CN113270157A - 一种基于机器学习的力学超材料设计与优化方法 - Google Patents
一种基于机器学习的力学超材料设计与优化方法 Download PDFInfo
- Publication number
- CN113270157A CN113270157A CN202110552056.8A CN202110552056A CN113270157A CN 113270157 A CN113270157 A CN 113270157A CN 202110552056 A CN202110552056 A CN 202110552056A CN 113270157 A CN113270157 A CN 113270157A
- Authority
- CN
- China
- Prior art keywords
- mechanical
- metamaterial
- machine learning
- design
- mechanical metamaterial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Abstract
本发明公开了一种基于机器学习的力学超材料设计与优化方法,包括:设计一系列力学超材料;通过有限元方法计算得到每种结构的力学性能参数;建立力学超材料结构特征与其对应力学性能参数的数据集;通过机器学习,映射力学超材料的结构特征以及通过有限元分析得到的力学性能之间的关系,并得到一系列新的满足我们设定力学性能的力学超结构;将机器学习得到的力学超材料再进行模拟建立新的数据集,再通过机器学习进一步优化力学超材料的结构以及力学性能;本发明的有益效果在于:本发明将机器学习应用到力学超材料设计与优化中,与以往基于丰富先验知识的传统方法不同,机器学习可以提供更多的选择。
Description
技术领域
本发明涉及结构设计与优化技术领域,具体为一种基于机器学习的力学超材料设计与优化方法。
背景技术
超材料(Metamaterial)是新材料技术领域的一个重要分支,是指一类通过改变内部结构而具有天然材料所不具备的超常物理性质的人工复合结构或材料,比如声学超材料、光学超材料、力学超材料等,其中力学超材料因为其独特的力学性能,能够实现轻质高刚度、可调刚度、负压缩性、超流体、负泊松比等特性,在众多领域都具有广泛的应用。
力学超材料具有重要的应用价值和巨大潜力,但在设计上始终面临着不少挑战,现有的结构材料设计通常采用仿生或者拓扑优化等手段。例如头骨是质量很轻但抗冲击性最强的结构,因此可以考虑将头骨结构运用在建筑材料上。但是,自然界的生物结构并不一定会提供最佳结构性能,因此源于生物灵感的设计通常不能保证得到结构的最优解。而且由于生物系统的复杂性,搞清某种生物系统的机制需要相当长的研究周期,因此限制了仿生学的发展速度。结构拓扑优化是实现结构轻量化的重要手段之一,它是根据给定的负载情况、约束条件和性能指标,在给定的区域内对材料分布进行优化。不过,拓扑优化法可能会受到最初对结构猜测的制约,不同的初始猜测可能带来不同的结构与属性。而且这些传统方法都需要丰富先验知识和经验,很大程度的限制了结构设计优化的数量与质量。
针对上述现有技术中力学超材料设计与优化方法的局限性,急需提出一种新的优化方法以弥补现有技术中力学超材料设计与优化方法的局限性。
发明内容
本发明的目的在于针对现有技术中力学超材料设计与优化方法的局限性,提出了一种基于机器学习的力学超材料设计与优化方法,相较于传统方法,该方法不需要大量经验、没有初始猜测的限制,并且可以提供更多的设计方案。
为实现上述目的,本发明提供如下技术方案:
一种基于机器学习的力学超材料设计与优化方法,其特征在于,包括如下步骤:
(1)设计力学超材料的基础数据;
(2)通过有限元方法计算得到每种结构的力学性能参数;
(3)建立力学超材料结构特征以及与其对应的力学性能参数的数据集;
(4)通过机器学习,映射力学超材料的结构特征以及通过有限元分析得到力学性能之间的关系,并得到一系列新的满足设定的力学性能的力学超结构;
(5)将机器学习得到的力学超材料再进行有限元分析建立新的数据集,再通过机器学习进一步优化力学超材料的结构以及力学性能。
进一步地,在步骤(1)中,力学超材料的基础数据包括力学超材料的结构形式和材料属性。
进一步地,所述力学超材料包括超强超硬超材料,可调节刚度超材料,负压缩性超材料,反胀、拉胀超材料和超流体。
进一步地,所述力学超材料的结构形式包括晶格结构、手性与反手性结构。
进一步地,所述材料属性包括弹性模量、剪切弹性模量、泊松比、密度。
进一步地,在步骤(2)中,所述有限元方法的具体步骤为:定义单元类型、实常数、材料属性等;建立力学超材料的几何模型;网格划分;求解得到结构的力学性能参数。
进一步地,在步骤(2)中,通过有限元方法计算得到每种结构的力学性能参数包括结构的杨氏模量、剪切模量、体积模量和泊松比。
进一步地,在步骤(3)中,用于机器学习的数据集包括两部分,分别为力学超材料的基础数据以及相对应的力学性能参数。
本发明具有以下有益效果:(1)现有的力学超材料设计方法受限于先验知识与初始的猜测,本发明摆脱了这些限制,并且可以提供更多的设计方案选择;(2)本发明具有普适性,对于设计和优化各种力学超材料、各种力学性能均适用。
附图说明
图1为本发明提供的基于机器学习的力学超材料设计与优化方法流程图;
图2为本发明中实施例1所采用的数据集;
图3为基于图2所示数据集以及本发明方法设计出的新型负泊松比结构及对应泊松比值。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出一个或多个变化和改进。这些都属于本发明的保护范围。
实施例1:
本实施例以设计力学超材料中的负泊松比超材料为目的,具体操作步骤如下:
