面向定制矫形中底的可编程沃罗手性超材料的数据驱动多目标逆设计
《Thin-Walled Structures》:Data-driven multi-objective inverse design of programmable Vorochiral metamaterials for customized orthotic midsoles
【字体:
大
中
小
】
时间:2026年09月24日
来源:Thin-Walled Structures 8.3
编辑推荐:
•提出了一种基于数据驱动的多目标逆向设计方法用于构建左旋手性超材料。•采用优化拉丁超立方抽样(OLHS)和变分自编码器(VAE)来构建并扩充数据集。•通过集成反向传播神经网络(BPNN)与非支配排序遗传算法Ⅱ(NSGA-Ⅱ),高效提取帕累托前沿。•采用基于熵权法-TOPSIS
•提出了一种基于数据驱动的多目标逆向设计方法用于构建左旋手性超材料。•采用优化拉丁超立方抽样(OLHS)和变分自编码器(VAE)来构建并扩充数据集。•通过集成反向传播神经网络(BPNN)与非支配排序遗传算法Ⅱ(NSGA-Ⅱ),高效提取帕累托前沿。•采用基于熵权法-TOPSIS的方法识别最优参数。•设计的鞋底中底同时降低了峰值(?33.24%)和平均(?37.94%)足底压力。1. 引言糖尿病周围神经病变和外周动脉疾病是糖尿病足溃疡(DFUs)的主要前驱因素,这是一种严重的并发症,显著增加了下肢截肢风险和患者死亡率[[1], [2], [3], [4], [5], [6]]。大量的生物力学研究表明,异常的足底压力分布,尤其是升高的足底峰值压力和局部剪切应力,是糖尿病足软组织破裂和溃疡形成的主要力学驱动因素[[5], [6], [7], [8], [9], [10], [11], [12], [13], [14], [15], [16]]。因此,通过适应性足部矫形器具(如减压鞋垫和定制缓冲中底)重新分布足底压力,仍然是DFUs保守治疗和预防性管理的关键且具有挑战性的策略[[17], [18], [19], [20], [21], [22], [23], [24], [25], [26], [27]]。机械超材料能够通过合理的微观结构设计精确定制宏观机械性能,如刚度、泊松比和能量吸收[[28], [29], [30], [31], [32], [33], [34], [35], [36], [37], [38], [39], [40]],使其成为传统实心鞋垫和中底材料的有前景替代品。Ning等人[41]提出了一种新型内凹式鞋垫,并对23名糖尿病患者进行了研究,结果表明该鞋垫能有效分散足底压力并增大接触面积,从而提供增强的足底卸荷和缓冲效果。Cracknell等人[19]利用优化算法开发了定制基于Gyroid(旋细胞)结构的矫形鞋垫,证明Gyroid鞋垫与传统鞋垫相比降低了12.2 kPa的峰值压力,与赤足状态相比降低了94.3 kPa。鉴于中底比鞋垫更厚且更适合填充结构,已有大量研究聚焦于中底结构。Cheng等人[17]研究了三维(3D)Voronoi(沃罗诺伊)杆状中底,展现了优异的能量吸收和缓冲性能。Alam和Kwok[24]采用多学科优化方法设计了高性能晶格中底结构。Sun等人[20]提出了采用拉胀手性超材料设计的3D打印中底。通过对单元尺寸、壁厚和节点圆半径的系统参数化研究,确定了优化的结构构型,在生物力学响应和用户体验舒适度方面均显示出显著改善。目前,一类新型随机手性结构——即Voro-chiral(沃罗诺伊手性)超材料,通过将Voronoi镶嵌与手性架构相结合而提出[42]。Voro-chiral结构因其独特的拓扑构型和对变机制而在刚度和能量吸收方面具有固有优势。因此,具有可编程机械性能的Voro-chiral超材料与合适的优化策略相结合,具有为中底填充结构提供有效足底卸荷和缓冲的潜力。此外,由于Voro-chiral结构的复杂性,增材制造是实现其唯一的可行方法。尽管Voro-chiral结构具有巨大潜力,但将其应用于糖尿病中底的实际工程设计呈现出具有挑战性且相互冲突的多目标问题:即最小化表观杨氏模量(E)(刚度的指标),同时最大化比能量吸收(SEA)。对于脆弱的糖尿病足,高风险区域需要尽可能低的局部刚度以最大化接触面积,从而从根本上减轻促成溃疡形成的峰值压力[[43], [44], [45]]。然而,过低的刚度可能导致在动态行走载荷下过早"触底",导致缓冲能力严重丧失[17,41,46]。因此,在刚度最小化的约束下,结构必须同时表现出高效、轻量化特性和优异的能量吸收性能(即高SEA)。在传统固体力学中,刚度和能量吸收通常呈正相关,使得该要求本质上相互矛盾。解决这一权衡以找到最佳平衡仍然是高性能中底定制设计中的关键挑战。为了解决结构性能中的内在权衡,多目标逆向设计范式已被广泛采用。传统的基于"试错"正向设计或纯有限元(FE)分析的方法在解决此类多目标冲突时计算代价过高。相比之下,多目标逆向优化设计能够高效探索设计空间以识别最优解。近期研究表明,竞争性的目标(如手性、Voronoi和仿生超材料中的刚度和SEA)可以通过多目标优化得到有效平衡[[47], [48], [49]]。然而,复杂几何的探索仍从根本上受到正向仿真高计算成本的限制。为了克服这一限制,数据驱动的逆向设计框架被越来越多地采用,在该框架中,利用机器学习模型直接从目标宏观响应重建超材料架构[[50], [51], [52]]。通过整合这些方法,可以建立多目标逆向优化设计框架。在该框架中,计算代价昂贵的有限元分析被高保真代理模型所替代,从而能够快速提取帕累托前沿以实现定制刚度和增强的能量吸收[[53], [54], [55], [56], [57], [58], [59]]。该方法确保了定制中底的复杂生物力学需求能够被高效满足。在本研究中,提出了一种整合数据扩充、代理建模、进化优化和决策的数据驱动多目标逆向设计框架,用于开发基于可编程Voro-chiral机械超材料的定制矫形中底。以足底压力分布为指导,在前足、中足和足跟区域实施了填充设计策略以缓解高压集中。采用优化拉丁超立方抽样(OLHS)和变分自编码器(VAE)构建并扩充数据集以克服小样本问题,从而训练高精度的反向传播神经网络(BPNN)代理模型。通过将该代理模型与非支配排序遗传算法Ⅱ(NSGA-II)以及基于熵权法-TOPSIS的综合决策框架相结合,从帕累托前沿中高效识别了最优结构构型。通过全面的有限元仿真、机械测试以及静立和动态步态实验,证明优化的Voro-chiral中底与填充传统结构的中底相比,具有显著更低的峰值和平均足底压力,凸显了其在定制生物力学干预方面的强大潜力。