学术前沿 | 机器学习和特征表示方法用于预测添加制造的变结构与工艺参数的超材料应力-应变曲线

COMSOL 多物理场仿真技术 · 公众号 · · 2024-04-24 21:42

正文

请到「今天看啥」查看全文

晶格结构是一种机械超材料，具有高强度重量比和能量吸收能力等优异机械性能。然而，预测晶格结构的应力应变关系仍然是一个挑战，因为增材制造的晶格结构的力学行为受到晶格结构参数和工艺条件的影响。本研究提出了一种基于机器学习的预测建模框架，用于预测具有不同结构和工艺参数的晶格结构的整个应力应变曲线、压缩模量和能量吸收。特征工程技术用于将原始数据转化为与机器学习模型兼容的新数据表示，包括人工神经网络、长短期记忆（LSTM）和卷积神经网络（CNN）。开发了两种新的特征表示方法，包括多边形和颜色映射，将结构和工艺参数从表格格式转换为图像格式以供CNN使用。LSTM模型预测应力应变曲线时的最小均方相对误差（MAPE）为0.147。预测压缩模量的CNN（颜色映射）模型在预测压缩模量时的最小MAPE为0.174。在预测能量吸收时，神经网络和LSTM模型的最小MAPE为0.068。这些ML模型的建立所需训练时间少于6分钟。

在本研究中，使用新颖的特征表示和三种机器学习模型预测了具有不同结构和工艺参数的晶格结构的整个应力-应变曲线。可以得出以下结论：

为了将结构和工艺参数转化为与ANN、LSTM和CNN兼容的新数据表示（包括向量、时间序列和图像（即多边形和颜色映射）），开发了新颖的特征工程技术。

对于预测应力-应变曲线，LSTM模型实现了最低的MAPE（均方根误差）为0.147，而ANN模型的最高MAPE为0.281。CNN（多边形）和CNN（颜色映射）模型的性能与LSTM模型相似。CNN（多边形）和CNN（颜色映射）模型的MAPE分别为0.189和0.173。这表明CNN从多边形和颜色映射数据中提取结构和工艺信息的效果。

对预测应力-应变曲线的进一步分析显示，LSTM和ANN模型实现了能量吸收预测的最低MAPE为0.068，CNN（颜色映射）模型实现了压缩模量预测的最小MAPE为0.174。

所有模型在6分钟内完成训练，最低的训练时间为2分32秒。这表明ML模型具有很高的计算效率。

通过将原始表格数据转化为新的数据格式，可以使用ML模型考虑增材制造的晶格的结构参数和工艺条件。未来，将采用该方法预测通过其他AM工艺制备的各类元胞材料的机械响应。

有关论文的更多信息请点击左下角阅读原文

免责声明：本文中的部分资料来源于该期刊文章，转载目的在于传递信息及分享，并不意味赞同其观点或真实性，也不构成其他建议。本公众号仅提供交流平台，供广大读者学习，不为其版权负责。如涉及侵权、隐私等问题，请联系我们及时删除，同时也欢迎广大读者进行投稿交流。