基于深度学习的技术,用于研究MEMS系统的行为,使用多壁碳纳米管和电动微束

科学领域:

• 机械工程 机械工程
• 电气工程 电气工程
• 材料科学 材料科学 材料科学

背景情况:

• 微电子机械系统 (MEMS) 使用结构,如双重紧的微束,受静电力的影响.
• 多壁碳纳米管 (MWCNTs) 为MEMS提供了优越的性能,但在预测它们的非线性行为方面存在挑战.
• 深度学习,特别是深度神经网络 (DNN),是分析复杂动态系统的新兴方法.

研究的目的:

• 开发和验证一个基于DNN的模型,用于分析MEMS振荡器的非线性振动特性.
• 研究DNN在电动微光束和基于MWCNT的MEMS建模中的应用.
• 评估各种深度学习优化器的性能,以提高预测准确性和效率.

主要方法:

• 使用欧勒 - 伯努利束理论对双紧的电动微光束进行建模.
• 应用Galerkin技术用于偏向计算和平行板电容器模型的电场.
• 使用深度神经网络 (DNN) 来解决MEMS振荡器固有的非线性动态系统.

主要成果:

• 开发了一种基于DNN的新型模型,以有效地解决MEMS振荡器中的非线性系统.
• 深度学习优化器的应用提高了MEMS行为预测的准确性和效率.
• 数字模拟和图形演示验证了拟议的DNN方法的有效性.

结论:

• DNN算法为分析MEMS设备中的非线性振动提供了准确和高效的方法.
• 该研究表明,深度学习在克服与MEMS中MWCNTs相关的预测挑战方面具有潜力.
• 经过验证的DNN模型为先进的MEMS振荡器的设计和优化提供了一个强大的工具.