基于物理信息神经网络(Physics-Informed Neural Network, PINN)模拟液晶弹性体(liquid crystal elastomer, LCE)人工肌肉热-力学行为的建模研究

《Results in Engineering》:Physics-informed neural network modeling of the thermo-mechanical behavior of liquid crystal elastomer artificial muscle

【字体: 大 中 小 】 时间:2026年03月24日 来源:Results in Engineering 9.4

编辑推荐:

  热驱动人工肌肉因具备大变形、轻质及低功耗等特点,在软体机器人与柔性机械系统中受到广泛研究。然而,驱动温度与变形响应之间的强非线性使得在实验数据有限情况下难以建立可靠且具可解释性的模型。为解决此难题,研究人员提出一种物理信息神经网络(Physics-Inform

  
热驱动人工肌肉因具备大变形、轻质及低功耗等特点,在软体机器人与柔性机械系统中受到广泛研究。然而,驱动温度与变形响应之间的强非线性使得在实验数据有限情况下难以建立可靠且具可解释性的模型。为解决此难题,研究人员提出一种物理信息神经网络(Physics-Informed Neural Network, PINN)来模拟液晶弹性体(liquid crystal elastomer, LCE)人工肌肉的热致变形行为。该方法将考虑液晶自由能与橡胶弹性能耦合的热力学模型作为物理约束嵌入网络训练过程,从而实现对热致驱动行为具物理可解释性的预测。研究人员通过摩擦法在LCE表面制备微尺度粗糙结构并填充多壁碳纳米管(multiwalled carbon nanotube, MWCNT)构建集成电-热层,制作了一种新型电热驱动LCE人工肌肉,可实现可控的焦耳热致收缩。实验结果表明,所提出的PINN模型能准确预测LCE人工肌肉的热致变形并保持物理可解释性;该模型在K折交叉验证中R2达95.01%,在不同样品与不同驱动条件下的验证实验中R2达93.52%。本研究为电热驱动LCE人工肌肉的建模与控制提供了有效框架。
论文解读:基于物理信息神经网络的液晶弹性体人工肌肉热-力学行为建模研究
该文发表于《Results in Engineering》。热驱动人工肌肉(柔性驱动器)因大变形、轻质和低功耗等优点在软体机器人领域备受关注,其中液晶弹性体(liquid crystal elastomer, LCE)因双向形状记忆效应和可编程介晶取向成为前沿材料。然而LCE在热致向列-各向同性相变过程中表现出强非线性、迟滞及热-力耦合特性,传统唯象数据驱动模型依赖大量高质量数据且缺乏物理机制导致泛化性差,而基于分子取向-宏观变形的序列参数模型或有限元法又涉及过多材料参数或计算复杂,难以用于实时控制。为兼顾非线性拟合能力与物理可解释性,研究人员引入物理信息神经网络(Physics-Informed Neural Network, PINN)框架,将LCE热力学本构关系作为物理残差嵌入损失函数,对LCE人工肌肉热致变形行为进行可解释建模,并自制电热驱动LCE样品与同步采集平台验证模型效果。
主要关键技术方法:
研究人员采用两步交联法制备向列相LCE薄膜,经砂纸打磨形成微尺度粗糙结构后涂覆多壁碳纳米管(multiwalled carbon nanotube, MWCNT)分散液构建集成焦耳热层制成电热驱动LCE人工肌肉样品。基于Landau-de Gennes展开的自由能描述液晶序参数S(T)的温度依赖性,结合Warner-Terentjev理论将序参数映射为自发伸长λ0,并通过Neo-Hookean橡胶弹性能建立微观序参数演化与宏观拉伸比λ的耦合关系,引入Ginzburg-Landau型梯度流方程描述序参数随时间t的耗散弛豫动力学。将此序参数常微分方程(ODE)残差及几何相容约束(λ0(S)与λ的关系)作为物理残差加入PINN总损失函数,网络输入为归一化时间t与温度T(t),同时输出预测拉伸比λ?与序参数S?,序参数时间导数通过自动微分获得。采用周期级K折交叉验证(K=5,100个完整加热-冷却循环),以RMSE、MAE和决定系数R2评价并与随机森林(Random Forest, RF)、长短期记忆网络(Long Short-Term Memory, LSTM)及门控循环单元(Gated Recurrent Unit, GRU)对比。
