基于代理辅助的遗传优化用于从膜膨胀数据反演超弹性材料参数

《Modelling》：Surrogate-Assisted Genetic Optimization for Inverse Identification of Hyperelastic Material Parameters from Membrane Inflation Data

　　

软变形材料（如弹性体、生物组织和聚合物膜）广泛应用于现代工程应用中，包括生物力学、软体机器人和柔性电子。因此，精确识别其本构参数对于可靠的力学建模和设计至关重要。膜膨胀或鼓泡试验常用于此目的，其中材料参数通常通过压力-挠度测量来识别。然而，此类测量通常需要光学系统来捕捉膜变形，这增加了实验复杂性。在本工作中，研究人员提出了一种基于代理辅助的反演识别框架，用于利用从膜膨胀试验获得的压力-体积数据确定超弹性材料参数，从而无需光学变形测量。为了降低重复正向模拟的计算成本，使用有限元模拟数值生成的压-体积数据训练了一个人工神经网络（ANN）代理模型。训练后的ANN能够高效预测不同材料参数和体积流入量下膜的压力响应。然后采用遗传算法（GA）通过最小化测量响应与预测响应之间的差异来识别最优参数。所提出的GA-ANN框架在Mooney-Rivlin超弹性模型上得到了验证，并能在无噪声和有噪声数据集上准确恢复材料参数，为软膜的表征提供了一种计算高效且鲁棒的方法。

**论文解读：基于代理辅助遗传优化的膜膨胀数据超弹性材料参数反演识别**

**研究背景与问题**
软变形材料（如弹性体、生物组织和聚合物膜）在生物力学、软体机器人、柔性电子等现代工程中广泛应用，精确获取其本构参数对可靠建模与设计至关重要。膜膨胀试验（鼓泡试验）是常用表征手段，传统方法依赖压力-挠度测量，但挠度获取需光学系统，增加实验复杂度与成本。此外，传统反演方法基于有限元（FE）模拟，反复求解正向问题计算量巨大。尽管代理模型（如人工神经网络）已成功应用于力学逆问题，但在基于压力-体积数据的膜膨胀参数识别中应用有限。因此，研究人员提出一种基于代理辅助的逆识别框架，利用压力-体积数据替代压力-挠度测量，结合人工神经网络（ANN）代理模型与遗传算法（GA），实现高效、鲁棒的超弹性材料参数反演。该研究发表在《Modelling》。

**研究方法概述**
研究人员采用非线性有限元模拟（Abaqus 2023）生成Mooney-Rivlin超弹性膜在不同材料参数（剪切模量μ₀与归一化参数α）下的压力-体积响应数据集，并验证了无量纲响应尺度不变性。随后训练一个双层隐藏层（各20神经元）的ANN代理模型，以归一化参数α和体积流入量V作为输入，预测压力响应。训练集、验证集、测试集随机划分，性能指标（MAE、MSE、RMSE、R2）显示高精度。最后，将训练好的ANN作为快速正向求解器，与GA耦合检索最优参数，目标函数为压力均方误差。GA种群规模100，最大代数500，精英保留与交叉变异操作。为模拟实验噪声，在压力数据中添加均匀分布随机噪声（±5%）。

**研究结果**

**2. 超弹性理论**
介绍了运动学（变形梯度张量F、右Cauchy-Green张量C等）与应力度量（第一Piola-Kirchhoff应力P、第二Piola-Kirchhoff应力S、Cauchy应力σ），并导出不可压缩各向同性Mooney-Rivlin应变能函数W = C₁₀(I₁?3) + C₀₁(I₂?3)，其中C₁₀、C₀₁为材料常数，剪切模量μ₀ = 2(C₁₀+C₀₁)，归一化参数α = C₀₁/(C₁₀+C₀₁)。该模型可有效描述中等变形下橡胶类材料的响应。

**3. 数据集生成：有限元方法**
采用轴对称FE模型（膜半径R、厚度t，固定于刚性筒，底部封闭），通过体积流入控制模拟非单调压力响应。膜离散为4节点四边形混合单元，使用流体腔单元模拟体积流入。验证结果显示与文献[17][33]的压力-挠度、无量纲压力-体积曲线吻合良好。进一步分析表明，当厚度-半径比t/R固定时，无量纲压力-位移与压力-体积响应具有尺度不变性，独立于绝对材料与几何尺寸。因此，在α∈[0.1,0.5]范围内均匀选取33个值，t/R=0.02，对每个α生成100个压力-体积数据点（共3300组），用于训练ANN。

**4. 人工神经网络训练**
ANN架构为2个隐藏层（各20神经元，tansig激活函数），输出层线性激活。输入为α与归一化体积，输出为归一化压力。数据集随机划分：70%训练、15%验证、15%测试。训练停止条件包括最大迭代20000、MSE为零、梯度<10^-6或连续6次验证误差无改善。性能指标显示训练、验证、测试集R2均为1，MAE、MSE、RMSE极小，表明ANN高精度拟合。相比之下，高斯过程回归（GPR）的RMSE高出四个数量级，故选择ANN。

**5. 遗传算法逆优化**
将材料参数识别转化为最小化压力均方误差的优化问题，引入缩放因子β改善数值条件。GA搜索空间：α∈[0.1,0.5]，缩放剪切模量μ₀/μ_ref∈[0.5,2.0]。GA参数：种群100，最大代数500，精英保留2，交叉率0.8，停止条件为达到最大代数、前后50代无改进或函数容差<10^?6。

**5.3 参数识别结果**
使用无噪声FE数据（包括训练集内与未见过参数）进行测试，表5显示所有案例中剪切模量μ₀与归一化参数α的预测值与真实值高度一致，误差极小，证明框架在理想条件下准确有效。

**5.4 噪声响应下的鲁棒性**
向压力数据添加±5%均匀随机噪声模拟实验不确定性。表6结果显示，剪切模量μ₀最大误差约1.2%，而α的误差相对较大（最高约10%）。分析表明压力响应对μ₀的敏感性远高于对α，因此μ₀更易精确识别，α的识别受噪声影响更大，但误差仍在可接受范围，证明框架具有鲁棒性。

**5.5 重复性与统计评估**
对两个误差最大的案例（μ₀=0.3 MPa, α=0.3及μ₀=0.5 MPa, α=0.15）进行30次独立GA-ANN优化，每次使用不同随机初始种群与噪声实现。表7显示样本均值接近真实值，标准偏差小，95%置信区间窄，表明识别结果具有统计稳定性和可重复性。

**结论**
研究人员提出了一种基于ANN代理模型与GA结合的高效逆识别框架，用于从鼓泡试验压力-体积数据确定Mooney-Rivlin超弹性膜材料参数。训练后的ANN预测速度比FE模拟快约五个数量级，大幅降低计算成本。在无噪声与有噪声数据下均能准确恢复材料参数，多次独立运行给出窄置信区间，证明其稳定性、重复性与可靠性。该框架可推广至其他超弹性本构模型及更多参数的情形，未来需通过实验数据进一步验证其实际适用性，并与确定性优化方法进行系统比较。