《Polymers》:Machine Learning and RSM for Lattice Structure Optimization
Giampiero Donnici,
Marco Freddi and
Leonardo Frizziero
编辑推荐:
本研究提出一种结合实验设计(DOE)、响应面法(RSM)及多层感知器(MLP)神经网络的非迭代优化框架,用于提升光聚合物增材制造(Additive Manufacturing, AM)环氧树脂悬架部件的比刚度(刚度-质量比,Stiffness-to-Weigh
本研究提出一种结合实验设计(DOE)、响应面法(RSM)及多层感知器(MLP)神经网络的非迭代优化框架,用于提升光聚合物增材制造(Additive Manufacturing, AM)环氧树脂悬架部件的比刚度(刚度-质量比,Stiffness-to-Weight Ratio)。研究人员通过拉丁超方抽样生成参数空间样本,利用有限元分析(FEA)获取位移与质量响应,分别构建二阶RSM多项式回归模型与含ReLU激活函数的前馈MLP模型(6输入-2隐藏层×10神经元-1输出)。RSM模型通过梯度?f(x?)=0寻优获得解析最优几何参数组合,Pearson相关系数评估变量显著性;MLP模型采用反向传播(Backpropagation)与Adam优化器更新权重θt+1=θt-η?θL(θ),以捕捉非线性耦合效应。结果表明:二次多项式RSM可识别主效应与交互项,决定系数R2>0.95;MLP预测误差低于RSM。所提方法较传统试错法减少约60%仿真次数,优化后悬架臂比刚度提升18.7%,验证了数据驱动代理模型在AM结构轻量化中的有效性。
研究背景与意义
汽车及运动器械中悬架系统常采用铝合金或钢制件,存在加工周期长、模具成本高等问题。光聚合物环氧树脂增材制造(AM)可实现复杂拓扑结构的一体成型,但其力学性能高度依赖工艺参数与几何构型,传统经验设计难以兼顾轻量化与刚度要求。现有研究多聚焦材料改性,缺乏针对AM悬架组件几何参数—比刚度关系的系统性建模与优化方法。本文在《Polymers》期刊发表,研究人员以EPAX光固化树脂打印悬架导向臂为对象,引入响应面法(RSM)与多层感知器(神经网络(MLP)构建代理模型(Surrogate Model),通过实验设计(DOE)采样替代全因子枚举,以梯度零点解析求解与神经网络泛化预测相结合的方式确定最优设计参数,旨在为AM功能结构多目标优化提供可复用流程。
主要关键技术方法
研究人员采用拉丁超方设计(Latin Hypercube Design, LHD)生成250组六维输入参数(主销内倾角Kingpin Inclination Angle、轮毂长度Hub Length等悬架几何变量)的样本空间;每组参数在ANSYS Workbench中进行静力学FEA,施加载荷30 N表面分布力及2 MPa调压钢丝压力,提取最大垂向位移δmax与组件质量m,定义目标函数η=K/m(等效刚度K∝1/δmax)。分别拟合二阶RSM模型y=β0+Σβixi+Σβiixi2+Σi< />βijxixj+ε并训练MLP(6-10-10-1, ReLU, Adam, lr=0.01, batch=45, epoch=450)。RSM通过?f(X?)=0求驻点筛选候选解,Pearson相关系数r=Cov(X,Y)/(σXσY)量化参数敏感性;MLP权值更新遵循θt+1=θt-η?θL(θ),损失函数为均方误差(MSE)。
研究结果
2.2. Response Surface Methodology (RSM) and Optimal Configuration Search
研究人员建立含线性项、平方项及交叉项的二次回归模型,通过最小二乘法估计β系数。ANOVA方差分析确认模型显著性(p<0.05),调整R2达0.96~0.98表明拟合优度良好。令?f(x1,...,xn)=0解得驻点,代入原模型验证是否为极大值(对应最小位移即最大刚度)。研究发现主销角与轮毂长度交互项βij显著,单独调节单一参数无法达到全局最优。
2.3. Introduction to Neural Networks and Main Formulas Used in the Study
研究人员构建前馈Multilayer Perceptron(MLP),隐层激活函数选用Rectified Linear Unit(ReLU, f(z)=max(0,z))优于Sigmoid/Tanh以避免饱和。反向传播(Backpropagation)依据链式法则?L/?wij=(?L/?aj)(?aj/?zj)(?zj/?wij)计算损失L对权重梯度,Adam优化器自适应调整学习率。网络经450轮训练后收敛,测试集MSE低于RSM残差。
3. Results
仿真数据库显示:经RSM推荐参数组合打印的样件,实测垂向变形较初始设计减小15.3%,质量降低3.4%,比刚度提升18.7%。MLP模型对未见参数组合的η预测偏差<4%,证实其泛化能力。Pearson相关性分析表明轮毂长度与主销角呈强负相关(|r|>0.85)于刚度响应,衬套偏置影响较弱。敏感性排序为:主销角>轮毂长度>上控制臂安装点高度>下横臂倾角>衬套偏置距>减振器轴线夹角。
讨论与结论
研究人员得出结论:(1)RSM结合梯度寻优可快速锁定参数空间内近似最优解,适合初步筛选;(2)MLP能更精确捕捉高阶非线性耦合,适合最终微调;(3)二者联用可减少DOE采样点至传统全因子设计的40%以下而不损失精度;(4)EPAX光固化环氧树脂悬架组件经参数优化后比刚度显著提升,验证了AM结合数据驱动设计在工程结构轻量化中的可行性。本方法可推广至其他纤维增强聚合物AM功能件的性能驱动设计。