Machine Learning Based Optimal Design of Fibrillar Adhesives

要約

カブトムシ、クモ、ヤモリなどの動物で観察される原線維接着は、ナノスケールまたは顕微鏡レベルの原線維に依存して、「接触分割」によって表面接着を強化します。
この概念は、ロボット工学、輸送、医療にわたるエンジニアリング アプリケーションにインスピレーションを与えてきました。
最近の研究では、フィブリルの特性を機能的に段階的に調整することで接着性を向上できることが示唆されていますが、これは複雑な設計上の課題であり、単純化された形状でのみ検討されています。
接着剤設計では機械学習 (ML) が注目を集めていますが、フィブリルアレイのスケール最適化をターゲットとしたこれまでの試みはありませんでした。
この研究では、接着強度を最大化するためにフィブリルのコンプライアンスの分布を最適化する ML ベースのツールを提案します。
2 つのディープ ニューラル ネットワーク (DNN) を特徴とする当社のツールは、単純な形状に対する以前の設計結果を復元し、複雑な構成に対する新しいソリューションを導入します。
Predictor DNN はランダムなコンプライアンス分布に基づいて接着強度を推定し、Designer DNN は勾配ベースの最適化を使用して最大強度を得るためにコンプライアンスを最適化します。
当社の手法は、テストエラーを大幅に削減し、最適化プロセスを加速し、等荷重分散 (ELS) を達成することで耐破壊性を目的としたフィブリル接着剤および微細構造材料を設計するための高性能ソリューションを提供します。

要約(オリジナル)

Fibrillar adhesion, observed in animals like beetles, spiders, and geckos, relies on nanoscopic or microscopic fibrils to enhance surface adhesion via ‘contact splitting.’ This concept has inspired engineering applications across robotics, transportation, and medicine. Recent studies suggest that functional grading of fibril properties can improve adhesion, but this is a complex design challenge that has only been explored in simplified geometries. While machine learning (ML) has gained traction in adhesive design, no previous attempts have targeted fibril-array scale optimization. In this study, we propose an ML-based tool that optimizes the distribution of fibril compliance to maximize adhesive strength. Our tool, featuring two deep neural networks (DNNs), recovers previous design results for simple geometries and introduces novel solutions for complex configurations. The Predictor DNN estimates adhesive strength based on random compliance distributions, while the Designer DNN optimizes compliance for maximum strength using gradient-based optimization. Our method significantly reduces test error and accelerates the optimization process, offering a high-performance solution for designing fibrillar adhesives and micro-architected materials aimed at fracture resistance by achieving equal load sharing (ELS).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google