要約
特定の機械的特性を備えた構造を設計および製造するには、設計パラメータと性能の間の複雑な関係を理解する必要があります。
非線形変形の場合、設計と性能の関係を理解することはますます複雑になります。
弾性変形のモデル化には成功していますが、シミュレーションベースの技術は、可塑性と緻密化を示す大きな弾塑性変形をモデル化するのに苦労しています。
私たちは、3D 印刷可能なシェルとその圧縮力と変位の挙動の間の設計と性能の関係を学習するために、実験データに基づいてトレーニングされたニューラル ネットワークを提案します。
何千もの物理実験で訓練された当社のネットワークは、順方向設計と逆方向設計の両方を支援して、望ましい弾塑性および超弾性変形を示すシェルを生成します。
生成された設計のサブセットを製造とテストを通じて検証します。
さらに、いくつかのアプリケーションのカスタム シェルを生成する際のネットワークの逆設計効果を実証します。
要約(オリジナル)
Designing and fabricating structures with specific mechanical properties requires understanding the intricate relationship between design parameters and performance. Understanding the design-performance relationship becomes increasingly complicated for nonlinear deformations. Though successful at modeling elastic deformations, simulation-based techniques struggle to model large elastoplastic deformations exhibiting plasticity and densification. We propose a neural network trained on experimental data to learn the design-performance relationship between 3D-printable shells and their compressive force-displacement behavior. Trained on thousands of physical experiments, our network aids in both forward and inverse design to generate shells exhibiting desired elastoplastic and hyperelastic deformations. We validate a subset of generated designs through fabrication and testing. Furthermore, we demonstrate the network’s inverse design efficacy in generating custom shells for several applications.
arxiv情報
著者 | Samuel Silverman,Kelsey L. Snapp,Keith A. Brown,Emily Whiting |
発行日 | 2024-08-27 14:30:06+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google