🔬 materials science

Consistent machine learning for topology optimization with microstructure-dependent neural network material models

本文提出了一种将物理一致且依赖于微观结构的神经网络材料模型与基于密度的拓扑优化相结合的框架，旨在实现大变形条件下多尺度异质超弹性结构的高效设计。

原作者： Harikrishnan Vijayakumaran, Jonathan B. Russ, Glaucio H. Paulino, Miguel A. Bessa

发布于 2026-08-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Harikrishnan Vijayakumaran, Jonathan B. Russ, Glaucio H. Paulino, Miguel A. Bessa

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一位试图建造世界上最坚固、最轻巧的桥梁的建筑师。在旧时代，你受限于整个结构只能使用一种类型的砖块。但今天，由于 3D 打印技术的出现，我们可以打印出材料随点而变化的桥梁——也许基座是由一种能吸收冲击力的坚韧橡胶类物质制成的，而顶部则是用来承重的坚硬、刚性的泡沫。这就是“拓扑优化”的世界，一个用时髦的方式来表达“寻找完美的形状和材料组合”的概念。

然而，这里有一个难点。当这些材料发生拉伸和挤压（工程师称之为“非线性”行为）时，计算它们如何协同工作对计算机来说简直是一场噩梦。这就像是在试图预测一块巨大的、软塌塌的果冻在受到戳刺时会如何反应，但这块果冻是由数以亿计的大小不一的微小气泡组成的。为了解决这个问题，科学家通常会对每一个微小的气泡进行大规模且缓慢的模拟，这极其耗时。这篇论文试图通过教计算机一个捷径来解决这个问题：一个“智能猜测者”（神经网络），它学习物理规则，以便能够瞬间预测材料的行为，而无需每次都去模拟每一个微小的气泡。

研究人员在这篇论文中构建了一种专门为这些具有弹性、橡胶感材料设计的特殊“智能猜测者”。他们并没有让计算机随心所欲地学习，而是强制它遵循严格的物理定律，比如确保能量守恒，以及确保材料不会凭空消失或爆炸。他们通过设计两个不同的结构进行了测试：一个 T 形托架和一个悬臂梁（就像跳水板一样）。

以下是他们的发现。首先，他们使用一种单一类型的橡胶材料数据来训练他们的智能模型。当他们使用该模型来设计结构时，得到的结果与使用缓慢的传统“完美”方法设计出的结果几乎完全一致。这证明了他们的捷径是有效的，并且同样准确。接着，他们更进一步。他们教模型去理解材料不仅仅是单一的一样东西，而是软橡胶和硬质夹杂物（就像橡胶里的微小石子）的混合体。他们让计算机不仅决定在哪里放置材料，还决定在每一个特定位置要混合多少硬质“石子”。

结果如何？当他们让计算机在整个结构中改变材料的混合比例时，最终的设计方案比保持混合比例处处相同的情况表现得更好。优化器发现，结构的某些部分需要主要是软橡胶以应对弯曲，而其他部分则需要更多的硬质夹杂物来保持形状。这篇论文表明，通过使用这种感知物理学的机器学习技巧，我们可以设计出比旧方法更强壮、更高效的复杂多尺度结构，同时还能节省大量的计算机运行时间。

技术摘要：基于微观结构依赖型神经网络材料模型的一致性机器学习拓扑优化

问题陈述
增材制造（AM）与拓扑优化（TO）的结合使得设计具有空间变化微观结构的多元尺度结构成为可能。然而，在非线性条件下（几何与材料非线性）优化此类结构仍是一个重大挑战。依赖于计算均质化（如 FE2）的传统方法在与拓扑优化并发执行时，计算成本极其高昂。相反，标准的机器学习（ML）本构模型往往无法遵循基本的物理原则——如热力学一致性、客观性和多凸性（polyconvexity）——导致数值不稳定和预测不准确，尤其是在数据稀缺或接近奇异点（如零体积）的情况下。虽然机器学习已应用于线性弹性多尺度拓扑优化，但其在几何和材料非线性超弹性响应方面的应用仍处于起步阶段。

