CN119495386A 一种基于开尔文结构的点阵超材料设计方法 （浙江大学）

一种基于开尔文结构的点阵超材料设计方法本发明公开了一种基于开尔文结构的点阵于该组初始样本构型构建初始训练数据集；接对各代表性弹性常数分量对应的多个基本预测代表性弹性常数分量对应的最优基本预测函数明提出的方法大大减少了数据集生成和网络模2于等距开尔文结构的基准空间坐标向量P生成一组初始样本构型，并基于该组初始样本构个基本预测函数进行多次训练，最终确定各代表性弹性常数分量对应的最优基本预测函S4：根据各代表性弹性常数分量对应的最优在等距开尔文结构的独立顶点的可移动范围内，随机生成一组通过有限单元法模拟计算得到每个初始样本构型对应的弹性常数矩阵C，遍历处理该S2.1：根据弹性常数分量的物理意义，将弹性常数矩阵C中的弹性常数分量分成若干他组弹性常数分量的代表性弹性常数分量对应的若干3的代表性弹性常数分量对应的若干个基本预测函数遍历预测当前样本构型对应的其他代代表性弹性常数分量对应的若干个基本预测函数进行训练并更新对应的若干个最终基本预测函数中选择其对应的最优通过有限单元法模拟计算得到每个匹配度不好的样本构型对应的弹性常数矩阵C，遍对于每组弹性常数分量中除了代表性弹性常数分量的其他弹性常性弹性常数分量对应的最优基本预测函数前添加代表性弹性常数分量与每个弹性常数分45向设计其几何构型时存在一定的困难。已有的基于开尔文结构的弹性常数逆向设计研究6再基于等距开尔文结构的基准空间坐标向量P生成一组初始样本构型，并基于该组初始样通过有限单元法模拟计算得到每个初始样本构型对应的弹性常数矩阵C，遍历处7得其他组弹性常数分量的代表性弹性常数分量对应的若干剩余的代表性弹性常数分量对应的若干个基本预测函数遍历预测当前样本构型对应的其他代表性弹性常数分量，根据当前样本构型的预测的代表性弹性常数分量确定其匹配度；对各代表性弹性常数分量对应的若干个基本预测函数进行训练并更新对应的基本预测函分量对应的若干个最终基本预测函数中选择其通过有限单元法模拟计算得到每个匹配度不好的样本构型对应的弹性常数矩阵代表性弹性常数分量对应的最优基本预测函数前添加代表性弹性常数分量与每个弹性常8所述计算机程序时实现所述一种基于开尔文结构的点阵超材料设计方[0019]4）相较于传统的针对桁架式点阵超材料的训练数据集在有限单元计算方法中使[0021]图2为弹性常数矩阵中的弹性常数分量示意图，其中(a)经网络的机器学习模型预测的弹性常数矩阵的R2，(b)为有限单元法计算的弹性常数矩阵9所有独立顶点的空间位置组成基准空间坐标向量P；再基于等距开尔文结构的基准空间坐[0030]其中，基于等距开尔文结构的基准空间坐标向量P生成一组初始样本构型，具体单元的正方体模型边界分别沿坐标轴的x,立顶点的空间位移向量，将第i个空间位移向量Wi施加到等距开尔文结构的基准空间坐标空间位移向量)中每一个元素的绝对值大小需进y通过有限单元法模拟计算得到每个初始样本构型对应的弹性常数矩阵C，遍历处在ABAQUS软件中利用有限单元法模拟实现，单元采用四面体实体单元C3D10，网格大小为y()表示坐标旋转变换函数；本发明只需通过沿着y轴和z轴旋转90度的旋转转换即可扩展i方向上的正应变和i方向上的正应力的关系，如x方向上的正应变和x方向正应力的关系C11、y方向上的正应变和y方向正应力的关系C22、z方向上的正应变和z方向正应力的关系垂直于x方向的平面上沿y方向的切应变和垂直于y方向在垂直于x方向的平面上沿y方向的切应变和垂直于z方向的平面上沿x方向切应力的关系C56沿z方向的切应变和x方向正应力的关系C14、在垂直于z方向的平面上沿x方向的切应变和y方向正应力的关系C25、在垂直于x方向的平面上沿y方向的切应变和z方向正应力的关系C36沿x方向的切应变和x方向正应力的关系C15、在垂直于x方向的平面上沿y方向的切应变和x方向正应力的关系C16、在垂直于x方向的平面上沿y方向的切应变和y方向正应力的关系集训练不同的初始条件下(初始条件为神经网络中的随机种子)的基于神经网络的机器学得其他组弹性常数分量的代表性弹性常数分量对应的若干剩余的代表性弹性常数分量对应的若干个基本预测函数遍历预测当前样本构型对应的其他代表性弹性常数分量，根据当前样本构型的预测的代表性弹性常数分量确定其匹配度；对各代表性弹性常数分量对应的若干个基本预测函数进行训练并更新对应的基本预测函通过有限单元法模拟计算得到每个匹配度不好的样本构型对应的弹性常数矩阵[0041]S4中，根据各代表性弹性常数分量对应的最优基本预测代表性弹性常数分量对应的最优基本预测函数前添加代表性弹性常数分量与每个弹性常法，将针对代表性弹性常数分量的基本预测函数扩展到可应用于整组弹性常数分量的预[0042]以第一组弹性常数分量中的x方向上的正应变和x方向正应力的关系C11作为代表N11z其它的分量能以相应的方式表达出来；故只需要训练6个基于神经网络的机器学的弹性常数矩阵如图7的(b)所示；与目标弹性常数矩阵Ctarget相比，最大的绝对误差为脱离本发明技术方案公开的精神和范围的，其均应涵盖在本发明的权利要求保护范围之