此外,所提出的框架为架构超材料的逆向设计和性能调节建立了一个可推广的数据驱动范式,促进了更广泛应用领域的定制化工程设计。2. 方法本节描述设计方法、有限元分析、机械实验以及在静立和动态步态条件下的测量方法。首先,提出了中底分区和填充策略,并采用多目标逆向优化框架确定Voro-chiral超材料的最优构型参数。其次,通过有限元仿真和实验测试验证预测模型的准确性。最后,在静立和动态步态条件下对优化的中底进行评估。整合BPNN与NSGA-II的数据驱动工作流程如图1所示。首先,利用VAE扩充包含Voro-chiral超材料设计参数和机械性能的数据集以克服小样本问题,随后基于BPNN进行正向预测。其次,将训练良好的BPNN代理模型纳入NSGA-II以逆向设计期望的结构。下载:下载高分辨率图片(374KB)下载:下载完整尺寸图片图1. 数据驱动多目标逆向设计工作流程。2.1 中底分区策略中底根据足底压力分布被划分为若干区域。之前的研究已采用分区策略进行中底设计[17,60,61]。在本研究中,中底主要被划分为三个区域用于结构填充。为表征各区域的压力分布,使用Pedar-X压力测量系统(Novel GmbH,德国慕尼黑)在静立期间采集足底压力数据,如图2(a)所示。一名健康男性受试者(体重:78.9 kg,身高:178.6 cm,足长:253.5 mm)参与了测量。该受试者过去一年无足部损伤或疾病史。获得二维(2D)和三维(3D)足底压力分布图,如图2(b)和2(c)所示。较高的足底压力集中在前足和足跟区域,与人体足部生物力学特征一致。这些发现确认了两个主要高压区域的存在。据此,中底被划分为三个部分,即前足、中足和足跟,如图2(d)所示。此外,鞋底尖端通常不与足部接触。本研究设计的中底总长为255.0 mm,前足和足跟部分各为90.0 mm,中足部分为60.0 mm。这些尺寸设计便于填充。为减轻集中足底压力,设计重点主要集中于前足和足跟区域,如图2(d)中红色实线框所示。下载:下载高分辨率图片(299KB)下载:下载完整尺寸图片图2. 基于足底压力分布的中底分区。(a)足底压力分布测量。(b)二维足底压力图。(c)三维足底压力图。(d)中底分区策略。红色实线框标示前足和足跟区域,这些区域进一步划分为上、中、下三部分。需要注意的是,为实验验证而制造的优化Voro-chiral中底代表了通用的"适合大多数"高性能原型,而非针对受试者A特定足底压力图定制的设计。受试者A参与测试仅作为方法论示范者。通过让受试者A在地面上站立测试,旨在证明所提出宏观布局策略的可靠性。具体而言,将人体足底区域划分为不同的功能区域(前足、中足和足跟),并以梯度Voro-chiral构型填充这些区域,是缓解局部应力集中的一种可行方法。2.2 中底填充策略本研究所采用的Voro-chiral超材料(如我们之前的工作报告所述)因优异的机械性能而用作中底填充结构[42]。为确定Voro-chiral超材料的最优构型,采用了BPNN和NSGA-Ⅱ。此外,采用OLHS以减少计算成本,同时实施基于VAE的数据扩充以扩展数据集从而改善预测精度。2.2.1 优化拉丁超立方抽样Voro-chiral超材料通过将Voronoi架构与手性结构相结合而生成都,从而在Voronoi框架中引入手性。这些超材料最早在我们之前的研究中提出[42],并展现了优异的机械性能。基于随机分布的种子点,使用MATLAB(v2023b,MathWorks Inc.,美国马萨诸塞州)构建Voro-chiral图。不规则度最初由Zhu等人[62,63]定义。对于具有n个单元的规则六边形蜂窝结构,在面积为A0的正方形区域内,任意两个相邻核之间的距离??0为常数,给出为:(1)??0=√2???0???√3对于具有n个单元的随机Voronoi图,在面积为A0的正方形区域内,Voronoi镶嵌的不规则度Ir定义为:(2)????=1?????0其中??表示任意两个核之间的最小距离[62,63]。将Voronoi镶嵌的顶点替换为等半径的节点圆,并用切向连接的连杆连接相邻节点圆,如图3(a)所示。为生成Voro-chiral图,使用邻接矩阵遍历每个顶点。如果两个相邻圆相交或相切,则不生成连接连杆以避免几何重叠。例如,两个三手性超材料可以合并为四手性超材料,如图3(a)所示。因此,Voro-chiral超材料代表了多种手性构型的组合。完全由节点圆半径r和壁厚t定义,Voro-chiral超材料的几何模型使用SolidWorks(v2023,SolidWorks Inc.,美国马萨诸塞州)构建,如图3(b)所示。为填充中底的前足和足跟区域,设计域A0被定义为90.0 × 30.0 mm2的面积,如图3(b)所示。下载:下载高分辨率图片(406KB)下载:下载完整尺寸图片图3. 通过优化拉丁超立方抽样(OLHS)的Voro-chiral超材料生成过程和代表性构型。(a)Voro-chiral超材料的手性化过程。(b)由OLHS生成的代表性构型(所有构型见补充图1)。为降低计算成本,本研究采用了OLHS。考虑了Voro-chiral超材料的五个关键设计变量,即Ir、n、r、t和梯度因子g,它们均影响结构的机械性能。梯度因子g控制Voro-chiral超材料中种子点的空间分布,如图2(d)所示。
中底的跖骨区域和足跟区域被分为三等份,即上段、中段和下段。这些区域的种子点数量分别定义为n(1?g)、n和n(1+g)。这些设计变量的范围基于中底的几何约束和制造考量确定。因此,Ir、n、r、t和g的范围分别设定为0.2–1.0、10.0–20.0、1.5–2.0、0.5–1.0和0.2–0.6。使用OLHS(拉丁超立方抽样),生成了五十种不同的沃罗诺伊手性超材料构型。代表性构型如图3(b)所示,而完整的构型集见补充图1。设计变量Ir、n、r和t取自我们之前的研究,在该研究中系统地研究了它们的几何含义以及对沃罗诺伊手性超材料有效刚度和能量吸收性能的影响[42]。简言之,这些参数控制着结构的不规则程度、胞元拓扑、韧带几何形状和相对密度,从而决定宏观力学响应。此外,本研究引入了梯度因子g来表征胞元结构的空间变化,从而实现具有特定区域力学性能的函数渐变矫形中底的逆向设计。
2.2.2 结构力学性能计算