研究结果:
3.1. Dataset generation experiment
研究人员搭建了基于微控制器STM32的同步温度-位移采集平台,对LCE人工肌肉施加40 V电压加热40 s、开启风扇冷却180 s构成一个完整循环,以1 Hz采样率连续采集100个循环的温度与轴向位移数据,经计算得到拉伸比λ。误差条分析显示前5个与后5个循环位移响应的标准差分别仅为2.30 mm与2.17 mm,表明制件具良好循环重复性,数据集可用于建模。
3.2. Model Training
PINN采用2层隐藏层各200神经元、tanh激活函数的全连接网络(Fully Connected Neural Network, FCNN),以Adam优化器(学习率1×10-3)训练,早停耐心300轮。损失权重采取分阶段策略:数据损失权重wdata=1.0,物理残差权重wphys由0.01渐增至0.15,几何约束权重wgeom=0.02。网络架构敏感性分析表明2×200配置在R2、RMSE与MAE上综合最优。Landau系数α、相变温度TNI、高阶项B与C、动力学弛豫系数Γ、剪切模量μ及热-力耦合参数a1、a2初始化后于训练中联合辨识,辨识得TNI≈313.1051 K,α=-0.0371(符合序参数随升温下降特征),其余参数均在物理合理范围内。
3.3. Model verification results
3.3.1. Validation using training data
五折交叉验证平均结果为RMSE=0.0151,MAE=0.0091,平均R2=93.38%,最佳折R2=95.01%(RMSE=0.0128,MAE=0.0071)。相同数据划分下LSTM平均R2=86.42%、GRU平均R2=88.44%,即便减少折数至K=2其R2仅升至90.52%和92.58%,仍低于PINN(K=5)。随机森林(RF)统计精度最高(平均R2=96.42%),但属纯分段插值无微分连续性;PINN在保持与实测相符精度的同时严格遵循本构方程,输出光滑可微函数,更适于后续基于Jacobian的智能控制。PINN凭借物理约束在小样本下优于同条件时序深度学习模型。
3.3.2. Generalization validation under different operating conditions
换用不同尺寸LCE样品(12 cm×2 cm×0.2 cm vs 训练用10 cm×2 cm×0.2 cm),改为无负载、35 V驱动、加热80 s/冷却120 s工况,将实测温度序列输入已训练PINN模型预测变形。预测与实测吻合较好,RMSE=0.0193,MAE=0.0163,R2=93.52%,证明模型能捕捉LCE本征热-力耦合行为并具跨工况泛化能力。
讨论与结论翻译:
本研究提出了一种基于PINN的建模方法来描述LCE人工肌肉的热致收缩行为。建立了基于LCE分子相变机制的热力学模型以推导温度与驱动器变形之间的关系,并将相应物理约束嵌入PINN框架中以实现精确的温度–变形预测。此外,设计并制作了一种新型电热驱动LCE人工肌肉。开发了同步温度–变形测量平台,并进行周期级K折交叉验证以评估所提模型。与包括随机森林、LSTM和GRU在内的若干数据驱动方法的比较表明,PINN模型在实现更高预测精度和稳定性的同时保持了物理可解释性。即使在相对小数据集(K=5)下,模型R2仍达95.01%,MAE为0.0071。额外验证实验表明,所提出的PINN模型在不同负载、驱动电压及加热/冷却时长下仍保持较强泛化能力与预测精度,R2高于93.52%,平均绝对误差为0.0163。未来工作将把此框架扩展至LCE驱动的软体机器人系统的建模与控制中。
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