使用深度学习和进化算法,快速反向设计4D打印的Voxelized复合结构
Mengtao Wang1, Zaiyang Liu2, Hidemitsu Furukawa3
1Department of Electronic and Computer Engineering, Ritsumeikan University, Shiga, 525-8577, Japan.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|February 1, 2025
概括
本研究介绍了一种深度学习和进化算法框架,用于优化4D打印的水凝结构. 该方法通过预测先进复合结构的材料变形,快速设计复杂的形状.
科学领域:
- 材料科学 材料科学 材料科学
- 生物材料工程 生物材料工程
- 计算科学 计算科学
背景情况:
- 设计 4D 打印的 voxelized 复合材料结构需要最佳的材料属性分布以实现形状转换.
- 从响应刺激的材料中获得特定的目标形状在增材制造中是一个重大挑战.
研究的目的:
- 开发一种高效的优化方法,用于设计4D打印的使用刺激响应的水凝的voxelized复合结构.
- 为了能够高精度预测水凝变形和快速逆向工程所需的形状.
主要方法:
- 一个序列增强的并行卷积神经网络 (CNN) 被开发和训练在有限元模拟的数据.
- 一个进步进化算法 (PEA) 与CNN集成,以创建一个深度学习-进步进化算法 (DL-PEA) 框架.
- 用DL-PEA框架通过优化voxel材料属性来逆向设计目标形状.
主要成果:
- 深度学习模型实现了水凝变形的高精度预测.
- DL-PEA框架显著减少了指定的目标形状的平均设计时间,约为3.04秒.
- 优化的水凝设计显示了对环境刺激的有效转变.
结论:
- 开发的DL-PEA框架为优化4D打印的声化复合结构提供了一个有效的工具.
- 这项工作为4D打印中的水凝应用提供了新的视角,通过响应刺激的设计来实现精确的形状控制.
- 这些发现有助于创建具有定制形状改变能力的先进智能材料.
