基于物理增强机器学习的3D打印数字材料组分依赖性本构关系发现

本研究发现结合物理增强神经网络（PANN）与部分输入凸神经网络（pICNN）及准线性粘弹性（QLV）模型，成功构建了能够精准预测多材料3D打印数字材料非线性、速率依赖性力学行为的组分感知本构模型，为复合材料自动化建模提供了创新性解决方案。

　　

Highlight

本研究通过整合实验表征与物理增强机器学习建模，揭示了Stratasys PolyJet多材料3D打印技术制备的数字材料（Digital Materials）在力学行为上的组分依赖性规律。

Experimental methods

我们针对Stratasys Objet260 Connex3打印机提供的商用软质3D打印材料展开研究，重点分析橡胶状Agilus及其与刚性Digital ABS（RGD-515和RGD-531）的四种混合材料。这些混合物被统称为数字材料（DMs），并按邵氏A硬度分级命名为DM-XX，例如FLX9860对应硬度为60A的DM-60材料。

Constitutive modeling

本节提出了基于输入凸神经网络（ICNN）的物理增强神经网络框架，通过强制应变能函数相对于应变不变量的凸性，实现了对超弹性材料的精准建模。Jadoon等人（2024b）进一步扩展了ICNN框架，开发出部分输入凸结构，允许模型在保持应变凸性的同时引入非凸的组分依赖关系。

Experimental results

为量化数字材料的组成特性，我们首先分析了多材料打印所用基础聚合物的配比。Agilus作为弹性体基材，与RGD515/RGD531混合后形成具有连续可调力学性能的微米级复合结构。通过系统性的单轴拉伸与扭转实验，我们发现所有材料均表现出显著的速率依赖性和非线性响应，且力学行为随Agilius含量增加呈现规律性变化。

Conclusions

我们通过联合实验与计算建模，阐明了Stratasys PolyJet多材料3D打印制备的数字材料体系（Agilus/Digital ABS组合）的力学行为规律。研究表明，该材料系统在单轴拉伸和扭转载荷下均表现出强烈的组分依赖性和速率相关性。所开发的物理增强神经网络（PANN）模型成功实现了对材料非线性响应的精准预测，为多材料3D打印的自动化本构模型发现提供了可扩展框架。