数据驱动的增材制造架构织物力学仿真代理材料模型

《ADVANCED ENGINEERING INFORMATICS》:Data-driven surrogate material model for the mechanical simulation of additively manufactured architected weaves

【字体: 大 中 小 】 时间:2026年04月12日 来源:ADVANCED ENGINEERING INFORMATICS 9.9

编辑推荐:

  本研究针对增材制造(AM)纺织结构逆设计中高效力学仿真的难题,提出一种基于平面桁架和数据驱动本构流形的设计敏感型代理材料模型。通过自动力标签标注与人工神经网络(ANN)训练,构建可跨设计空间映射局部变形-杆件力的代理模型,实现秒级快速仿真,为个性化AM纺织品设计提供高效工具。

  
传统纺织结构凭借优异的贴合性与高强度,广泛应用于软体机器人、增强复合材料和医疗可穿戴设备等领域。然而,受限于编织工艺的重复性单元设计,传统纺织品难以实现局部力学性能的空间定制化。随着增材制造(Additive Manufacturing, AM)技术的成熟,人们得以精确制备微尺度结构,诞生了AM纺织品的全新形态——通过调控纱线材料与交织结构,可在毫米级尺度上设计具有梯度力学特性的“架构织物”(architected weaves)。这类材料在医疗植入物、康复支具等场景中潜力巨大:例如,患者特异性护具需匹配身体曲率与受力分布,要求织物不同区域的刚度、延展性可独立调节。
但AM纺织品的逆设计面临核心瓶颈:织物的机械响应由纱线张力、剪切相互作用与接触摩擦共同主导,宏观连续介质模型因单元数量庞大丧失计算效率,微观/介观模型虽精度高却耗时过长;同时,现有本构模型多针对均匀材料,无法适应空间变设计(spatially varying designs)的需求。更棘手的是,数据驱动仿真依赖密集的力-变形状态采样,而织物内部应力难以直接测量,导致传统方法难以构建覆盖多维设计空间的通用模型。
为此,ETH Zurich的M. Wirth与K. Shea在《ADVANCED ENGINEERING INFORMATICS》发表研究,提出“设计敏感的AM双轴向编织物代理材料模型”。团队将编织结构简化为平面桁架(节点位于纱线交点,主杆模拟纱线,对角剪切杆强化抗剪),引入七维参数描述杆件属性(结构类T、边界类B、应变ε、剪切φ、纱径D、纱间距S、编织模式f),通过自动化实验数据标注与ANN训练,构建覆盖全设计空间的本构流形(constitutive manifold),最终获得可秒级预测任意局部设计的力学响应的代理模型,突破传统方法的效率与泛化限制。

关键技术方法简述

研究包含五个核心环节:(1)桁架参数化建模:定义杆件的结构、变形与设计参数;(2)定制非线性桁架有限元(FE)框架:支持几何非线性与黑箱材料模型输入;(3)实验数据生成:采用聚合物喷射成型制备12种均质设计(训练集)与6种方向变设计(验证集)的AM样品,通过拉伸试验获取全场位移与反力;(4)自动力标签标注:训练70个小规模ANN估计杆件力,结合静力平衡约束与正则化启发式筛选最优解,构建离散本构流形;(5)代理模型训练:基于本构流形数据优化深度ANN(6层×220宽),实现跨设计参数的力-变形映射。

研究结果

4.1 FE仿真参数设置

经验性设定最大步长uStep=0.1mm、收敛阈值uConv=0.1mm、阻尼因子uDamp=0.9与刚度填充kPadding=0.05N/mm,确保桁架FE框架稳定收敛。代理模型的构件级特性使其可模拟空间渐变设计(如纱径梯度变化)、超大规模结构(超1万杆件,仿真约12秒)及未见参数插值(如未训练纱径下的响应),验证了方法的扩展性与灵活性。

4.2 力标签评估准确性

70个初始化不同的ANNs经200轮ADAM训练后,反应力预测平均误差低至0.048–0.217N。FE回代检验显示,最佳ANN对每种设计的双样本平均失配值最低,证明力标签估计有效捕捉了特定设计的力学特征。对角线取向样品因变形空间复杂,失配略高,但仍保持趋势一致性。

4.3 代理材料模型训练性能

超参数扫描确定最优结构为深度6、宽度220、学习率1e-4,训练与测试损失同步下降无过拟合。加权损失函数(侧重受压剪切杆精度)使模型准确复现本构流形中的力标签分布,解决了零应变附近力跃迁的平滑性问题。

4.4 代理模型验证

训练集与验证集的载荷-伸长曲线弗雷歇距离均值0.098(90.2%准确率),形状失配均值2.4mm(90.4%准确率)。验证样本(如方向变纱间距设计)的精度与训练集相当,仅个别高应变段偏差略增,证明模型对未见设计的泛化能力。相比单设计专用ANN,代理模型在多数样本上保持了同等或更优的仿真保真度。

4.5 仿真运行时间

样品杆件数286–2646不等,单核CPU仿真耗时3.39–16.84秒。大规模算例(10680杆件)仅需12秒,揭示计算成本与杆件数的弱相关性——代理ANN的前向计算高效,迭代次数主要受变形非线性程度影响。

结论与意义

本研究构建的ANN代理材料模型,首次实现了AM双轴向编织物在全设计空间内的构件级快速仿真。方法突破了传统本构方程对均匀材料的依赖,通过数据驱动本构流形融合多设计实验信息,使局部变设计纺织品的力学预测从“小时级”缩短至“秒级”。模型的设计敏感性(如对纱径D、编织模式f的梯度响应)可直接指导逆设计:设计师可通过调整局部参数优化织物性能,无需重复昂贵实验。未来,通过迁移学习纳入新材料或AM工艺数据,模型可进一步扩展为跨平台纺织仿真工具,推动个性化医疗装备、自适应软体机器人等领域的创新设计范式。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号