(1)设计负泊松比超材料的基础数据;
(2)通过有限元方法计算得到每种负泊松比超材料的力学性能参数;
(3)建立负泊松比超材料结构特征与其对应力学性能参数的数据集;
(4)通过机器学习,映射力学超材料的结构特征以及通过有限元分析得到的力学性能之间的关系,并得到一系列新的满足我们设定泊松比值的负泊松比超材料;
(5)将机器学习得到的负泊松比超材料再进行有限元分析建立新的数据集,再通过机器学习进一步优化负泊松比超材料的结构以及泊松比值。
上述步骤(1)中,负泊松比超材料的基础数据包括负泊松比超材料的结构形式和材料属性;
泊松比定义为负的横向收缩应变与纵向伸长应变之比,公式为:υij=-εj/εi,其中,εj表示横向收缩应变,εi表示纵向收缩应变,i,j分别为两互相垂直的坐标轴;
所述负泊松比超材料是指受拉伸时,材料在弹性范围内横向发生膨胀;而受压缩时,材料的横向反而发生收缩;
所述负泊松比超材料的结构形式为晶格结构;
所述负泊松比超材料的晶格结构包括:内凹三角形;曲线内凹四边形;内凹六边形以及组合结构;
所述材料属性包括弹性模量、剪切弹性模量、泊松比、密度。
上述步骤(2)中,利用有限元分析软件ANSYS对所设计的负泊松比超材料进行有限元分析,具体步骤为:定义单元类型、实常数、材料属性等;建立力学超材料的几何模型;网格划分;求解得到结构的力学性能参数;
上述步骤(2)中,通过有限元方法计算得到每种结构的力学性能参数为结构的泊松比值;
上述步骤(3)中,用于机器学习的数据集包括两部分:负泊松比超材料的基础数据以及相对应的负泊松比值。
以上显示和描述了本发明的基本原理和主要特征及本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种基于机器学习的力学超材料设计与优化方法,其特征在于,包括如下步骤:
(1)设计力学超材料的基础数据;
(2)通过有限元方法计算得到每种结构的力学性能参数;
(3)建立力学超材料结构特征以及与其对应的力学性能参数的数据集;
(4)通过机器学习,映射力学超材料的结构特征以及通过有限元分析得到力学性能之间的关系,并得到一系列新的满足设定的力学性能的力学超结构;
(5)将机器学习得到的力学超材料再进行有限元分析建立新的数据集,再通过机器学习进一步优化力学超材料的结构以及力学性能。
2.根据权利要求1所述的一种基于机器学习的力学超材料设计与优化方法,其特征在于:在步骤(1)中,所述力学超材料的基础数据包括力学超材料的结构形式和材料属性。
3.根据权利要求1所述的一种基于机器学习的力学超材料设计与优化方法,其特征在于:所述力学超材料包括超强超硬超材料,可调节刚度超材料,负压缩性超材料,反胀、拉胀超材料和超流体。
4.根据权利要求2所述的一种基于机器学习的力学超材料设计与优化方法,其特征在于:所述力学超材料的结构形式包括晶格结构、手性与反手性结构。
5.根据权利要求2所述的一种基于机器学习的力学超材料设计与优化方法,其特征在于:所述材料属性包括弹性模量、剪切弹性模量、泊松比、密度。
6.根据权利要求1所述的一种基于机器学习的力学超材料设计与优化方法,其特征在于:在步骤(2)中,所述有限元方法的具体步骤为:定义单元类型、实常数、材料属性等;建立力学超材料的几何模型;网格划分;求解得到结构的力学性能参数。
7.根据权利要求1所述的一种基于机器学习的力学超材料设计与优化方法,其特征在于:在步骤(2)中,通过有限元方法计算得到每种结构的力学性能参数包括结构的杨氏模量、剪切模量、体积模量和泊松比。
8.根据权利要求1所述的一种基于机器学习的力学超材料设计与优化方法,其特征在于:在步骤(3)中,用于机器学习的数据集包括两部分,分别为力学超材料的基础数据以及相对应的力学性能参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110552056.8A CN113270157A (zh) | 2021-05-20 | 2021-05-20 | 一种基于机器学习的力学超材料设计与优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110552056.8A CN113270157A (zh) | 2021-05-20 | 2021-05-20 | 一种基于机器学习的力学超材料设计与优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113270157A true CN113270157A (zh) | 2021-08-17 |
Family
ID=77232083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110552056.8A Pending CN113270157A (zh) | 2021-05-20 | 2021-05-20 | 一种基于机器学习的力学超材料设计与优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113270157A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114013027A (zh) * | 2021-11-04 | 2022-02-08 | 西南大学 | 一种强稳定性负泊松比结构的构建方法 |
CN115182948A (zh) * | 2022-06-07 | 2022-10-14 | 南京航空航天大学 | 一种力学超材料单元及结构 |
EP4195089A1 (en) * | 2021-12-06 | 2023-06-14 | Tata Consultancy Services Limited | Physics-informed neural network for inversely predicting effective material properties of metamaterials |
