基于深度学习的超可拉伸剪纸超材料：通过屈曲实现表面纹理调制

《Soft Matter》：Deep learning-driven ultra-stretchable kirigami metamaterials: towards surface texture modulation via buckling

柔性纸艺结构在拉伸应力下的褶皱失稳机制研究，提出基于深度学习的可编程设计策略，实现精准结构模式识别，预测准确率达94.29%，扩展设计空间并支持信息编码传输。

　　

当受到拉伸应力作用时，剪纸结构会表现出独特的屈曲不稳定行为，这使得该结构具有出色的可拉伸性和设计多样性。然而，传统的设计方法主要关注单向切割的剪纸结构，研究其屈曲不稳定性和由几何对称性导致的非平面形态。为了提升剪纸结构的功能性，深入探索几何对称性破坏时的屈曲行为机制，并理解几何形状对重构过程中可编程性的影响，我们分析了蜂窝状切割剪纸结构的屈曲不稳定机制。我们提出了一种创新的剪纸设计策略，利用深度学习技术来准确预测复杂的非线性本构关系。我们的方法提供了一个可编程的设计框架，可以根据拉伸应变要求有针对性地确定最佳的剪纸结构模式，从而提高所需机械响应的适应性，并减少试错成本。实验结果表明，使用所提出的方法进行机械性能预测的准确率为94.29%。几何对称性的打破显著扩展了剪纸的设计空间。此外，通过对预测的剪纸单元进行交叉选择和功能设计，可以实现通过剪纸超表面进行信息编码和传输。本文提出了一种前瞻性的剪纸设计策略，该策略基于功能需求预测所需的机械性能，并实现功能配置。