均勻超彈性材料多種力學性能的平衡優化

超彈性材料（如多孔矽橡膠彈性體(ti) ）因其顯著的非線性、大變形特征，在減震等方麵具有重要作用。然而，超彈性材料複雜的本構關(guan) 係難以被準確描述。諸多研究使用機器學習(xi) 針對超彈性材料的結構與(yu) 性能關(guan) 係進行描述，進而實現結構性能的優(you) 化。然而較少關(guan) 注結構剛度與(yu) 能量耗散的多目標優(you) 化。來自中國工程物理研究院的蘆艾團隊使用含領域知識的多任務機器學習(xi) 方法，開展多孔矽橡膠彈性體(ti) 剛度和能量耗散的性能優(you) 化，並揭示結構參數對負剛度特征的影響。

為(wei) 準確調控超彈性材料的結構，本文使用墨水直寫(xie) （DIW）的3D打印方法製備矽橡膠彈性體(ti) ，選取層數、層高、線間距、線直徑和兩(liang) 層間線重疊情況五種打印參數作為(wei) 優(you) 化變量（圖1a），使用蒙特卡洛抽樣方法在整個(ge) 設計空間（607600種結構）中構建出初始設計空間（414種結構）。考慮到打印預設結構與(yu) 試樣實際結構間存在差異，選取孔隙率描述預設結構與(yu) 實際結構的差異性，通過打印後試樣的質量和厚度進行表征。開展壓縮實驗、損失因子頻率相關(guan) 性實驗和應力鬆弛實驗，評估結構的剛度、能量耗散和結構穩定性（圖2）。

為(wei) 建立打印參數與(yu) 力學性能的關(guan) 聯性，本文使用多門控專(zhuan) 家混合（MMOE）模型作為(wei) 多任務機器學習(xi) 的主要框架，促進異質時序數據在早期階段的知識共享，提高數據利用效率和模型運行效率。以打印參數為(wei) 優(you) 化變量，將打印參數和孔隙率作為(wei) 輸入，將壓縮應力-應變曲線、損耗因子-頻率曲線和應力鬆弛率-時間曲線作為(wei) 輸出（圖1b），使用初始數據集中85%的數據進行模型訓練，15%用於(yu) 檢驗模型的預測能力。以10%應變對應的應力值大於(yu) 0.1 MPa、25%應變對應的應力值大於(yu) 0.25 MPa、8-12 Hz對應的損耗因子大於(yu) 0.15和應力鬆弛率小於(yu) 10%為(wei) 約束條件開展結構優(you) 化。

在初始設計空間中，符合約束條件的優(you) 化結果僅(jin) 有一種結構，驗證了優(you) 化方法的合理性（圖3）。在整個(ge) 設計空間中，有600多種優(you) 化結果符合約束條件（圖4）。選取綜合性能的三種結構進行分析，結果表明這三種優(you) 化結構的線直徑和線間距相同，層數、層高和兩(liang) 層間線重疊情況相近。考慮到超彈性材料的負剛度特征對結構提升能量耗散具有重要意義(yi) ，本文使用SHAP方法進行參數敏感性分析（圖5）。結果表明，線間距是優(you) 化變量中影響負剛度特征最大的變量，線間距越大，SHAP值越小，對負剛度特征的負麵影響越大。

綜上所述，本文使用結合領域知識的多任務機器學習(xi) 方法，開展了多孔矽橡膠彈性體(ti) 的力學性能優(you) 化，實現了特定性能約束下的剛度和能量耗散能力平衡。該方法結合少量領域知識和少量數據訓練模型，高效實現了較大設計空間中的結構優(you) 化。在後續工作中，可考慮引入力學機理的分析，增強優(you) 化結果的可解釋性。

圖1 基於(yu) 多任務學習(xi) 的超彈性材料多性能優(you) 化

圖2 三種代表性力學響應

圖3 初始設計空間中的性能優(you) 化

圖4 整個(ge) 設計空間中的性能優(you) 化

圖5 SHAP分析

文章以“Balanced optimization of multiple mechanical properties of homogeneous architecture hyperelastic material"為(wei) 題，發表於(yu) COMPOSITES PART A。