采用E(杨氏模量)和SEA(比能量吸收)来评估中底的力学性能。在糖尿病足患者中,足底软组织非常脆弱,通常因神经病变伴随感觉丧失。因此,必须最小化中底的局部刚度以确保足够的顺应性,从而最大化足底接触面积并有效降低峰值足底压力。相应地,E被选为中底设计的关键评估指标。在行走过程中,特别是在足跟触地阶段,足部受到地反作用力的持续冲击。为了保护足关节和软组织,中底必须表现出高能量吸收能力。因此,SEA被视为另一个关键评估指标。为了确定这五十种沃罗诺伊手性超材料的E和SEA值,使用Abaqus(v2021,Dassault SIMULIA,美国罗德岛州)进行有限元分析。用于制造中底的热塑性聚氨酯(TPU)的材料特性通过实验表征,以确保准确的有限元模拟。
使用熔融沉积成型(FDM)技术,通过Bambu Lab P1S 3D打印机(中国深圳)制造哑铃形标准拉伸试样,如图4(a)所示。喷嘴直径为0.4 mm,打印速度为40.0 mm/s,固定层高为0.08 mm。由Bambu Lab提供的TPU 95 A HF作为试样制造的基础材料。
下载:下载高分辨率图像(171KB)下载:下载全尺寸图像
图4. 试样和实验装置。(a) 标准哑铃形TPU拉伸试样及其尺寸。(b) 单轴拉伸测试装置。(c) TPU材料的名义应力-应变曲线。
TPU的力学性能通过单轴拉伸测试确定。根据ASTM D638国际标准,设计并制造了三个哑铃形TPU试样。试样几何形状和尺寸如图4(a)所示。测试使用通用试验机(MTS Criterion 43.104)进行,载荷能力范围为?10.0至10.0 kN,最大力测量误差小于±1.0%。所有测试均采用恒定加载速度10.0 mm/min,如图4(b)所示。在加载过程中,记录力-位移数据,随后转换为名义应力-应变曲线。基于获得的应力-应变数据,使用Abaqus 2021进行本构拟合,以表征TPU的超弹性行为。评估了多种超弹性本构模型,包括Arruda-Boyce、Yeoh、Mooney-Rivlin、Ogden、Neo-Hookean和多项式模型,将其与平均名义应力-应变响应进行比较。其中,二阶多项式模型(N=2)提供了最佳拟合。三个实验获得的名义应力-应变曲线如图4(c)所示。多项式超弹性模型的拟合材料参数汇总于表1,并随后用于在有限元模拟中定义TPU材料特性。
表1. TPU的材料参数。
ρ (g/cm3) C10 C01 C20 C02 C11 D1 D2
1.22 ?8.95 15.95 0.10 3.30 ?0.51 0.00 0.00
使用商业软件Abaqus/Explicit 2021进行有限元模拟。采用二阶多项式(N=2)超弹性本构模型来表示超材料的机械行为。在沃罗诺伊手性超材料的上方和下方放置了两块刚性板,如图5(a)所示。超材料使用八节点减缩积分六面体实体单元(C3D8R)进行离散化,而刚性板使用四边形刚性壳单元(R3D4)建模。基于网格收敛性分析,网格尺寸设为0.36 mm。底部刚性板完全约束,而顶部刚性板施加20.0 mm的向下位移以压缩超材料。顶部和底部板的所有节点均耦合到各自的参考点,图5(a)所示的边界条件和载荷施加于这些参考点。刚性板与超材料之间的切向接触定义了0.2的摩擦系数,而法向相互作用指定为硬接触。通过提取顶部参考点的反作用力和位移获得力-位移响应。随后,推导出相应的应力-应变曲线,以评估沃罗诺伊手性超材料的力学性能。
下载:下载高分辨率图像(278KB)下载:下载全尺寸图像
图5. 沃罗诺伊手性超材料的有限元模型和工程应力-应变响应。(a) 有限元模型。结构顶部和底部放置了两块刚性板。蓝色箭头表示压缩方向,红色虚线框突出显示放大的网格区域。(b) 从压缩应力-应变曲线导出的表观杨氏模量(E)和能量吸收(EA)。插图显示放大视图,蓝色星号指示致密化点。
E是刚度的指标,反映结构抵抗变形的能力。它从工程应力-应变曲线的线性弹性区域确定,如图5(b)所示。E的值计算如下:
(3) E = (F/A)/(Δh/H)
其中F表示压缩载荷,H是结构的初始高度,A和Δh分别是结构上表面的面积和位移。
SEA是单位质量能量吸收能力的指标,可计算为:
(4) SEA = EA/(ρ_m·ρ_v)
其中EA是单位体积的能量吸收,ρ_m表示基础材料的密度,ρ_v表示结构的相对密度。参数EA通过对应力-应变曲线积分获得,如图4(b)所示。
(5) EA = ∫?^{ε_d} σ(ε)dε
其中ε是工程应变,σ(ε)是对应的工程应力,ε_d表示致密化点的应变。
相应地,对这五十种使用OLHS生成的沃罗诺伊手性超材料构型评估了这两个关键力学性能,形成初始的五十个训练数据集,用于后续深度学习。
所有构型均设计为面外厚度15.0 mm,以防止在准静态压缩下的屈曲和整体失稳,同时提高计算效率。应强调的是,所有设计变量(Ir、n、r、t和g)均由二维胞元拓扑定义。在定制矫形中底中,相同的横截面结构沿面外厚度方向根据足底轮廓拉伸,而不引入额外的几何设计变量。因此,数据集和最终的三维中底共享相同的拓扑特性和加载方向,实现了从代理模型到实用三维结构的高效映射。
2.2.3 通过VAE进行数据增强
由于初始数据集仅包含五十个样本,需要扩展数据集以启用预测模型的有效训练。因此,采用基于VAE(变分自编码器)的数据增强方法来生成模型训练所需的大量数据。
VAE是一种基于神经网络的生成模型,结合了变分推断和自编码器的概念。其目标学习是学习输入数据的潜在概率分布,并通过从该分布中抽样生成新样本,从而产生类似于原始数据集的数据。在VAE中,潜在变量z定义为遵循预定先验分布(通常为多元标准高斯分布)的随机变量:
(6) p(z) ~ N
编码器学习近似后验分布q_φ(z|x),其中x表示结构的设计参数和相关力学性能,如图6所示。该分布由均值向量μ和对数方差向量log β2参数化。为启用反向传播,应用重参数化技术:
(7) z = μ + β?ε, ε ~ N(0, I)
其中ε表示来自标准正态分布q_φ(z|x)的噪声项。为确保潜在空间正则化,同时优化重构和预测性能,定义了组合损失函数:
(8) L = L_recon + γD_KL(q(z|x) || p(z))
其中L是总损失,L_recon表示重构损失,D_KL表示Kullback-Leibler(KL)散度损失,γ是KL散度项的加权因子,在本研究中设为0.001。L_recon和D_KL给出:
(9) L_recon = (1/N) ∑_{i=1}^N ||x_i ? x?_i||2
(10) D_KL = ?(1/2) ∑_{j=1}^d (1 + log β_j2 ? μ_j2 ? β_j2)
其中d表示潜在维度,在本研究中设为3。编码器和解码器各包含两个隐藏层。在编码器中,第一和第二隐藏层分别包含32和16个神经元,而解码器采用镜像架构。
