纤维增强复合材料的神经协同优化：结构拓扑、可制造层与路径取向
机器学习
2025-05-08 v1
摘要
我们提出了一种基于神经网络的计算框架，用于同时优化结构拓扑、弯曲层和路径取向，以在确保可制造性的前提下实现纤维增强热塑性复合材料优异的各向异性强度。我们的框架采用三个隐式神经场来表示几何形状、层序和纤维取向。这使得设计和可制造性目标——如各向异性强度、结构体积、机器运动控制、层曲率和层厚度——可以直接整合为一个可微分的优化过程。通过将这些目标作为损失函数，该框架确保最终复合材料在保持可制造性的同时实现优化的力学强度，适用于基于长丝的多种轴线的 3D 打印。物理实验表明，由我们的协同优化方法生成的复合材料相比顺序优化结构和制造序列的复合材料，其失效载荷可提升高达 33.1%。
引用
@article{arxiv.2505.03779,
title = {Neural Co-Optimization of Structural Topology, Manufacturable Layers, and Path Orientations for Fiber-Reinforced Composites},
author = {Tao Liu and Tianyu Zhang and Yongxue Chen and Weiming Wang and Yu Jiang and Yuming Huang and Charlie C. L. Wang},
journal= {arXiv preprint arXiv:2505.03779},
year = {2025}
}