一种LSTM驱动的热电合响应预测方法,用于形状记忆合金执行器.

科学领域:

• 材料科学 材料科学 材料科学
• 机械工程 机械工程
• 人工智能的人工智能

背景情况:

• 形状记忆合金 (SMA) 由于其独特的形状记忆效应和超弹性,为执行器应用提供了巨大的潜力.
• 热电歇斯底里阻碍了SMA执行器的准确建模,使其集成到先进系统中变得复杂.
• 现有的建模方法往往缺乏快速设计优化所需的效率和适应性.

研究的目的:

• 开发一种混合计算框架,准确预测 SMA 执行器的动态响应.
• 通过综合的人工智能和基于物理的方法来解决SMA建模中热电歇斯底里斯的挑战.
• 提高SMA执行器设计和优化流程的效率和模块化.

主要方法:

• 开发了一个混合框架,将长短期记忆 (LSTM) 网络与物理动力学结合起来.
• 一个LSTM网络处理了电压时间数据,以预测SMA电线温度和电阻动态.
• 一个基于物理学的模型使用相位变换和构成方程计算了角位移,将材料行为与执行器几何解开.

主要成果:

• 混合模型实现了高精度,在角位移预测中平均绝对误差低于5%.
• 温度和电阻输出的根平均平方误差低至2.5 × 10−5.5.
• 模块化架构允许通过调整普通微分方程参数来进行高效的更新,而无需重新训练神经网络.

结论:

• 拟议的混合框架为智能基于材料的执行系统提供了一个计算效率高和可持续的范式.
• 这种方法促进了快速的执行器优化,并可扩展到其他智能材料,如压电和磁强制系统.
• 该研究克服了关键的建模局限性,为更先进和可靠的SMA执行器设计铺平了道路.