💻 computer science

Model-Informed Joint Material-Structural Optimization of Hard-Magnetic Soft Materials

本文提出了一种模型驱动的框架，该框架统一了多种本构模型，以准确预测硬磁软材料的行为，并能够对其进行同步结构与材料优化，从而在软体机器人和自适应系统中实现预设的变形响应。

原作者： Ian Galloway, Prashant K. Jha

发布于 2026-07-17

📖 1 分钟阅读☕ 轻松阅读

原作者： Ian Galloway, Prashant K. Jha

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

想象一个机器人不再由僵硬的金属齿轮和刚性关节组成，而是像水母或章鱼那样柔软、富有弹性且充满生命力的世界。这就是软体机器人学（soft robotics）的领域，这个领域梦想着制造出能够挤过微小缝隙、拥抱娇贵物体，甚至能在人体内无损游动的机器。为了让这些机器人在没有电线或马达的情况下运动，科学家们使用了智能材料，这种材料在受到磁场等无形力量的触发时会改变形状。你可以把它想象成一个木偶，拉动它绳索的不是手，而是一块磁铁。

其中一种特别令人兴奋的材料被称为硬磁软材料（hard-magnetic soft materials）。你可以将其想象成一块柔软、有弹性的海绵（“软”的部分），里面填充了无数微小且超强的磁铁（“硬”的部分）。当你把一块大磁铁靠近它们时，内部的微型磁铁想要与大磁铁对齐，由于它们被困在橡胶中，它们会带着橡胶一起移动，从而导致整个物体发生弯曲、扭转或拉伸。工程师面临的核心问题是：我们如何设计这些软体磁铁，让它们完全按照我们的意愿运动？ 这是一个复杂的谜题，因为材料的硬度会随着磁铁填充量的变化而改变，而且橡胶拉伸的方式也会改变磁铁的行为。如果你配方错了，你的机器人可能只会瘫倒在地，而不是完成一个后空翻。

这篇论文就像是一位名厨在完善其配方时的指南。作者 Ian Galloway 和 Prashant K. Jha 致力于解决两个主要问题。首先，他们想要找出最完美的数学“规则手册”，以预测这些材料的行为。关于添加磁铁如何改变橡胶硬度的理论有很多，作者测试了七种不同的理论，并将其与现实世界的数据进行对比，以观察哪一种最准确。他们发现，虽然橡胶配方的类型影响不大，但关于磁铁如何使橡胶变硬的规则至关重要，尤其是在磁铁位于弯曲发生的关键位置时。他们发现，**Mooney 关系式（Mooney relation）**是最好的规则手册。

其次，他们开发了一个强大的新设计工具——一个“数字雕塑家”——它可以同时计算三件事：在哪里放置结构材料（以确保机器人足够强韧）、在每个位置填充多少磁性颗粒（以控制拉力强度）以及微型磁铁应该朝向哪个方向（以控制弯曲的方向）。利用这个工具，他们创造了一些非常巧妙的设计。例如，他们设计了一个轮子，通过重新排列内部的磁铁，其旋转速度比标准轮子快得多；还设计了一个梁，它可以在重压下向下弯曲，然后在磁场开启时神奇地恢复原状。这篇论文表明，通过将材料组成与形状视为一个巨大的、相互关联的整体，我们可以创造出运动方式既奇特又高效的软体机器人，同时使用一个经过实验严格校验、确保真实可靠的计算机模型。

技术摘要：硬磁软材料的模型驱动型材料-结构联合优化

问题陈述
硬磁软材料（hMSMs）是由嵌入弹性体基质中的硬磁颗粒组成的复合材料。它们能够实现接触式、场驱动的变形，适用于软体机器人和自适应结构。然而，预测性设计 hMSMs 面临两个相互关联的挑战：

本构模型： 精确预测需要有效的结构-属性关系，用以描述磁性颗粒体积分数如何改变有效弹性模量。现有文献提供了多种模型（刚性夹杂、自洽理论、约束运动学），对于相同的颗粒浓度，这些模型预测的刚度值可能存在显著差异。此外，应变能密度函数的选择可能会影响数值鲁棒性和预测的变形。
联合优化： 最优设计需要同时控制结构密度、磁性颗粒分布和剩磁方向。以往针对 hMSMs 的拓扑优化方法通常将磁性材料的存在视为离散的选择（有磁性 vs 无磁性），而非一种能够调节刚度和驱动强度的连续体积分数场。此外，耦合这些场在物理上是困难的，因为磁性变量仅在存在结构材料的地方才有意义。

