基于机器学习的纤维状粘合剂优化设计
机器学习
2024-10-08 v3
摘要
在甲虫、蜘蛛和壁虎等动物身上观察到的纤维状粘附，依赖于纳米或微米级的纤维通过“接触分裂”来增强表面粘附力。这一概念已在机器人、运输和医学等工程应用中激发了灵感。最近的研究表明，纤维属性的功能梯度化可以提高粘附力，但这是一个复杂的设计挑战，目前仅在简化几何形状中进行过探索。虽然机器学习（ML）在粘合剂设计中获得了关注，但此前尚无针对纤维阵列尺度优化的尝试。在本研究中，我们提出了一种基于ML的工具，该工具优化纤维柔顺性的分布以最大化粘合强度。我们的工具包含两个深度神经网络（DNNs），能够恢复先前针对简单几何形状的设计结果，并为复杂构型引入新颖的解决方案。预测器DNN根据随机的柔顺性分布估计粘合强度，而设计器DNN则使用基于梯度的优化方法来优化柔顺性以获得最大强度。我们的方法显著降低了测试误差并加速了优化过程，为设计纤维状粘合剂和旨在通过实现均等载荷共享（ELS）来抵抗断裂的微架构材料提供了一种高性能解决方案。
引用
@article{arxiv.2409.05928,
title = {Machine Learning Based Optimal Design of Fibrillar Adhesives},
author = {Mohammad Shojaeifard and Matteo Ferraresso and Alessandro Lucantonio and Mattia Bacca},
journal= {arXiv preprint arXiv:2409.05928},
year = {2024}
}