基于机器学习的多材料弯曲杆点阵结构一对多逆向设计

《Proceedings of the Design Society》：Machine-learning-based one-to-many inverse design of multi-material lattices

　　

本研究提出了一种基于机器学习（ML）的具有弯曲杆件的多材料点阵逆向设计框架，目标性能为力学与热学性能。研究利用三次样条（cubic spline）参数化及离散材料分配，使设计空间超越了传统点阵结构。该工作流程整合了材料分类器（material classifier, MC）、属性预测器（property predictor, PP）及逆向生成器（inverse generator, IG），用于解决有效属性到设计方案之间的一对多（one-to-many）映射问题，并实现概率采样与多样化设计生成。该方法支持多目标权衡，并为功能梯度超材料（functionally graded metamaterials）的多尺度优化奠定了基础。

研究背景方面，多材料结构通过组合力学强度高的不锈钢与导热性好的铜合金等材料，可在换热器等多功能工程中实现热-力竞争目标的协同优化。多材料增材制造（multi-material additive manufacturing, MMAM）技术的发展使复杂几何与多材料布局的制造成为可能，推动了多材料点阵结构的研究。然而，多材料点阵的设计优化面临计算负担显著增加的问题，因为设计变量同时涵盖单胞拓扑、尺寸、形状及材料分布。现有研究多集中于单胞类型或体积分数（volume fraction, VF）梯度化，对单胞内部几何-材料协同调制关注不足。此外，逆向问题本身具有非唯一性，即多种设计方案可能对应相同的等效属性，其一对多（one-to-many）特性随自由度增加而加剧。传统神经网络逆向方法多为确定性，每个目标仅输出单一结构；生成式模型虽能提升多样性，却常依赖高维表示且存在模式坍塌风险，难以评估解的可行性与多样性。本研究正是针对上述问题而开展，相关成果发表于《Proceedings of the Design Society》。

研究人员构建了基于机器学习（machine learning, ML）的逆向设计框架，用于具有弯曲杆件的多材料点阵，以综合调控力学与热学性能。该框架采用三次样条（cubic spline）参数化描述弯曲的体心立方（body-centred cubic, BCC）单胞杆件，并结合离散材料分配扩展设计空间；流程包含材料分类器（material classifier, MC）、属性预测器（property predictor, PP）以及基于混合物密度网络（mixture density networks, MDN）的逆向生成器（inverse generator, IG）。MC从目标属性预测材料，IG为对应材料输出连续设计变量的概率分布，PP快速评估候选设计的等效属性；最后通过概率、属性满足度、几何重构及可制造性等事后（post-hoc）准则筛选候选。MDN的多模态特性使一对多映射得以显式建模，从而得到多样化逆解并评估其可靠性与可行性。研究结果表明，该数据驱动方法能够准确且高效地实现多材料点阵的一对多逆向设计，为功能梯度超材料（functionally graded metamaterials）的多尺度优化奠定了基础。

主要关键技术方法包括：以三次样条参数化弯曲体心立方（BCC）单胞，经100³体素离散化与离散材料分配后，采用渐近均质化（asymptotic homogenisation）在Abaqus中计算有效刚度张量C与热导率张量k，构建6760组单胞数据集；以多层感知机（multilayer perceptron, MLP）训练材料分类器（MC）与属性预测器（PP）；以MDN构建各材料的逆向生成器（IG），对连续设计特征建立高斯混合分布；最终根据概率、属性、几何及可制造性准则筛选可行方案。

研究结果部分，属性预测器（PP）的训练与验证MSE损失在100个epoch后收敛。在测试集上，预测值与真实值高度吻合，平均R²达0.9994，说明模型准确捕捉了几何、体积分数及材料指数到等效属性之间的映射，且单样本推理时间由数值均质化的数分钟缩短至不足一秒。

逆向生成器（IGs）的结果首先通过测试样例说明。设置每种材料三个高斯混合分量（K=3）后，MC准确判断目标材料；权重相近的混合分量生成了不同但均满足目标属性的候选，最优属性匹配与最优几何重构对应的候选并不相同，体现了过滤准则的重要性。不锈钢类别的输出因未通过正定性检验且偏离目标而被剔除，印证了MC可靠性。

基于概率的过滤（一对多映射）进一步验证了框架的一对多能力。在设定的概率阈值下，从1014个测试样本中生成1928个设计方案。当两曲率参数差异显著时，交换参数可得到方向翻转但属性相同的构型；而两端切线幅值相近时，翻转几何与原几何相似，通常仅保留一个主导分量。全测试集评估显示，逆向设计所得属性与目标属性高度一致，但连续设计参数未呈现明确一一对应关系，再次说明求解空间的非唯一性。

在最优属性/几何重构（一对一映射）设置下，按最优属性满足度筛选所得结果与概率过滤类似；而采用最优几何准则筛选时，连续设计特征的平均R²提高至0.9977，证明原始几何存在于候选集中。

结论部分，本研究提出了一种面向具有弯曲杆件的多材料点阵的基于机器学习（ML）的逆向设计框架，以力学与热学性能为目标。通过三次样条参数化与离散材料分配，设计空间扩展至传统直杆点阵之外。该流程集成了材料分类器（MC）、逆向生成器（IG）、属性预测器（PP）及事后过滤策略。混合物密度网络（MDN）通过概率采样解决了属性到设计的一对多映射难题，并支持基于性能、几何或可制造性的多样化方案生成。与确定性方法不同，概率化方法增强了解的可靠性、多样性与可行性，同时支持多目标权衡及替代材料场景。该框架为功能梯度超材料的多尺度优化奠定了基础；未来工作将拓展至各向异性单胞、多材料集成以及不确定性下的可制造性评估。