方法论
作者开发了一个统一的框架，旨在同时解决本构模型选择和联合优化问题。

统一本构框架： 作者将经典的刚性夹杂关系（Guth, Mooney, Kerner）、Hill 自洽理论（专门针对刚性夹杂和近不可压缩基质）以及约束运动学模型（Lopez-Pamies, Alshammari）重新构建为统一的有效剪切模量形式 $G(\phi)$ ，其中 $\phi$ 为颗粒体积分数。这产生了七个候选剪切模量关系。这些关系与三种应变能密度函数（两种可压缩新胡克模型 NH1 和 NH2，以及 St. Venant–Kirchhoff 模型 SVK）相结合，共创建了 21 个候选本构模型。
模型敏感性分析： 使用数值基准测试（悬臂梁、轮子、夹持器和 3D 梁）来评估预测变形对应变能函数选择与 $G(\phi)$ 选择的敏感性。
本构模型选择： 利用 Garcia-Gonzalez 等人 (2021) 的实验单轴应力-应变数据来选择最具代表性的 $G(\phi)$ 关系。采用了两种指标：(1) 相对于提取的剪切模量值的相对误差，以及 (2) 相对于真实全应力-应变曲线的相对均方根误差 (rRMSE)。
联合材料-结构优化公式化： 开发了一个拓扑优化框架，其中三个设计场被参数化：结构密度 ( $\rho$ $ρ$ )、磁性颗粒体积分数 ( $\phi$ $ϕ$ ) 和剩磁方向 ( $\theta_{Br}$ $θ_{B r}$ )。
- 耦合机制： 为确保物理一致性，磁能和有效模量通过插值处理，使得磁性贡献在空隙区域 ( $\rho \approx 0$ ) 消失。磁性颗粒体积分数 $\phi$ 作为一个连续场，通过选定的 $G(\phi)$ 关系同时缩放磁相互作用能和有效剪切模量。
- 实现： 该框架利用 FEniTop 库和 FEniCSx 进行有限元实现，采用 SIMP 型惩罚法处理密度，使用 Helmholtz 滤波处理所有场，并采用基于伴随变量的梯度计算，通过 Method of Moving Asymptotes (MMA) 优化器进行求解。

关键结果

本构敏感性： 对于所考虑的驱动问题，应变能密度函数（NH1, NH2, SVK）对预测变形的影响相对较小。相比之下，有效剪切模量关系 $G(\phi)$ 的选择会显著影响变形，特别是当磁性材料与高变形区域重叠时。当磁性材料位于主要弯曲区域之外（例如端部磁化梁）时，模型的依赖性可以忽略不计。
模型选择： 基于实验数据，用于 $G(\phi)$ 的 Mooney 关系 在与提取的剪切模量值以及全应力-应变响应的对比中，表现出了最佳的整体一致性。NH2 应变能函数因其数值鲁棒性而被选中。
优化性能： 联合优化框架在三个不同案例中成功产生了非直觉的设计：
1. 旋转驱动器： 在固定的轮形几何结构中优化 $\phi$ 和 $\theta_{Br}$ ，与直觉式的均匀设计相比，切向位移增加了 59.7%。
2. 平移驱动器： 在固定的剪刀状几何结构中优化 $\phi$ 和 $\theta_{Br}$ ，实现了目标水平运动，同时抑制了垂直方向的寄生位移。
3. 恢复梁： 通过同时优化 $\rho$ 、 $\phi$ 和 $\theta_{Br}$ ，创建了一个能够在相反机械载荷下通过磁驱动恢复形状的梁。该设计自然地将磁性材料限制在结构占据的区域内。

意义与主张
本文声称提供了一种系统化的、由模型驱动的 hMSMs 设计路径。其主要贡献在于：

提供了一个统一的有效剪切模量框架，允许直接比较不同的结构-属性关系。
证明了当磁场与机械场重叠时，有效剪切模量关系对于预测准确性至关重要，而应变能形式在测试案例中的敏感性较低。
提出了一种联合材料-结构优化公式化方法，将磁性颗粒体积分数视为与结构密度和磁化方向耦合的连续设计变量，并通过能量插值解决了低密度区域的物理耦合问题。
证明了同时优化材料组分和结构拓扑比固定几何结构的磁性设计具有更优越的性能。

作者指出，虽然该框架是在 hMSMs 上进行的演示，但其计算结构通过替换相关的能量项，同样适用于其他场响应弹性体（如介电、磁流体或形状记忆复合材料）。实现代码已在开源 CEADpx/top_optim 仓库中发布，以支持复现和扩展。

类似论文