CN116401913A (zh) * | 2023-03-24 | 2023-07-07 | 大连理工大学 | 一种水凝胶基负水化膨胀超材料的设计与优化方法 |
CN116659941A (zh) * | 2023-07-28 | 2023-08-29 | 北京建工环境修复股份有限公司 | 力学超材料的设计方法、力学超材料、土壤取样机及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108733924A (zh) * | 2018-05-21 | 2018-11-02 | 东南大学 | 一种数字编码超材料单元的智能化设计方法 |
EP3449399A1 (en) * | 2016-04-27 | 2019-03-06 | Within Technologies Ltd. | Method and system for generating lattice recommendations in computer aided design applications |
CN109472056A (zh) * | 2018-10-15 | 2019-03-15 | 上海交通大学 | 任意泊松比超材料的拓扑优化形成方法 |
CN110083934A (zh) * | 2019-04-26 | 2019-08-02 | 中国人民解放军空军工程大学 | 一种基于支持向量机算法的电磁超表面设计方法 |
CN110245413A (zh) * | 2019-06-11 | 2019-09-17 | 西北工业大学 | 一种基于神经网络的超材料吸波结构的设计方法 |
US20200003678A1 (en) * | 2017-02-09 | 2020-01-02 | Ramot At Tel-Aviv University Ltd. | Method and system for characterizing a nanostructure by machine learning |
CN111105771A (zh) * | 2019-12-05 | 2020-05-05 | 清华大学 | 基于机器学习的局域共振型宽频声学超材料及其应用装置 |
CN111523268A (zh) * | 2020-04-22 | 2020-08-11 | 四川大学 | 一种基于机器学习的材料抗疲劳优化设计方法 |
CN111611683A (zh) * | 2020-04-03 | 2020-09-01 | 浙江大学 | 基于深度学习的电磁超表面设计方法及装置 |
CN112784464A (zh) * | 2021-01-30 | 2021-05-11 | 中国人民解放军空军工程大学 | 基于智能算法的具有任意吸收频谱的吸波体及其设计方法 |
-
2021
- 2021-05-20 CN CN202110552056.8A patent/CN113270157A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3449399A1 (en) * | 2016-04-27 | 2019-03-06 | Within Technologies Ltd. | Method and system for generating lattice recommendations in computer aided design applications |
US20200003678A1 (en) * | 2017-02-09 | 2020-01-02 | Ramot At Tel-Aviv University Ltd. | Method and system for characterizing a nanostructure by machine learning |
CN108733924A (zh) * | 2018-05-21 | 2018-11-02 | 东南大学 | 一种数字编码超材料单元的智能化设计方法 |
CN109472056A (zh) * | 2018-10-15 | 2019-03-15 | 上海交通大学 | 任意泊松比超材料的拓扑优化形成方法 |
CN110083934A (zh) * | 2019-04-26 | 2019-08-02 | 中国人民解放军空军工程大学 | 一种基于支持向量机算法的电磁超表面设计方法 |
CN110245413A (zh) * | 2019-06-11 | 2019-09-17 | 西北工业大学 | 一种基于神经网络的超材料吸波结构的设计方法 |
CN111105771A (zh) * | 2019-12-05 | 2020-05-05 | 清华大学 | 基于机器学习的局域共振型宽频声学超材料及其应用装置 |
CN111611683A (zh) * | 2020-04-03 | 2020-09-01 | 浙江大学 | 基于深度学习的电磁超表面设计方法及装置 |
CN111523268A (zh) * | 2020-04-22 | 2020-08-11 | 四川大学 | 一种基于机器学习的材料抗疲劳优化设计方法 |
CN112784464A (zh) * | 2021-01-30 | 2021-05-11 | 中国人民解放军空军工程大学 | 基于智能算法的具有任意吸收频谱的吸波体及其设计方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114013027A (zh) * | 2021-11-04 | 2022-02-08 | 西南大学 | 一种强稳定性负泊松比结构的构建方法 |
