用于随机网络 3D 打印力学超材料尺寸无关逆向设计的深度学习
应用物理
2022-12-26 v1 机器学习
摘要
力学超材料的实际应用通常涉及求解逆问题，其目标是找到产生给定属性集的（多个）微结构。增材制造技术有限的分辨率常常要求针对特定尺寸求解此类逆问题。因此，应当为给定尺寸的试样找到展现所需属性的多种微结构设计。此外，候选微结构应抗疲劳和断裂，即峰值应力也应最小化。此类多目标逆向设计问题极难求解，但其解是力学超材料实际应用的钥匙。在此，我们提出一种名为“Deep-DRAM”的模块化方法，其结合了四个解耦模型，包括两个深度学习模型（DLM）、基于条件变分自编码器（CVAE）的深度生成模型（DGM）以及直接有限元（FE）仿真。Deep-DRAM（用于随机网络超材料设计的深度学习）将这些模型集成到一个统一框架中，能够为此处提出的多目标逆向设计问题找到多个解。该集成框架首先将期望的弹性属性输入 DGM，其返回一组候选设计。随后，候选设计与目标试样尺寸一并传入 DLM，后者考虑试样尺寸预测其实际弹性属性。在基于实际属性与期望属性接近程度的过滤步骤之后，最后一步使用直接 FE 仿真来识别具有最小峰值应力的设计。
引用
@article{arxiv.2212.12047,
title = {Deep learning for size-agnostic inverse design of random-network 3D printed mechanical metamaterials},
author = {Helda Pahlavani and Kostas Tsifoutis-Kazolis and Prerak Mody and Jie Zhou and Mohammad J. Mirzaali and Amir A. Zadpoor},
journal= {arXiv preprint arXiv:2212.12047},
year = {2022}
}