[论文解读] Experiment-informed finite-strain inverse design of spinodal metamaterials

Prakash Thakolkaran, Michael A. Espinal+3 more|arXiv (Cornell University)|Dec 18, 2023

Topology Optimization in Engineering被引用 4

一句话总结

本研究提出了一种实验启发、物理增强的机器学习框架，用于定制化有限应变机械响应的旋节线超材料的逆向设计。通过利用仅107组实验测得的应变高达40%的应力-应变曲线的小型数据集，该方法通过部分输入凸神经网络（PICNNs）引入基于物理的归纳偏置，以建模非凸能量势，从而在不依赖高保真仿真模拟的情况下，实现对复杂非线性行为的精确预测与优化。

ABSTRACT

Spinodal metamaterials, with architectures inspired by natural phase-separation processes, have presented a significant alternative to periodic and symmetric morphologies when designing mechanical metamaterials with extreme performance. While their elastic mechanical properties have been systematically determined, their large-deformation, nonlinear responses have been challenging to predict and design, in part due to limited data sets and the need for complex nonlinear simulations. This work presents a novel physics-enhanced machine learning (ML) and optimization framework tailored to address the challenges of designing intricate spinodal metamaterials with customized mechanical properties in large-deformation scenarios where computational modeling is restrictive and experimental data is sparse. By utilizing large-deformation experimental data directly, this approach facilitates the inverse design of spinodal structures with precise finite-strain mechanical responses. The framework sheds light on instability-induced pattern formation in spinodal metamaterials -- observed experimentally and in selected nonlinear simulations -- leveraging physics-based inductive biases in the form of nonconvex energetic potentials. Altogether, this combined ML, experimental, and computational effort provides a route for efficient and accurate design of complex spinodal metamaterials for large-deformation scenarios where energy absorption and prediction of nonlinear failure mechanisms is essential.

研究动机与目标

• 解决在计算仿真受限且实验数据稀疏的情况下，设计具有定制化有限应变机械性能的旋节线超材料的挑战。
• 通过直接将高保真实验数据整合到机器学习框架中，弥合旋节线超材料中结构与性能关系之间的鸿沟。
• 通过嵌入基于物理的归纳偏置，克服机器学习在超材料中质量与数量之间的二元对立，以补偿数据有限的问题。
• 实现对旋节线结构的逆向设计，使其能够实现目标应力-应变响应，包括高达40%应变的能量吸收等极端变形行为。
• 提供一个具有物理解释性的框架，通过受相变建模启发的非凸能量势，捕捉由不稳定性驱动的图案形成。

提出的方法

• 该框架使用了107个微米尺度旋节线超材料的实验数据集，这些材料通过原位和非原位纳米机械单轴压缩测试，应变最高达40%。
• 采用多个部分输入凸神经网络（PICNNs）构建物理增强的机器学习模型，形成非凸势，以捕捉大变形下的复杂非线性应力-应变行为。
• 前向模型代理通过实验数据学习结构-性能映射，结合非凸性等物理约束，以在数据有限的情况下提升泛化能力。
• 逆向优化方案采用基于梯度的多初始值方法，识别与目标有限应变应力-应变响应相匹配的旋节线形态。
• 该方法基于相变理论，通过源自旋节分解物理机制的非凸能量势，对不稳定性诱导的图案形成进行建模。
• 该框架通过321次高通量压缩测试实验进行了验证，各批次材料的IP-Dip光敏树脂性能一致（E = 3.2 ± 0.3 GPa，σ_y = 77 ± 7 MPa）。

实验结果

研究问题

• RQ1 基于物理增强的机器学习框架能否仅使用稀疏实验数据，准确预测旋节线超材料的有限应变机械响应？
• RQ2 在机器学习中如何建模非凸能量势，以捕捉旋节线结构中如屈曲和大变形等复杂非线性行为？
• RQ3 基于物理的归纳偏置在多大程度上可减少逆向设计架构化材料时对大规模计算仿真的依赖？
• RQ4 该框架能否识别出在训练数据域外的目标应力-应变响应的旋节线形态？
• RQ5 将原位和非原位实验数据相结合，如何提升机器学习模型在复杂超材料中的物理解释性和可靠性？

主要发现

• 该框架仅使用107个实验数据点，成功预测了多种旋节线形态在高达40%应变下的有限应变应力-应变响应，包括能量吸收行为。
• 基于PICNN的模型无需依赖高保真仿真，即可准确捕捉几何非线性、材料非线性、屈曲和自接触等复杂非线性行为。
• 该方法可实现对旋节线结构的逆向设计，使其匹配目标应力-应变曲线，即使这些目标超出训练数据的范围。
• 实验验证确认了各打印批次间材料性能的一致性，IP-Dip光敏树脂的杨氏模量为3.2 ± 0.3 GPa，屈服强度为77 ± 7 MPa。
• 原位与非原位测试的结合揭示了厚壳型旋节线形态中的局部变形机制，为机器学习模型预测的物理解释提供了依据。
• 该框架相比传统实验方法将数据吞吐量提升了10倍，使机器学习在高密度架构化材料中的应用成为可能。