下载:下载高分辨率图像(214KB)下载:下载全尺寸图像
图6. VAE架构。模型由编码器和解码器组成,各包含两个隐藏层。编码器第一层和第二层分别包含32和16个神经元,而解码器遵循镜像结构。潜在维度设为3。采用重参数化技术以启用反向传播。
使用所提出的数据增强方法,数据集最初扩展至3000个样本。随后移除了落在预定义参数范围之外的样本,最终得到1800个样本的数据集。总共生成了1750个类似于原始数据的新样本。然后将数据集划分为训练集、验证集和测试集,比例分别为70%、15%和15%。
2.2.4 通过BPNN进行正向预测
BPNN(反向传播神经网络)是深度学习中的一种经典模型,利用误差反向传播学习输入和输出之间的非线性映射[64]。在本研究中,建立输入向量x和输出向量y之间的非线性映射关系:
(11) y = BPNN(x) = BPNN(Ir, n, r, t, g)
其中y表示预测的沃罗诺伊手性超材料的力学性能,即E和SEA。
本研究中采用的BPNN架构如图7(a)所示。输入层由五个设计参数(Ir、n、r、t和g)组成,输出层包含两个力学性能指标(E和SEA)。隐藏层完全连接并位于输入层和输出层之间,每个神经元与相邻层的所有神经元相连,层内不存在连接。从输入变量到输出变量的激活和信号传播的正向过程模拟了人脑中神经元的活动。每个神经元是权重、偏置和前一层神经元输出的线性组合的非线性激活结果,如图7(b)所示。在常见激活函数(ReLU、Tanh和Sigmoid)中,本研究采用Sigmoid函数:
(12) a_{l,j} = 1/(1 + e^{?(∑_k a_{l?1,k} ω_{l,j,k} + b_{l,j})})
其中a_{l,j}表示第l层第j个神经元的激活,ω_{l,j,k}表示连接前一页第k个神经元的权重,b_{l,j}是偏置项。
下载:下载高分辨率图像(237KB)下载:下载全尺寸图像
图7. BPNN模型架构。(a) BPNN结构,包括输入层、隐藏层和输出层。(b) 神经元是权重、偏置和前一层神经元的线性组合的非线性激活。
通过误差反向传播使用梯度下降理论,最小化模型输出h和真实值y之间的预测误差。采用均方误差(MSE)作为损失函数,该函数广泛用于回归任务。
(13) MSE = (1/m) ∑_{i=1}^m ||h_i ? y_i||2
其中m是样本数量,h_i是第i个样本的预测输出,y_i是对应的真值。符号∥·∥表示L2(欧几里得)范数。此外,使用决定系数(R2)来评估回归性能。
(14) R2 = 1 ? (∑_{i=1}^m ||y_i ? h_i||2) / (∑_{i=1}^m ||y_i ? ō_i||2)
其中ō_i表示真实输出的平均值。
BPNN的超参数显著影响预测准确性。因此,进行了超参数敏感性分析以确定最佳网络架构。
隐藏层数从一层变化到四层,而每层隐藏层的神经元数设置为6、8和10。网络架构定义如下:输入层有五个神经元,三层隐藏层各含10个神经元,输出层有两个神经元。此外,网络使用Adam优化器进行训练,初始学习率设为0.001。该值经过仔细选择,以确保平稳且计算高效的收敛,同时防止损失函数在全局最小值附近振荡。这种最佳学习率提供了必要的梯度分辨率,以准确建立超材料设计空间与目标力学性能之间复杂的、高度非线性的映射关系[65,66]。
2.2.5. 多目标逆向优化设计
为了在复杂的Pareto最优设计空间中导航,经过良好训练的BPNN代理模型与NSGA-II [67]相结合。之所以选择NSGA-II而非其他启发式算法,是因其具有稳健的非支配排序机制、快速收敛速率以及在高度非线性超材料设计问题中维持种群多样性的显著优势[67,68]。优化过程的总体工作流程如图8所示。Voro手性超材料的设计变量包括:不规则度Ir ∈ [0.2, 1.0]、种子点数量n ∈ [10.0, 20.0]、节点圆半径r ∈ [1.5, 2.0]、壁厚t ∈ [0.5, 1.0]以及梯度因子g ∈ [0.2, 0.6]。优化目标定义为最小化E并最大化SEA,如式(15)所示。通过包括交叉、变异、非支配排序和拥挤距离计算在内的迭代遗传操作,获得了Pareto前沿并使其收敛到稳定分布。在Pareto前沿上识别出多个最优解,代表了刚度与能量吸收之间的不同折衷方案。随后应用扩展熵权TOPSIS方法对Pareto解进行排序,综合考量解的质量、稳定性、排序一致性和多样性,从而选择最具代表性的设计方案。需要指出的是,NSGA-II负责探索Pareto最优解集,而扩展熵权TOPSIS方法仅用于在已获得的Pareto解中进行决策,而非执行优化本身。
(下载:下载高分辨率图片(276KB)下载:下载全尺寸图片)
图8. 多目标逆向优化设计流程图。BPNN代理模型整合到NSGA-Ⅱ算法中。
尽管E和SEA表征了压缩响应的不同阶段,但它们代表了矫形中底板的互补力学要求。行走过程中,蜂窝结构在足底载荷下经历渐进压缩,而非始终停留在线性弹性范围内。相对较低的E有助于在初始加载阶段改善缓冲性能并降低足底峰值压力,而较高的SEA则在变形增大时增强冲击衰减能力。因此,同时优化这两个性能指标能够实现对舒适性和能量吸收要求兼顾的平衡设计。
(15)
min?E(Ir, n, r, t, g)
max?SEA(Ir, n, r, t, g)
s.t.
?{ { { { ?{ { { { ?
0.2 ≤ Ir ≤ 1.0
10.0 ≤ n ≤ 20.0
1.5 ≤ r ≤ 2.0
0.5 ≤ t ≤ 1.0
0.2 ≤ g ≤ 0.6
为了确定拐点,采用了基于熵权-TOPSIS方法的综合决策框架,该方法是一种理想解相似序法[49,69,70]。选定的拐点解被视为最优逆向设计结果,其对应的设计变量被采用为最终结构参数。具体流程如下:
第一步:构建Pareto前沿矩阵
Pareto前沿定义为:
(16)
X =
?
? ? ? ?
?
E? SEA?
E? SEA?
? ?
E? SEA?
?
? ? ? ?
?
其中a表示Pareto前沿上的解的数量。
第二步:目标函数归一化
对目标函数进行归一化。对于E,由于较小值更优,应用正向变换:
(17)
E*_a = (max - E_a) / (max - min)
对于SEA,由于较大值更优,归一化定义为:
(18)
SEA*_a = (SEA_a - max) / (max - min)
归一化矩阵为:
(19)
Y =
?
? ? ? ?
?
E*_1 SEA*_1
E*_2 SEA*_2
? ?
E*_? SEA*_?
?
? ? ? ?
?
