充气介电弹性体管的物理信息神经网络建模,用于能源采集应用

科学领域:

• 软机器人软机器人 软机器人软机器人
• 材料科学 材料科学 材料科学
• 收集能源 收集能源

背景情况:

• 介电弹性体管对软能收获有希望.
• 建模它们的大变形和机电合是复杂的.
• 分析和传统的数值方法面临着非线性和边界条件的挑战.

研究的目的:

• 开发一个基于物理学的神经网络 (PINN) 框架,用于模拟介电弹性体管.
• 准确预测大型变形和合的机电反应,用于能源采集应用.
• 提供无网格,数据高效的建模方法.

主要方法:

• 开发了一个PINN框架,整合了不可压缩的新胡克弹性,辐射电荷和气体膨胀.
• 在PINN的损失函数中嵌入了管理非线性方程和变形依赖的边界条件.
• 利用Optuna算法在连接阶段进行稳定的网络训练.

主要成果:

• 在没有标记数据的情况下,实现了准确的,无网格的解决方案.
• 捕获了复杂的压力-体积相互作用,在通货膨胀期间内部体积增加超过290%.
• 观察到剩余拉伸高达未变形体积的9.6倍和压力依赖的轴力行为.
• 确定收获的能量强烈依赖压力,电压在临界值以上变得显著.

结论:

• PINN框架为软能源收割机的预测建模提供了一个强大而灵活的工具.
• 这种方法克服了复杂的机电系统的分析和传统数值方法的局限性.
• 能够有效设计和优化基于介电弹性体的能量采集装置.