方法论
作者提出了一个将基于均质化的拓扑优化策略与基于超弹性理论的“一致性”机器学习方法相结合的框架。该方法由两个主要部分组成：

一致性机器学习本构建模：
- 架构： 该框架利用输入凸神经网络（ICNNs）来学习微观结构描述符与均质化本构响应之间的映射关系。
- 物理约束： 为了确保数值稳定性和物理有效性，神经网络架构强制执行了关键的超弹性条件：
  - 多凸性： 应变能密度被表述为变形梯度、余因子和行列式的凸函数，从而确保变分问题存在极小值。
  - 客观性与对称性： 模型通过对称权重共享以及基于主伸长率的特定输入变换，遵循材料框架无关性和各向同性。
  - 热力学一致性： 模型满足自然状态条件（零应变时应力与能量为零）以及体积增长条件（当体积趋于零或无穷大时，能量趋于无穷大）。
- 微观结构依赖性： ICNN 的输入空间通过引入微观结构描述符进行了扩展，具体为硬质夹杂物（stiff inclusions）的体积分数 ( $\alpha$ ) 在软基体中的分布。模型假设应变能密度与夹杂物体积分数之间存在凸关系。
- 可微性： 整个本构模型是可微的，允许通过自动微分高效计算切线刚度和灵敏度。
多尺度拓扑优化：
- 公式化： 拓扑优化问题被表述为一个受宏观材料分布 ( $\rho$ ) 和微观夹杂物体积分数 ( $\alpha$ ) 体积占比约束的功最大化问题。
- 实现： 采用基于密度的 SIMP 插值法和光滑 Heaviside 投影法来处理中间密度，并在保持空隙单元小应变运动学的同时，处理实心单元的几何非线性。
- 优化循环： 优化器（MMA）同时更新宏观伪密度和微观体积分数。一致性机器学习模型提供均质化应力响应及其导数，用于前向分析和灵敏度计算。

核心贡献

一致性机器学习框架： 本文引入了一种用于超弹性拓扑优化的新型框架，该框架将 ICNN 与严格的物理约束（多凸性、客观性和自然状态）相结合，解决了“黑盒”神经网络在非线性优化中的稳定性问题。
微观结构依赖建模： 作者展示了一种将微观结构描述符（体积分数）直接嵌入 ICNN 输入空间的方法，从而能够预测在设计域内变化的均质化响应。
两尺度并发优化： 本研究将拓扑优化扩展到了超弹性材料的两尺度并发设计问题，同时优化宏观布局和局部微观结构组成。
验证： 研究通过经典现象学模型（Arruda-Boyce 和 Neo-Hookean）对机器学习模型进行了验证，并证明了其在单尺度和多尺度优化基准测试（T 型支架和悬臂梁）中的有效性。

结果

模型精度： 训练后的一致性机器学习模型（单尺度 $M_s$ 和多尺度 $M_m$ ）在预测应力响应和应变能密度方面表现出极高的精度（ $R^2 > 0.999$ ），与地面真值现象学模型及 RVE 模拟高度一致。由于强制执行了物理约束，模型在插值和合理的外推能力方面表现稳健，特别是在接近奇异点时。
单尺度拓扑优化： 在单尺度优化示例（T 型支架和悬臂梁）中，使用机器学习材料模型生成的方案与使用地面真值现象学模型获得的方案几乎完全相同，证实了机器学习方法在标准拓扑优化任务中的可靠性。
多尺度拓速优化： 在并发的两尺度优化中，允许夹杂物体积分数 ( $\alpha$ ) 随空间变化，与固定微观结构的基准情况相比，获得了更低（更好）的目标函数值（最大化外部功）。优化器能够自然地分布材料，使得需要高柔性的区域使用较低的夹杂物体积分数，而较硬的区域则使用较高的体积分数。
收敛性： 优化过程收敛平滑，机器学习模型的可微特性促进了高效的灵敏度分析，无需在每次迭代时进行昂贵的数值均质化计算。

意义与主张
本文声称，将一致性机器学习模型与基于密度的拓扑优化相结合，显著增强了有限变形下异质超弹性结构的优化设计。其主要意义在于，能够在不承担并发 FE2 计算成本的情况下，实现高效、稳定且物理一致的多尺度优化。通过确保机器学习模型遵循多凸性和其他超弹性原则，该框架保证了前向问题解的存在性，并能产生可靠的最终设计。作者认为，该方法为设计未来具有复杂、空间变化微观结构细节的梯度功能材料和结构提供了可行路径，并指出该框架可以推广到更多的描述符（如取向）以及潜在的路径依赖型材料。

类似论文