学术前沿 | 基于机器学习的超材料表征与逆设计

在本研究中，我们提出了一种基于机器学习的方案来预测有效的超材料特性和逆设计结构。本研究的相应结果的结论如下：

(1)对于二维微观结构，RF回归模型预测了多孔超材料和固态超材料的有效杨氏模量、有效泊松比和有效导热系数。均方根误差、决定系数和平均绝对百分比误差分别为0.0002、0.99945和0.0380。

(2)对于三维微观结构，射频回归模型预测了在流体静力学和流体动力学的情况下，流体-固体超材料的有效导热系数。均方根误差、决定系数和平均绝对百分比误差分别为0.0004、0.99992和0.0182。

(3)此外，我们的研究还表明，Aquila优化器（AO）可以有效地解决多目标优化问题。设计了一种具有高杨氏模量、低导热率的微观结构。

本研究有助于加快针对多种需求的超材料的设计，满足当前工程中对具有多种优良性能的超材料的迫切需求。然而，该模型的缺点是设计空间在参数域内很有限。它仅在本文的参数域内有效。下一篇论文将研究一种无边界约束设计。