基于机器学习的纤维状粘合剂的最佳设计
Mohammad Shojaeifard1, Matteo Ferraresso1, Alessandro Lucantonio2
1Mechanical Engineering Department, University of British Columbia, Vancouver, BC V6T1Z4, Canada.
Journal of the Royal Society, Interface
|February 25, 2025
概括
我们开发了一个机器学习工具,以优化纤维的合规性,以获得更强的粘附力. 这种方法可以增强生物灵感粘合剂和微型架构材料的设计,以提高抗折断的性能.
科学领域:
- 生物模拟学和材料科学 材料科学
- 机器人与工程 机器人与工程
背景情况:
- 自然界的纤维粘附 (甲虫,蜘蛛,) 使用微/纳米纤维通过"接触分裂"来增强粘附.
- 这个原则激发了机器人,运输和医学的工程应用,纤维状物质的功能分级显示了改善粘附的潜力.
- 以前的设计专注于简化的几何形状,以前的任何工作都没有使用机器学习优化纤维状阵列规模.
研究的目的:
- 引入基于机器学习 (ML) 的工具,以优化纤维合规分布,以最大限度地提高粘合强度.
- 为了证明该工具在恢复简单几何形状的已知设计结果和生成复杂配置的新解决方案方面的能力.
- 为了加快设计过程并减少创建高性能纤维状粘合剂的错误.
主要方法:
- 利用一个双神经网络 (NN) 系统:一个NN预测器来估计合规分布的粘合强度,一个NN设计器用于基于梯度的优化.
- 应用ML以优化纤维合规在数组中的分布.
- 在简单和复杂的几何配置上验证了方法.
主要成果:
- 机器学习工具成功地恢复了以前的设计结果,以简化几何形状.
- 为复杂的配置确定了新的和优化的合规分布,从而提高了粘合强度.
- 与传统方法相比,该方法显著减少了测试误差,并加速了优化过程.
结论:
- 拟议的基于ML的工具为设计先进纤维状粘合剂提供了高性能解决方案.
- 这种方法可以创建优化微型架构材料的应用程序,要求通过平等的负载共享优越的断裂阻力.
- 机器学习为解决生物灵感粘附的复杂设计挑战提供了一条有效的途径.