第三步:构建指标权重p_ij
(20)
p_ij = y_ij / Σ(j=1 to 2) y_ij
其中y_ij表示归一化矩阵Y中第i个评价项的第j个响应,其中i=1,2,…,a,j=1,2分别对应E和SEA。
第四步:计算指标熵值e_j
(21)
e_j = -1/ln(a) × Σ(i=1 to a) p_ij × ln(p_ij)
第五步:确定熵权w_j
(22) d_j = 1 - e_j
(23) w_j = d_j / Σ(j=1 to 2) d_j
(24) w? + w? = 1
其中d_j表示信息效用值,w?和w?分别表示E和SEA的响应权重。
第六步:构建加权决策矩阵
将第5步得到的熵权值与归一化矩阵相乘,通过熵权法推导加权决策矩阵:
(25) v_ij = w_j × y_ij
第七步:确定正理想解和负理想解
正理想解v?_j为评价指标的最小值:
(26) v?_j = (min v?j, min v?j, …, min v?j)
负理想解v?_j为评价指标的最大值:
(27) v?_j = (max v?j, max v?j, …, max v?j)
第八步:计算欧几里得距离
到正解的距离为:
(28) d?_i = √(Σ(j=1 to 2) (v_ij - v?_j)2)
到负解的距离为:
(29) d?_i = √(Σ(j=1 to 2) (v_ij - v?_j)2)
第九步:计算贴近度(TOPSIS得分)
(30) C_i = d?_i / (d?_i + d?_i)
其中C_i值越大,越接近理想解。
第十步:稳定性指标S_i
稳定性得分S_i定义为在多次扰动下各解被选择的频率:
(31) S_i = 1/N × Σ(k=1 to N) δ(i_k = i)
其中N表示扰动总次数,i_k表示第k次运行中获得的最佳解的索引,δ(·)为指示函数,定义为δ(true)=1,δ(false)=0。
第十一步:排名稳定性R_i
排名稳定性R_i基于归一化排名位置计算:
(32) R_i = 1 - (r_i - 1)/(a - 1)
其中r_i表示基于TOPSIS得分的第i个解的排名位置。
第十二步:多样性指标D_i
多样性得分D_i定义为在归一化目标空间中每个解与所有其他解之间的平均欧几里得距离:
(33) D_i = 1/(n-1) × Σ(k≠i) d_ik
(34) d_ik = √(Σ(j=1 to 2) (x?_ij - x?_uj)2)
(35) x?_ij = (x_ij - x_min_j)/(x_max_j - x_min_j)
其中d_ik表示解i与解u之间的欧几里得距离,x?_ij表示解i的第j个目标的归一化值,x_ij表示解i的第j个目标的原始值,x_max_j和x_min_j分别为第j个目标的最大值和最小值。
第十三步:综合拐点评价函数
(36) Score_i = 0.4×C_i + 0.3×S_i + 0.2×R_i + 0.1×D_i
权重系数根据每个评价指标的工程意义分配,遵循多准则决策(MCDM)中采用主观赋权的常见做法,因为不同准则代表不同的工程优先级。具体而言,贴近度系数C_i直接反映了冲突目标之间的折衷程度以及与理想解的接近程度,被视为主要决策准则,因此赋予最高权重(0.4)。稳定性指标S_i评估解在扰动下的鲁棒性,被认为是最重要准则中的第二项(0.3)。相比之下,排名稳定性R_i和多样性指标D_i作为互补措施,用于提高所选解的代表性和可靠性,而非直接反映结构性能,因此赋予相对较低的权重(分别为0.2和0.1)。所选权重反映了四个准则的相对工程重要性,并有意识地优先选择解的质量和鲁棒性而非辅助指标,这与工程MCDM研究中的常见做法一致[[71], [72], [73]]。需要注意的是,MCDM中不存在普遍最优的权重方案,因为不同准则的相对重要性本质上取决于具体的工程目标和决策背景。
尽管熵权TOPSIS方法可以根据解与理想解的接近程度对Pareto解进行排序,但它存在几个局限性。它忽略了解在扰动下的稳定性、其在Pareto前沿中的排名一致性以及解的多样性。因此,采用了一种组合C_i、S_i、R_i和D_i的综合评价指标,以稳健地选择既具有代表性又可靠的拐点解。使用上述方法,确定了最优配置参数,以构建用于填充中底板前脚掌和脚跟区域的Voro手性超材料。
2.3. 有限元分析与实验测试
对优化后的结构进行了有限元模拟和实验测试,以验证BPNN预测的力学性能的准确性。有限元模拟中采用了2.2.2节所述的边界条件和载荷参数,并采用了相同的网格划分策略。使用Bambu Lab P1S 3D打印机通过FDM技术制造了三个优化Voro手性超材料试样,如图9(a)所示。打印参数与2.2.2节所述的参数一致。使用相同的万能试验机以2.0 mm/min的加载速度进行准静态压缩测试,如图9(b)所示。试样承受20.0 mm的总压缩位移,记录相应的力-位移响应。在试样前方放置高分辨率相机,以捕捉测试期间的实时变形。
(下载:下载高分辨率图片(356KB)下载:下载全尺寸图片)
图9. 3D打印试样和实验测试装置。(a)制造的超材料试样。(b)准静态压缩测试实验平台。
2.4. 静态站立和动态步态测量
在静态站立和动态步态条件下进行了测量,以评估Voro手性中底板的性能。如图10(a)所示构建Voro手性中底板,优化后的Voro手性结构填充在前脚掌和脚跟区域。中足和非接触区域的填充策略与优化结构的下层保持一致。这两个部分中较高的种子点密度增强了中底板的稳定性。为了提供具有代表性的基准设计,选择三种广泛采用的晶格架构进行比较,即均匀Trichiral、均匀Tetrachiral和均匀Gyroid结构,遵循先前研究中采用的常见基准策略[74]。Trichiral和Tetrachiral结构代表传统的手性晶格,而Gyroid结构代表典型的TPMS架构。Trichiral和Tetrachiral中底板的节点圆半径与Voro手性中底板相同。值得注意的是,为确保结构性能和生物力学性能的严格公平比较,本研究中评估的所有中底板均以约26.5%的相同相对密度生成,且其顶板和底板的厚度相同。
(下载:下载高分辨率图片(428KB)下载:下载全尺寸图片)
图10. 静态站立和步态分析的中底板及测量装置。(a)四种中底板,分别为Voro手性、Trichiral、Tetrachiral和Gyroid结构。(b)静态站立测量装置。(c)动态步态测量装置。
这些中底板同样使用FDM 3D打印机以TPU 95A HF材料制造,打印参数与2.2.2节所述参数一致。所有试样均在相同的加工条件下打印,以确保不同中底板设计之间的一致性。由于所提出的Voro手性超材料具有连续韧带式架构且无封闭内部空腔,可以直接使用商用FDM技术制造,无需专门的制造工艺。制造完成后,手动去除支撑结构,并在足底压力测量前对打印的中底板进行清洁。
