用于梯度力学超材料逆向设计的深度学习方法 论文阅读

具有独特微观结构的机械超材料在刚度、韧性、隔振和热膨胀等物理特性方面表现出色。同时，生物体或地理中的元结构之所以能在复杂工况下高效运行，得益于其自然进化的微观结构的异质性和梯度分布，这种分布很难通过正向设计获得。本文提出了一种满足微观结构不同设计性能要求的多网络深度学习系统，该系统能够以99.09%的准确率预测配置。该系统利用颜色空间与机械参数空间之间的类比关系，将参数化设计转化为像素匹配。微观结构通过增材制造（AM）制备，并通过数字图像相关（DIC）实验验证其性能（结构性能误差小于2%）。实现了多功能和梯度机械超材料的多尺度逆设计，特别关注仿生结构的自动定制。该设计流程仅需2秒，并考虑了微观结构单元之间的几何连接性，以确保相邻微观结构在增材制造过程中的兼容性。本文提出的设计策略加速了高性能结构的出现，并为机械超材料的拓扑优化设计提供了参考。

微观结构的异质性：指的是材料内部不同区域在成分、结构、相或组织等方面存在显著差异的现象。这种差异可以存在于微米、纳米甚至更小的尺度上。

微观结构的梯度分布：材料内部某种特性（如成分、结构、相含量等）沿某一方向或多个方向连续变化的现象。这种变化可以是线性的、非线性的或周期性的。

机械参数空间：它可以被理解为描述机械系统或部件性能和设计参数的一个多维空间。在这个空间中，每个维度代表一个机械参数（如尺寸、力、速度、加速度、刚度、韧性等），而空间中的点则对应着特定的机械配置或状态。

首先，通过使用多目标拓扑优化算法，建立了具有不同E-G-υ值的初始结构数据库（图1）。然后，基于拓扑优化数据集构建了一个多网络系统。同时，还采用了一个生成对抗网络辅助数据库，以更好地训练结构生成网络。这个深度神经网络多网络系统包括一个生成对抗网络、一个属性预测网络（PPN）和一个结构生成网络（SGN）。下图为用于定制多属性单元晶格的深度神经多网络系统。在网络结构中，彩色矩形代表网络层，实线代表网络连接，虚线代表误差传播。

单元晶格是指晶体结构中一个最小的、具有晶体全部特征的重复单元。

属性预测网络（PPN）是一种机器学习模型，它通过学习输入数据的特征来预测或估计对象的某些属性或特性。这些属性可以是物理量（如质量、速度）、化学性质、生物特征或其他任何可以通过数据量化的特性。

结构生成网络（SGN）是一种专门设计用于生成或优化复杂结构的网络模型。它可以根据特定的规则、约束条件或优化目标，自动生成符合要求的结构布局或配置。

多目标拓扑优化算法旨在解决具有多个相互冲突目标函数的优化问题，通过在不同的目标之间进行权衡，寻找一组解，使得所有目标都尽可能达到最优或接近最优状态。

生成器的基本网络由卷积解码-编码网络组成，输入作为初始设计域，输出作为预测结构。神经网络的基本网络是基于卷积神经网络，输入为预测结构，输出为真度。SGN网络的基本结构也由卷积解码和编码网络组成。选择多输入设置作为网络读取数据的方法，网络输入为补充的训练数据2，如图1所示。最后，建立了一个包含三个网络模型的深度神经网络系统。