相关实验视频
Updated: Jul 12, 2025
11:57
Fabricating Metamaterials Using the Fiber Drawing Method
Published on: October 18, 2012
13.8K
深度学习用于随机网络3D打印机械元材料的大小无知反向设计
Helda Pahlavani1, Kostas Tsifoutis-Kazolis1, Mauricio C Saldivar1
1Department of Biomechanical Engineering, Faculty of Mechanical, Maritime and Materials Engineering, Delft University of Technology (TU Delft), Mekelweg 2, Delft, 2628 CD, The Netherlands.
Advanced materials (Deerfield Beach, Fla.)
|October 30, 2023
概括
深度DRAM是一种结合深度学习和有限元模拟的新框架,可以高效地设计机械超材料微架构. 这种方法可以实现罕见的特性组合,如双重辅助性和高刚性,用于现实世界的应用.
科学领域:
- 材料科学 材料科学 材料科学
- 机械工程 机械工程
- 计算科学 计算科学
背景情况:
- 为特定的特性设计机械超材料需要解决复杂的反向设计问题.
- 增材制造的局限性和材料故障 (疲劳,骨折) 增加了对元材料设计的限制.
- 现有的方法与设计强大,高性能元材料微架构的多目标性质作斗争.
研究的目的:
- 引入Deep-DRAM,这是一个模块化计算框架,用于解决机械元材料中的多目标反向设计问题.
- 证明框架能够识别具有所需,往往罕见的机械性质组合的微架构的能力.
- 通过模拟和实验测试来验证框架的预测.
主要方法:
- 一种模块化方法,Deep-DRAM,集成深度学习 (DL) 模型和有限元素 (FE) 模拟.
- 使用条件变异自编码器用于单元细胞微架构的生成设计.
- 使用直接FE模拟来分析和验证生成的微架构的属性.
主要成果:
- DL模型的预测与FE模拟和3D打印样本的实验结果一致.
- 深度DRAM方法扩大了可实现的弹性特性范围,实现了双重辅助性和高刚性等组合.
- 该框架成功地为多目标反向设计问题生成了多个可行的解决方案.
结论:
- 深度DRAM为机械元材料的反向设计提供了有效的解决方案,解决了当前制造和设计方法的局限性.
- 该框架有助于发现具有增强和定制机械性能的新型微架构.
- 这项工作为先进的机械超材料的实际应用铺平了道路.
