|
随着增材制造技术的快速发展，对材料各向异性的精细控制需求日益凸显。传统的机械设计方法在这方面存在明显局限，无法满足复杂结构的高效优化设计需求。当前，虽然有一些研究在探索利用人工智能技术辅助机械设计，但在实现各向异性的精准控制方面仍存在诸多挑战。如何有效结合机器学习与复杂机械设计流程，提升设计的精准度和效率，是摆在科研人员面前的重要课题。 近日，国际知名期刊《Engineering Structures》发表了南京理工大学和皇家墨尔本理工大学工程学院创新结构与材料中心在人工智能辅助设计与多尺度优化方面的研究。文章展示了一种基于人工智能的机械元结构多尺度优化设计方法，显著提高了结构设计的灵活性与性能。论文标题为“AI-aided design and multi-scale optimization of mechanical metastructures with controllable anisotropy ”。 
该研究通过引入具有可变中心节点的立方-BCC类晶格结构，打破了传统设计的限制，实现了更高的设计灵活性。其核心在于利用3D卷积神经网络（3D-CNN）进行元结构性能的快速预测，并结合逆向设计方法进行元结构的优化设计。 
研究团队提出了一个基于体素的力学元结构均质化计算方法，用于计算机械元结构的等效力学性能。该方法通过数值均质化方法，依据渐近均质化理论，推导出弹性张量，并利用Kube的各向异性指数来量化其各向异性。 
图2.体素均质化方法的计算。 研究人员通过参数设置与建模生成，研究了一种类立方-BCC的格栅结构控制方法，该方法能够确保相邻微观结构之间的必要连接并维持连续性，无需额外处理。计算并生成了所得格栅结构的等效性能结果数据集，用于训练卷积神经网络（CNN）与反向传播（BP）神经网络。 
文章还提出了基于3D-CNN的力学元结构等效性能预测架构和基于BP神经网络的力学元结构设计架构。该架构能够迅速预测大量格栅结构的力学性能，从而取代耗时的数值均质化方法。此外，还提及了利用神经网络进行格栅结构的逆向设计，以实现特定性能需求的结构优化设计。 
图 5. 基于 3D-CNN 的晶格结构等效特性预测。
图 6.不同晶格结构的等效性质预测和误差分析结果。研究结果显示，通过该方法设计的机械元结构在保持必要连接的同时，实现了各向异性的显著增强。与传统方法相比，该方法在设计精度和刚度性能上均提升了约10%。此外，逆向设计的预测结果也展现出了高准确性，尽管存在一定误差，但仍在可接受范围内，为后续研究提供了宝贵经验。 
该研究通过结合人工智能与机械设计，成功实现了一种新型的力学元结构多尺度优化设计方法。该方法不仅提高了设计的灵活性和效率，更为增材制造领域的技术进步带来了新的突破点。未来，随着研究的深入进行，这种方法有望在更多领域展现其广阔的应用前景。 Zhongkai Ji, Dawei Li, Changdong Zhang, Yi Min Xie, Wenhe Liao,AI-aided design and multi-scale optimization of mechanical metastructures with controllable anisotropy,Engineering Structures, Volume 310,2024,118134, https:///10.1016/j.engstruct.2024.118134. https://www./science/article/pii/S0141029624006965
|