站立是人类最基本的活动之一。站立时,足底与支撑面之间的压力分布反映了足部、下肢及整个人体的生理、结构和功能特征。因此,站立时的足底压力反馈对中底板设计具有重要的实际意义。为评估3D打印中底板在静态条件下的性能,通过生物力学测试采集足底压力数据。使用Pedar-X压力测量系统,传感器放置在中底板的上表面,绑带固定在小腿周围。每次测试前,按照制造商的说明对压力测量系统进行校准。四名健康男性参与者(如表2所示)静态站在配有仪器的中底板上(如图10(b)所示),记录其足底压力分布。此外,根据2.1节的描述,对受试者A在裸足站立条件下进行了测试。招募了四名健康男性参与者(受试者A-D)进行足底压力评估。每位参与者对每种中底板配置完成五次测量,每次测量站立30秒。
表2. 静态站立和动态步态测量的受试者。
| 受试者 | 体重(kg) | 身高(cm) | 足长(mm) |
|--------|-----------|-----------|-----------|
| A | 78.9 | 178.6 | 253.5 |
| B | 65.8 | 173.7 | 252.6 |
| C | 89.6 | 174.5 | 253.8 |
| D | 71.4 | 172.3 | 251.3 |
注:所有参与者均为23–28岁的健康男性,过去一年无下肢损伤疾病史。
为评估足底压力和接触面积的统计显著性,同时控制因重复测量而产生的潜在受试者内相关性,使用IBM SPSS Statistics (v26, IBM Inc., New York, USA)进行了线性混合效应模型(LMM)分析。将中底板设计视为固定因素,并纳入按受试者分组的随机截距,以考虑个体基线变异。
不同细胞结构之间的两两比较采用Bonferroni方法进行校正,显著性水平设定为p < 0.05。
行走是人类最基本的一种运动形式。对行走过程中足底压力的分析与评估对于临床诊断、疾病严重程度评估以及术后疗效评价具有重要意义。尽管行走看似简单,但它由一系列复杂的协调运动组成。一般而言,行走被定义为一连串连续的步态周期序列,其中步态周期指的是同一只脚两次连续触地(脚跟落地)之间的时间间隔。本研究采用Pedar-X压力测量系统,以客观、详细和定量的方式获取不同中底结构配置下行走过程中足底压力的变化数据,如图10(c)所示。在数据采集过程中,四名受试者在装有鞋套的中底内以自选步速自然行走,实时记录足底压力分布,捕捉整个足底表面的压力变化。一个步态周期包括支撑相和摆动相。支撑相对应于单脚与地面接触的时期,约占步态周期的60%,而摆动相则占剩余的40%。在本研究中,单步的支撑相被进一步划分为三个阶段,包括着地期、站立中期和蹬地期,如图10(c)所示。对于每种中底结构配置,每位参与者在每次测量中完成五项测量,每次测量中行走30秒。
本研究已获得大连理工大学中心医院伦理委员会的批准与审查,并根据相关伦理审查豁免决定书(编号:2023–077–15)获准免于完整的伦理审查程序。本研究严格遵循当地法律法规及机构要求。所有参与者均提供了书面知情同意,同意参与本研究。
## 3. 结果与讨论
本节系统性地分析与讨论了优化结果、有限元(FE)模拟、力学实验以及在静态站立和动态步态条件下测量得到的结果。
### 3.1. 数据分析
初始数据集通过OLHS(最优拉丁超立方抽样)和有限元(FE)模拟生成,详见补充表1。该数据集包含50个样本。为了提高BPNN(反向传播神经网络)模型的预测精度,本研究采用基于VAE(变分自编码器)的数据增强方法对数据集进行扩充。为评估增强后数据集的有效性,采用皮尔逊相关系数和t分布随机邻域嵌入(t-SNE)进行了分析。
对增强后的数据集进行皮尔逊相关系数分析,以评估变量之间的关系并支持构建鲁棒的BPNN模型。本研究分析了七个变量,包括输入设计参数和输出力学性能指标。皮尔逊相关系数的取值范围为?1.0至1.0,其中越接近1.0表示正相关性越强,越接近?1.0表示负相关性越强。1.0和?1.0分别对应完全正相关和完全负相关。相关系数热力图如图11(a)所示。结果表明,输入变量之间基本相互独立,相关系数接近于零。Ir(不规则度)与两个力学性能指标之间呈弱负相关,而n(种子点数量)与这些指标呈弱正相关。参数r(节点圆半径)与E(杨氏模量)呈弱负相关,但与SEA(比能量吸收)无明显相关性。相反,t(壁厚)与SEA呈弱正相关,与E呈强正相关。此外,g(梯度因子)与两个力学性能指标均呈弱负相关。值得注意的是,E与SEA之间呈强正相关,突出了刚性与能量吸收之间固有的耦合关系。这一关系证明了多目标优化的必要性。总体而言,这些发现与预期的物理行为一致,为训练鲁棒的BPNN模型奠定了良好基础。
**图11. 数据分析结果。** (a) 皮尔逊相关系数热力图。(b) E的t-SNE可视化。(c) SEA的t-SNE可视化。(d) 原始数据与生成数据的t-SNE对比可视化。
为评估VAE增强数据集的保真度和分布情况,本研究采用t-SNE将高维设计空间投影到二维流形上。如图11(b)和11(c)所示,增强数据表现出清晰的全球连续性和局部聚类特征,有效保留了原始数据集中固有的物理相关性。值得注意的是,E和SEA的彩色映射分布在潜在空间中呈现出平滑的梯度过渡。这一观察结果表明,VAE成功捕捉了结构设计参数与其对应力学响应之间复杂的非线性映射关系。局部邻域中不存在显著噪声或目标值重叠现象,表明生成的数据保持了高度的确定性一致性。为进一步验证VAE生成样本的保真度,本研究进行了定性和定量验证。如图11(d)所示,基于五个设计变量对原始数据集和生成数据集进行了t-SNE可视化,结果显示两个数据集之间存在大量重叠,没有明显的分布偏移或孤立聚类。此外,如表3所示,对五个设计变量的统计特征进行了比较。生成样本的均值和标准差(SD)与原始数据集相当,且完全处于预设的设计变量范围内。未观察到物理上不合理的构型,表明VAE有效地提高了样本密度,同时未引入不真实的样本。因此,增强后的数据集为设计空间提供了鲁棒而全面的表征,为后续的BPNN训练确保了高质量的数据基础,从而提高了模型的泛化能力和预测精度。
**表3. 原始数据集与VAE增强数据集设计变量统计分布对比。**
| 变量 | 原始均值 | 生成均值 | 原始SD | 生成SD | 原始范围 | 生成范围 |
|------|----------|----------|--------|--------|----------|----------|
| 不规则度(Ir) | 0.600 | 0.658 | 0.238 | 0.220 | 0.20–1.00 | 0.206–0.999 |
| 种子点数量(n) | 14.996 | 13.040 | 2.975 | 2.737 | 10.0–20.0 | 10.001–19.931 |
