新的AI辅助方法用于扩展解空间：应用于点阵结构设计

《Advanced Engineering Materials》：New AI-Assisted Approach for Expanding the Solution Space: Application to Lattice Structure Design

　　

具有目标力学性能的组织材料（architected materials）的设计仍是一大挑战，原因在于几何、材料组成与有效性能之间的复杂相互作用。在这些材料中，点阵结构（lattice structures）因其高设计灵活性而具有重要意义。然而，对其设计空间的探索十分困难，并且常局限于有限数量的单胞（unit-cell）构型目录。通过在现有构型之间引入中间几何形状，可以将设计空间扩展至有限点阵结构集合之外。生成此类几何形状的反向设计框架通常依赖于大型数据库，导致在仅有少量点阵结构可用时难以部署。为应对这一限制，本研究提出一个可解释的重参数化框架（reparameterization framework），将分类几何和材料变量转化为结构连续的描述符。该方法能够实现设计空间的连续且受控扩展，从而生成中间点阵构型。结合基于XGBoost的代理模型（XGBoost-based surrogate models）并嵌入多目标优化（multi-objective optimization）框架，所提方法可识别出在目标力学性能之间具有更优折中的点阵构型，并提供关于支配这些改进的底层结构机制的见解。

**论文解读：基于重参数化与机器学习的点阵结构设计空间扩展方法**

**研究背景与问题**

工程设计中，高性能结构往往面临多个相互冲突的需求（如刚度、强度、质量等），因此需要系统且高效地探索复杂设计空间。点阵结构因其高设计自由度而备受关注，但其设计空间通常局限于有限数量的单胞构型（如三角形、方形、六边形等），且现有反向设计方法依赖大型数据库，难以在仅有少量单胞可用时部署。此外，分类变量（如单胞类型、材料种类）的存在使得连续优化受阻，导致设计空间扩展受限。为此，研究人员提出一种可解释的重参数化框架，将分类几何和材料变量转化为结构连续描述符，并结合基于XGBoost的代理模型与多目标优化，实现对点阵结构设计空间的扩展与性能优化。该研究发表于《Advanced Engineering Materials》。

**关键技术方法**

研究人员采用以下主要技术方法：
1. **实验设计（DoE）**：基于部分因子设计，从43个物理参数（PhPs）中筛选出6个关键参数（单胞类型、单胞比例、基材类型、密度梯度、截面尺寸、截面类型），生成140个点阵构型，并通过Creo Parametric自动生成CAD模型。
2. **有限元模拟**：在Ansys Mechanical中进行压缩、剪切、扭转及体积模量等模拟，提取17个性能参数（PrPs），包括比刚度、比屈服强度、泊松比、丝材质量等。
3. **重参数化**：将单胞拓扑结构表示为图（graph），分解为核心梁（core）、贯穿梁（span）和表面梁（surf）三类，生成连续描述符向量b = (b_core, b_span, b_surf)；将基材属性（密度、杨氏模量、屈服强度、体积模量）作为连续描述符m = (ρ, E, σ_y, K)。
4. **代理模型**：采用XGBoost回归模型，通过10次重复10折交叉验证调优超参数，预测扩展设计空间中候选构型的性能。
5. **多目标优化**：在扩展空间中采样10,000,000个点，利用代理模型预测性能，通过帕累托前沿（Pareto front）和Derringer-Suich期望函数（desirability function）筛选最优折中方案，并将最优解投影回可实现的离散构型进行验证。

**研究结果**

**3.1 轻质刚性面板（Lightweight Stiff Panels）**
该案例优化比刚度（f₁）、比屈服强度（f₂）、泊松比（f₃）和丝材质量（f₄）。通过XGBoost模型（对f₁、f₂进行平方根变换）进行预测，重参数化空间的帕累托前沿更密集、更平滑，且延伸至更高比刚度区域。分析显示，最优设计具有高核心梁连通性（b_core≈0.7–1）、贯穿梁（b_span≈12）和表面梁（b_surf≈9–18），对应混合梁族组合（如{IH, IV, IT, OH, OV}或{A, IT, OH, OV}）。验证结果表明，方单元{IH, IV, IT, OH, OV}（cell ratio=30, CS size=5, 梯度类型=duc, 材料=ABS）实现了比刚度0.371 m2/s2、比屈服强度4.08×10?3 m2/s2、泊松比0.116、丝材质量464.22 g，复合期望值0.71，优于基准设计的0.64（方单元{IH, IV, OH, OV}，比刚度0.18 m2/s2）。

**3.2 可逆粘弹性耗散（Reversible Viscoelastic Dissipation）**
该案例优化弹性极限（f₁）、卸载模量（f₂）、杨氏模量（f₃，最小化）和泊松比（f₄）。重参数化空间同样产生更密集的帕累托前沿，但改进幅度较小。最优设计特征为低核心梁（b_core≈0–0.5）、贯穿梁（b_span=12）、中等表面梁（b_surf≈0–9）。投影后最佳配置为方单元{IT, OH, OV}（cell ratio=30, CS size=5, 无梯度, 截面类型=squ），复合期望值0.46，优于基准设计（三角单元{A}，复合期望值0.40）。改进主要源于更高的卸载模量和弹性极限。

**讨论与结论**

讨论部分指出：重参数化扩展的设计空间并非所有描述符组合都对应可实现构型，且同一描述符向量可能对应多个不同布局。数据集生成依赖于预设几何规则，且未考虑制造变异性。代理模型对加性效应（如丝材质量）的预测精度有限，因XGBoost的局部决策机制难以捕捉平稳累加趋势，需在训练集中增加混合梁族组合的样本。此外，对于方向敏感响应（如泊松比），当前描述符未区分轴向与斜向支柱，建议引入方向性描述符。
研究结论翻译如下：本研究引入了一个结构化框架，通过重参数化单元几何、材料选择和密度梯度，系统探索了基于支柱的点阵构型。通过将分类描述符转化为连续可解释参数，该方法能够在单一设计空间内统一描述异质点阵族。构建了缩减的实验设计以高效采样，并实现了参数化生成工作流。结合有限元模拟和代理模型，该框架支持多性能参数提取和优化。结果表明，该方法为点阵结构的设计与优化提供了实用且可扩展的基础。除本研究的两个案例外，该框架可扩展至更多性能准则、高级数值策略和多尺度公式，为复杂点阵、多孔及泡沫结构的有效建模与优化提供了有前景的前景。