|
提出了一种新颖的卷积神经网络（CNN）加速设计方法，用于高性能晶格超材料的设计。首先，定义了晶格超材料的设计域和伪随机初始化。CNN的输入数据集由1000组支撑几何形状和应力-应变曲线组成，这些数据通过有限元法（FEM）获得。建立了CNN架构，并使用ADAM优化器对CNN进行了训练。最终，从训练后的CNN扩展数据集中选择了具有优越比能量吸收（SEA）的
晶格
超材料。进一步研究了高性能
晶格
超材料的变形机制和能量吸收。主要结论如下：
1.训练后的CNN成功预测了晶格超材料应力-应变曲线的应变硬化和软化行为，且应力值的相对误差大多数低于10%。
2.训练后的CNN显著减少了获取格子超材料应力-应变曲线的计算时间，且SEA的输出范围超出了初始输入数据集，这有助于加速探索具有改进SEA的全新格子超材料。
3.从10,000个CNN输出数据的随机架构中，选择了两种SEA最高（模型A）和SEA最低（模型B）的格子超材料。与模型B相比，模型A的SEA提高了超过267.2%，并且超越了文献中报告的其他格子超材料。
4.模型A表现出以拉伸主导的破坏模式，应力和塑性应变主要分布在垂直对齐的区域。这些区域由相邻的单元格支持，避免了大幅膨胀，并在压缩过程中进一步增强了其承载能力。
5.模型B表现出局部屈曲变形，这是由于垂直对齐区域减少和边界材料减少所致。应力和塑性应变集中在节点区域。因此，应力-应变曲线在峰值应力后出现大负梯度，导致较低的SEA。
这项新颖的CNN加速设计方法成功地获得了具有定制机械性能的晶格超材料。该设计方法基于先进的数学模型，而不依赖于复杂的固体力学理论。尽管本研究仅提高了
晶格
超材料的SEA，训练后的CNN在许多新的工程应用中是有用且可扩展的。然而，本研究中使用的
晶格
超材料的单元格数量和厚度是常数。在未来的工作中，将考虑更多的设计参数，如厚度和单元格数量，纳入CNN模型中。此外，优化方法还将应用于
晶格
超材料的逆向设计。
|