| 节点圆半径(r,mm) | 1.750 | 1.769 | 0.149 | 0.136 | 1.50–2.00 | 1.503–2.000 |
| 壁厚(t,mm) | 0.750 | 0.825 | 0.149 | 0.136 | 0.50–1.00 | 0.500–1.000 |
| 梯度因子(g) | 0.400 | 0.414 | 0.119 | 0.109 | 0.20–0.60 | 0.200–0.599 |
### 3.2. BPNN的预测性能
BPNN模型的预测性能对多目标逆向优化设计至关重要,因为准确的代理模型可以显著提高逆向设计过程的效率和可靠性。因此,优化BPNN模型的超参数是实现高预测精度的关键。本研究采用均方误差(MSE)作为评估指标来比较不同的BPNN架构,如图12(a)所示。将隐藏层数量从一层变化到四层,每层的神经元数分别为6、8或10个。在所测试的配置中,具有三层隐藏层且每层10个神经元的BPNN模型取得了最低的MSE,表明这是本研究中的最优架构。
**图12. BPNN的敏感性分析、收敛行为与回归分析。** (a) 超参数敏感性分析。(b) 收敛行为。(c) 初始数据集的回归结果。(d) 增强数据集的回归结果。预测值由BPNN模型获得,目标值来自数据集。
BPNN模型表现出稳健的预测性能,体现在训练集、验证集和测试集上的MSE和R2值方面。模型的收敛行为如图12(b)所示。所有数据集的收敛曲线紧密贴合,表明性能一致,说明模型有效避免了过拟合和欠拟合。基于初始数据集和增强数据集训练的BPNN模型的回归性能分别如图12(c)和12(d)所示。基于增强数据集训练的模型相比基于初始数据集训练的模型显示出显著改善的预测精度,证实了基于VAE的数据增强方法的有效性。
与响应面法(RSM)和高斯过程回归(GPR,又称克里金模型)等传统代理模型相比,BPNN不依赖于预定义的函数形式,具有更强的逼近高度非线性关系的能力,能有效捕捉结构设计变量与力学响应之间复杂的非线性映射。此外,在基于VAE的数据增强后,训练数据集包含约1800个样本。在如此规模的数据集下,BPNN展现出优越的可扩展性和计算效率,而GPR的计算成本随训练样本数量的增加急剧上升。相比之下,RSM固有的多项式假设限制了其对高度非线性系统的逼近精度。因此,本研究选用BPNN作为代理模型,在预测精度、计算效率和可扩展性之间实现了有效平衡。
### 3.3. 最优配置
通过将BPNN代理模型与NSGA-II(带精英策略的非支配排序遗传算法)相结合,确定了Vorochiral(沃罗诺伊手性)超材料的最佳配置参数。为在帕累托前沿上识别合适的拐点,采用基于熵权-TOPSIS(逼近理想解排序法)的综合决策框架。所获得的帕累托前沿及选定的拐点如图13(a)所示。根据综合评价指标获得最高分的解被确定为拐点,如图13(b)所示。对应的最优配置参数汇总于表4中。由于中间层的种子点数量n必须为整数,因此四舍五入为15。相同的取整处理同样应用于上层和下层的种子点。
**图13. 使用NSGA-II获得的帕累托前沿。** (a) 帕累托前沿,其中红星标示出基于熵权-TOPSIS决策框架识别的拐点。(b) 帕累托前沿上各解的综合评分。
**表4. 最优配置参数。**
| 不规则度(Ir) | 种子点数量(n) | 节点圆半径(r,mm) | 壁厚(t,mm) | 梯度因子(g) |
|:---:|:---:|:---:|:---:|:---:|
| 0.78 | 15.37 | 1.82 | 0.56 | 0.51 |
### 3.4. 有限元结果与BPNN预测的实验验证
通过对优化后Vorochiral超材料力学性能预测精度的有限元分析和实验测试,验证了BPNN模型的预测能力。基于确定的最优配置参数,构建了结构模型,随后进行了有限元模拟和实验测试。将有限元结果与实验测量值进行对比验证,重点关注应力-应变响应和变形行为。如图14(a)所示,有限元模拟的应力-应变曲线与三个试样的实验结果高度吻合。观察到的微小差异可归因于3D打印结构与理想化有限元模型之间的差异,特别是在接触条件、材料参数和边界约束方面。此外,如图14(b)所示,Vorochiral超材料的变形模式在实验观察与有限元预测之间表现出强一致性。实验与有限元结果之间的偏差保持在可接受范围内,从而确认了有限元模型的准确性和可靠性。因此,经验证的有限元模型可以可靠地用于评估Vorochiral超材料的力学性能。
**图14. 有限元模拟、实验验证与Vorochiral中底。** (a) 三次实验测试与有限元模拟的应力-应变曲线对比。(b) 实验与有限元模拟的变形行为对比。(c) BPNN预测、有限元模拟与实验结果之间表观杨氏模量(E)和比能量吸收(SEA)的对比。(d) 3D打印Vorochiral中底原型的侧视图。
BPNN模型同样展现出优秀的预测能力,其预测的E和SEA值与有限元结果及实验数据高度吻合。如图14(c)所示,BPNN预测、有限元结果与实验测量值之间E的绝对误差均低于6.72%,SEA的绝对误差均低于3.67%。这些结果进一步证实了训练良好的BPNN模型具有很强的预测性能。
为了更好地阐述超材料在实际应用中的内部结构与空间分布,图14(d)展示了3D打印Vorochiral中底原型的侧视图。虽然为满足不同功能需求,对前脚掌、足中和足跟区域分配了不同的几何参数,但整个矫形中底作为单一连续的Vorochiral点阵生成。所有区域共享相同的拓扑结构并保持几何上的连通性,而非由独立的点阵块组装而成。因此,跨区域边界的连续载荷传递路径被固有地保留。此外,由此避免了可能导致局部应力集中的界面失配和突变拓扑不连续性。近期的结构化多孔材料研究中也强调了类似的设计考量[75,76]。
### 3.5. 静态站立与动态步态实验结果
为评估所提出中底的性能,利用Pedar-X压力测量系统对不同中底结构配置进行了静态站立和动态步态实验。
在静态站立载荷条件下,与其他中底相比,沃罗手性中底在所有受试者中均表现出显著降低的峰值和均值足底压力,且降低幅度因个体而异。此外,沃罗手性中底始终显示出比其他三种设计更大的接触面积。如图 15(a)-(d) 所示,结果主要受受试者体重影响,同时也受脚部尺寸和形态影响。在所有受试者中,吉罗伊德(Gyroid)中底始终显示出最高的峰值和均值压力,以及最小的接触面积。图 15(e) 所示的受试者 A 的足底压力分布遵循相同的趋势。与吉罗伊德中底相比,沃罗手性中底为受试者 B 实现了最大的峰值压力降低,达到 33.24%。对于受试者 C,它实现了最大的均值压力降低和最大的接触面积增加,分别达到 37.94% 和 61.17%。这些结果表明,均值压力和接触面积的变化主要受体重影响,而峰值压力的降低不仅取决于体重,还取决于脚部尺寸和形状。线性混合效应模型(LMM)分析显示,中底结构对峰值足底压力、均值足底压力和接触面积具有统计学显著的主效应(所有 p < 0.001),如表 5 所示。事后两两比较表明,与三手性、四手性和吉罗伊德结构相比,所提出的沃罗手性中底实现了显著降低的峰值和均值压力(所有两两比较 p < 0.001),成功验证了其降低效率。此外,数据显示为直接从 LMM 得出的估算边缘均值(EMMeans)± 标准误(SE),如表 5 所示。由于 LMM 汇集组间残差方差以控制受试者间变异性,所得 SE 代表了模型对每种中底条件的统一估计精度。