CN114013027B (zh) * | 2021-11-04 | 2024-03-15 | 西南大学 | 一种强稳定性负泊松比结构的构建方法 |
EP4195089A1 (en) * | 2021-12-06 | 2023-06-14 | Tata Consultancy Services Limited | Physics-informed neural network for inversely predicting effective material properties of metamaterials |
CN115182948A (zh) * | 2022-06-07 | 2022-10-14 | 南京航空航天大学 | 一种力学超材料单元及结构 |
CN116401913A (zh) * | 2023-03-24 | 2023-07-07 | 大连理工大学 | 一种水凝胶基负水化膨胀超材料的设计与优化方法 |
CN116401913B (zh) * | 2023-03-24 | 2023-09-12 | 大连理工大学 | 一种水凝胶基负水化膨胀超材料的设计与优化方法 |
CN116659941A (zh) * | 2023-07-28 | 2023-08-29 | 北京建工环境修复股份有限公司 | 力学超材料的设计方法、力学超材料、土壤取样机及装置 |
CN116659941B (zh) * | 2023-07-28 | 2023-09-29 | 北京建工环境修复股份有限公司 | 力学超材料的设计方法、力学超材料、土壤取样机及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113270157A (zh) | 一种基于机器学习的力学超材料设计与优化方法 | |
Manoussaki et al. | A mechanical model for the formation of vascular networks in vitro | |
Kesel et al. | Biomechanical aspects of the insect wing: an analysis using the finite element method | |
Chen et al. | Mechanical properties of fiber reinforced composites | |
Banks-Sills et al. | Modeling of functionally graded materials in dynamic analyses | |
CN106650124B (zh) | 一种基于有限元结果的连续体表面轻量化方法 | |
CN109344524A (zh) | 一种薄板结构加强筋分布优化方法 | |
CN104268326A (zh) | 基于优化准则法的约束阻尼板拓扑优化方法 | |
Rajabi et al. | Basal complex and basal venation of Odonata wings: structural diversity and potential role in the wing deformation | |
CN103838852B (zh) | 一种快速查找多块结构化网格对接关系的方法 | |
CN107016220B (zh) | 一种含异形孔洞的低孔隙率负泊松比结构 | |
CN111625910B (zh) | 一种基于静强度和疲劳约束的柔顺机构拓扑优化方法 | |
CN111222193B (zh) | 一种确定悬索桥主缆线形的方法 | |
CN102622485A (zh) | 确定索杆梁系空间结构放样态的形态分析逆迭代法 | |
CN109408939A (zh) | 一种兼顾应力和位移约束的薄板结构加强筋分布优化的改进方法 | |
Wolff-Vorbeck et al. | Twist-to-bend ratio: An important selective factor for many rod-shaped biological structures | |
CN113936753A (zh) | 一种含粘弹性基体的抗冲击仿生交错结构 | |
CN113076677A (zh) | 基于五次埃尔米特形函数的柔性体结构高阶非线性有限元数值模拟方法 | |
CN109271655B (zh) | 一种基于非对称有限元算法的材料尺度效应分析方法 | |
CN104168158B (zh) | 多维网络基于介数中心度进行网络分析的方法 | |
Moretti et al. | A complete numerical technique for the calculation of three-dimensional inviscid supersonic flows | |
CN113158425A (zh) | 一种基于边界元方法的全三维裂缝相交过程模拟方法 | |
Dal Mas | Elasticity on ontology matching of folksodriven structure network | |
CN101582131B (zh) | 一种离散结构遗传优化的二维编码及解码方法 | |
Silva et al. | Modeling bamboo as a functionally graded material |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210817 |
|
RJ01 | Rejection of invention patent application after publication |