基于深度强化学习的变形材料机械结构设计——功能合规性控制
机器学习
2024-08-09 v1
摘要
变形材料机械结构是由微型结构单元组成的可弹性变形的结构体，通过特殊设计的柔性构件实现变形。本研究采用深度强化学习（deep reinforcement learning, RL）开发了一种高效的柔性结构设计方法。具体而言，将设计域离散化为具有不同铆钉连接的有限单元，并进行有限元分析（FEA）以评估不同单元组合对柔性结构变形行为的影响。通过RL方法学习FEA数据，以获得满足特定功能需求的最优柔性结构。将RL算法应用于柔性门闸结构设计，探讨了人类指导和铺排方向的影响。结果表明，仅需最小人类指导即可实现向内铺排，相较于人类设计的结构，预定义奖励值提升了三倍。该方法还扩展用于软抓手结构设计，进一步考虑了铆钉连接的影响。在铆钉惩罚条件下获得的最优设计显示出显著增强的柔性性能，其性能通过使用增材制造抓手进行实验验证。上述结果表明，RL优化后的设计优于基于人类洞察的设计，为实际应用中基于单元的柔性结构设计提供了高效的方法。
引用
@article{arxiv.2408.04376,
title = {Deep Reinforcement Learning for the Design of Metamaterial Mechanisms with Functional Compliance Control},
author = {Yejun Choi and Yeoneung Kim and Keun Park},
journal= {arXiv preprint arXiv:2408.04376},
year = {2024}
}