下载:下载高分辨率图片 (1MB) 下载:下载全尺寸图片
图 15. 不同中底下各受试者足底区域的峰值压力、均值压力和接触面积,以及受试者 A 的足底压力分布。(a-d) 分别为受试者 A-D 的峰值压力、均值压力和接触面积。(e) 受试者 A 在不同中底下的足底压力分布。
表 5. 基于线性混合效应模型(LMM)对不同单元结构细胞中底的足底压力和接触面积的定量评估。
指标:沃罗手性 (Vorochiral) | 三手性 (Trichiral) | 四手性 (Tetrachiral) | 吉罗伊德 (Gyroid) | p 值
峰值 (kPa):101.32±8.90 | 116.33±8.90*** | 126.71±8.90*** | 136.63±8.90*** | < 0.001
均值 (kPa):47.77±2.79 | 57.62±2.79*** | 60.46±2.79*** | 69.52±2.79*** | < 0.001
面积 (cm2):79.73±5.37 | 65.77±5.37*** | 62.76±5.37*** | 54.39±5.37*** | < 0.001
注:数据表示为从线性混合效应模型得出的估算边缘均值(EMMeans)± 标准误(SE)。整体 LMM p 值表示中底结构的主效应。星号表示使用邦费罗尼事后两两比较与所提出的沃罗手性结构相比的显著差异。(*p < 0.05, **p < 0.01, 和 ***p < 0.001。)
此外,如图 15 所示,测试期间的生物力学响应存在一定程度的变异性。这种变异性正是因为通用的“一人多码”中底必然与特定受试者独特的动态步态模式和脚部形态产生不同的相互作用。在通用设计中观察到的这种固有变异性有力地证明了所提出的数据驱动逆向设计框架的实际必要性和价值。虽然当前的原型验证了基线方法,但所提出的框架本质上具有强大的定制能力,能够在未来的临床应用基于特定患者的实际压力图自动生成完全个性化的沃罗手性结构配置。
在动态步态条件下,如图 16 所示,与其他中底相比,沃罗手性中底在所有受试者中均表现出峰值压力和均值压力曲线的较低峰值。步态过程中会出现两个特征压力峰值:一个在足跟着地时,另一个在蹬离时,如图 17 所示。尽管四种中底的总体压力分布模式相似,脚跟和前足区域作为主要的承重区,但在峰值和均值压力的大小上观察到显著差异。当脚跟或前足区域与地面接触时,沃罗手性中底始终表现出比其他设计更低的峰值和均值压力。
下载:下载高分辨率图片 (762KB) 下载:下载全尺寸图片
图 16. 动态步态期间不同受试者的峰值和均值足底压力曲线。(a-b) 受试者 A。(c-d) 受试者 B。(e-f) 受试者 C。(g-h) 受试者 D。黑色虚线椭圆突出了压力曲线的峰值区域。
下载:下载高分辨率图片 (530KB) 下载:下载全尺寸图片
图 17. 受试者 A 在不同步态阶段的三维足底压力图。
总体而言,来自多名受试者静态站立和动态步态测量的结果表明,与传统结构中底相比,沃罗手性中底提供了卓越的生体力学性能。具体而言,它有效地降低了脚跟和前足区域的足底压力,最大限度地减少了长时间局部应力,并减轻了行走期间的疲劳。
尽管所提出的数据驱动逆向设计框架通过定制矫形中底的设计得到了展示,但其方法并不局限于此特定应用。目前的实施是基于准静态压缩 TPU 沃罗手性超材料生成的机械数据库,并以 E(杨氏模量)和 SEA(比吸能)作为优化目标。对于涉及不同材料、载荷条件或工程要求和其他超材料设计问题,所提出的框架可以通过使用相应的边界条件重建训练数据集并重新定义优化目标来轻松扩展,同时保留相同的数据增强、代理建模和多目标优化策略。
3.6. 本研究的局限性
尽管沃罗手性中底表现出优异的性能,但本研究仍存在若干局限性。首先,招募的参与者均为健康的年轻男性。进一步的研究应包括在性别、年龄和脚部健康状况方面更具多样性的队列。特别是,为糖尿病患者定制和评估中底设计将增强本工作的临床相关性。此外,可以实施区域特定设计,即根据个体脚部条件对中底进行分区,允许区域尺寸变化并定制填充结构。其次,实验评估仅限于静态站立和行走。应考虑额外的活动,如爬楼梯、上坡行走和慢跑,以提供更全面的中底性能评估。第三,本研究侧重于简化的中底设计,而评估完全集成的鞋类系统将产生更实用的见解。第四,应该承认,制造缺陷可能会在杆件尺寸、节点位置和本地几何形状中引入偏差,这可能会影响制造的沃罗手性超材料的机械响应。尽管预计微小的几何偏差不会根本改变全局随机拓扑结构和主导变形机制,但本研究尚未系统地调查其定量影响。在未来的工作中,将通过受控制造和数值扰动分析进行敏感性分析,以调查现实的制造公差。最后,FDM 引起的各向异性对薄壁沃罗手性杆件长期疲劳性能的潜在影响在本研究中未明确考虑,这是一个重要的未来调查方向,特别是对于矫形中底等重复载荷应用。
4. 结论
本研究提出了一种数据驱动的多目标逆向优化设计框架,用于开发基于可编程沃罗手性超材料的新型矫形中底。根据足底压力分布,中底被划分为三个主要区域,即前足、中足和脚跟。为了缓解前足和脚跟区域的高压集中,实施了一种填充设计策略。采用 OLHS 构建初始数据集,同时降低计算成本,并使用 VAE 生成增强数据集以克服小样本问题。训练了一个 BPNN 作为代理模型,并通过将 BPNN 与 NSGA-II 集成进行多目标逆向优化。基于熵权 -TOPSIS 方法构建的综合决策框架从帕累托前沿中确定了最优配置参数。然后基于这些参数构建了沃罗手性超材料,并进行了有限元模拟和机械实验以验证 BPNN 模型的预测准确性。进一步进行了静态站立和动态步态实验,以评估所设计中底的生体力学性能。与传统结构中底相比,沃罗手性中底在静态站立和行走条件下均表现出显著降低的峰值和均值足底压力。
总之,本工作的主要方法学贡献是开发了一个统一的数据驱动逆向设计框架,无缝集成了基于 VAE 的数据增强、BPNN 代理建模、多目标优化以及扩展的熵权 -TOPSIS 决策策略,成功设计了高性能沃罗手性中底。优化后的中底展现了卓越的足底压力重新分配性能,并在糖尿病足并发症高风险个体的个性化生体力学干预方面具有强大潜力。此外,所提出的框架为架构超材料的逆向设计和性能调制建立了一个通用且可泛化的范式,促进了定制化工程设计以及在多样化工程领域的更广泛应用。
Hao Wang|Yuanfei Ren|Mohammed Rafiq Abdul Kadir|Hanxing Zhu|Yongtao Lyu