相关实验视频
Updated: May 6, 2026
09:41
Stretching Micropatterned Cells on a PDMS Membrane
Published on: January 22, 2014
15.8K
深度学习驱动的超伸缩kirigami元材料:通过曲向表面纹理调制迈进
Yunce Zhang1,2, Li Lin1,2, Yafei Wang3
1School of Architectural Engineering, Harbin University of Science and Technology, Harbin, 150080, P. R. China.
Soft matter
|November 17, 2025
概括
这项研究探讨了kirigami结构,使用深度学习来预测机械性能,并使可编程设计成为可能. 在kirigami中破坏对称性扩大了应用,包括通过元表面传输信息.
科学领域:
- 材料机械学 材料机械学
- 计算材料科学科学 计算材料科学
- 超材料设计设计 超材料设计
背景情况:
- 基里加米结构在拉伸应力下表现出独特的曲不稳定性,提供伸展性和设计多功能性.
- 传统的kirigami设计通常侧重于单向切割和对称的几何配置.
- 探索对称性破坏的kirigami对于理解曲行为和增强可编程性至关重要.
研究的目的:
- 分析具有被破坏几何对称性的嵌式kirigami结构中的曲不稳定机制.
- 通过深度学习开发一种创新的可编程kirigami设计策略.
- 预测机械性能和优化kirigami图案,以满足特定的拉伸应变要求.
主要方法:
- 分析曲的不稳定性在嵌的基里加米结构.
- 应用深度学习技术来预测非线性构成关系.
- 开发一个可编程设计框架用于kirigami图案识别.
主要成果:
- 在预测kirigami机械性能方面取得了94.29%的准确性.
- 证明打破几何对称性显著扩大了kirigami设计空间.
- 展示了使用kirigami metasurfaces编码和传输信息的潜力.
结论:
- 提出的基于深度学习的策略能够准确预测kirigami机械性能.
- 在kirigami设计中破坏对称性增强了适应性,并最大限度地减少了试错.
- 基里加米超表面为功能配置和信息传输提供了一个新的平台.
