影响规律,并实现点阵填充结构的高效优化设计。

研究人员以摩托车油门凸轮为案例,采用面心立方(Face-Centered Cubic, FCC)单元拓扑,系统研究了单元尺寸(Lx、Ly,范围分别为[4;12] mm)、杆件厚度(t,范围为[2; min(Lx, Ly)] mm)、点阵原点位置(X0、Y0)及平面内旋转角度(θz,范围[-90°, 90°])等参数对结构性能的影响。通过有限元方法(Finite Element Method, FEM)建立250组仿真数据集,分别采用三阶多项式RSM模型和二阶多项式模型进行位移预测与未打印质量百分比预测,并构建含两个隐藏层(各10个神经元)的多层感知机(Multilayer Perceptron, MLP)神经网络进行对比分析。同时,研究人员选取最优、次优及非最优三种代表性构型,利用EPAX光敏树脂通过立体光固化(Stereolithography, SLA)工艺制备试样,开展准静态压缩实验验证。研究结果表明:RSM模型的调整R2系数达0.9059(位移预测),质量百分比预测的调整R2达0.9915;神经网络在450轮训练后表现出良好的预测一致性与较低误差率;实验测得的刚度趋势与数值预测吻合良好,验证了方法框架的可靠性。该研究发表于《Polymers》期刊,其意义在于建立了RSM与ANN相互验证的优化设计流程,为点阵填充结构从"功能实现"向"性能最优"转变提供了可操作的工程方法论,并可通过集成至更复杂的网络系统以拓展至不同几何、载荷及约束条件下的广义预测。

研究人员采用的关键技术方法包括:基于nTop 5.0.4软件的参数化几何建模与点阵结构设计;采用中心复合设计(Central Composite Design, CCD)或拉丁超立方采样(Latin Hypercube Sampling, LHS)方法规划仿真矩阵;运用ANSYS等有限元软件进行250组准静态结构分析;构建含ReLU激活函数、Adam优化器的MLP神经网络回归模型;以及运用Matlab R2022b深度学习工具箱实现网络训练与预测;实验验证采用EPAX树脂SLA打印,配合Lychee切片软件控制成型过程,并通过万能试验机实施准静态压缩测试。

研究背景与核心参数定义部分:研究人员首先明确了油门凸轮的载荷条件(下部30 N集中力、上部2 MPa接触压力)与约束方式,确定以5 mm实体壁厚包覆外部轮廓,内部填充点阵核心。参数化设计中,Lz固定为5 mm以避免Z向杆件数量突变导致的刚度不连续性;Z向原点固定以保证X-Y平面对称性;仅考虑θz旋转以维持对称条件。杆件厚度下限设为2 mm以确保10层以上的打印可靠性。

仿真数据库建立与RSM分析部分:通过随机生成参数组合执行250组有限元仿真,以最大竖向位移处荷载与位移之比(r)为优化目标。经方差分析识别出Lx、Ly和t为最具影响力的参数,其p值显著性水平低于0.05。三阶多项式模型在位移预测中表现最优,而二阶模型更适用于质量百分比预测。通过梯度为零的条件搜索(?f(x1, x2, ..., xn)→0),在设计域内定位刚度-重量比最优及次优点,证实存在优于全空芯和全实心芯的折中设计点。

神经网络训练与对比验证部分:构建6输入-1输出的MLP网络,经迭代优化确定双隐藏层(各10神经元)架构,采用Adam优化器、0.01学习率、45批次大小训练450轮次。将该网络预测结果与RSM及FEM对比显示(图5),15组随机样本的位移与质量预测误差均处于较低水平,两种方法预测结果高度一致,互为验证。

实验验证与物理原型部分:选取RSM识别的最优点、次优点及边界非优点各3件,共9件试样进行树脂打印与准静态测试。定制夹具再现数值模拟边界条件,以1 mm/min速度实施位移控制加载,取10–30 N线性段斜率作为实验刚度kexp=F/δ。结果表明实验位移与FEM、RSM、ANN预测值趋势一致,验证了数值框架在弹性范围内的预测可靠性(表1)。

增材制造与后处理部分:采用Lychee 1.7软件切片,垂直取向打印以提升分辨率并减少翘曲;手动设计支撑结构以处理悬垂特征并防止收缩变形;模型缩放101%以补偿固化收缩;设置底层曝光24 s、正常层曝光2.5 s、抬升速度分层控制等工艺参数;打印后经异丙醇(Isopropyl Alcohol, IPA)超声清洗20 min、手工去除支撑、XYZ printing 180 Multicure紫外固化15 min等后处理步骤,最终获得可用原型并实车装配测试。

结论部分翻译:研究人员确认,RSM和ANN两种方法均适用于参数化核心的分析与最优/次优设计点识别。二阶和三阶RSM模型以及神经网络均能以较高精度预测油门凸轮限位开关区域的减重质量与测量位移之间的设计比值。由于两种不同方法论应用于同一数据集,研究人员确认它们可整合用于优化研究,并相互验证。考虑到模型及其参数化的复杂性,预测结果良好。特别地,神经网络可作为更复杂网络的组成部分,以预测考虑不同几何、载荷和约束条件下的输出。研究人员认为,所提出的两种方法均适合作为核心点阵结构设计的参考指南,以避免无序应用——尽管已存在众多相关科学文献,此类无序现象仍时有发生。
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