搜索:  
北工大张兴宇等 Adv. Sci.:基于深度学习的结构设计策略 - 力学场指导超材料纤维增强水凝胶复合材料
2024-03-25  来源:高分子科技

  纤维增强水凝胶复合材料广泛应用于许多工程应用,例如药物释放和柔性电子器件,具有比纯水凝胶材料更灵活的机械性能。与连续纤维增强的水凝胶相比,超材料纤维增强水凝胶提供了更广泛的变形模式,个性化设计能力,特别适合关节、软骨和器官的应用。本文提出了一种基于深度学习算法的超材料纤维增强水凝胶结构设计策略。首先开发了超材料纤维增强水凝胶的固体力学模型,以构建纤维分布的数据集和复合材料相应的力学性能。然后训练生成对抗网络(GAN)来表征应力或位移场与超材料纤维分布之间的关系。训练有素的GAN用于设计特定条件下的超材料纤维增强水凝胶复合结构。结果表明,深度学习方法可以有效且可靠地预测水凝胶复合材料的结构,在药物释放和柔性电子器件方面具有巨大的应用潜力。实现框架如图1所示


图1 基于深度框架的结构设计流程图



  基于连续介质力学理论,开发了一种二维超材料纤维增强水凝胶复合材料模型模拟由温度和外部溶液的离子浓度变化引起的自由膨胀过程。得到了复合材料自由溶胀过程的有限元模拟结果,包括溶胀前复合材料中超材料纤维的分布以及溶胀后复合材料机械场的分布。GAN的数据集由有限元模拟图像组成。溶胀后的机械场分布作为输入和超材料纤维分布作为输出,被用来训练深度学习模型。


基于应力场的设计的GAN模型的定量分析


  图2a显示了 GAN 中损失函数随迭代次数的变化直到GAN模型收敛。图 2b 中的柱状图显示了MSE的频率统计量。所有预测的复合结构都显示出相对较小的预测误差 2c 中对由 GAN 预测的结构图像和验证数据集中相应的输出图像中的纤维像素与复合像素定义的纤维体积分数进行了回归分析。结果表明预测结构与目标结构高度相关。GAN准确预测了超材料纤维的关键信息,包括周期、位置和方向。 


图2 基于应力场设计的深度学习模型性能分析


基于位移场设计的GAN模型的定量分析


  图3显示了位移场设计的水凝胶复合材料的结果。图3a的误差统计图表明,预测结构与真实结构高度相似。 3b 展示了纤维体积分数的回归分析。插图显示了 GAN 预测的相对误差分布。通过线性回归分析,预测输出图像与验证输出图像之间的回归系数,表明预测结构与目标结构密切相关。预测结构与验证集中相应结构的比较如图3c所示。结果表明,GAN可以准确预测超材料纤维的关键信息,包括其周期、位置和取向。 


图3 基于位移场设计的深度学习模型性能分析


案例研究一:GAN指导应力场设计超材料纤维增强水凝胶复合材料


  在本节中,使用GAN构建用于药物释放的超材料纤维增强水凝胶复合材料。应力集中区的数量和位置可作为超材料纤维增强水凝胶复合材料结构设计的重要线索,以预测药物释放载体的破坏位置。在图4a,将超材料纤维设置为六边形排布,作为嵌入水凝胶基质中的增强相,以模拟多点药物释放问题。将目标应力场作为GAN模型预测结构的输入。GAN模型得到预测的结构后,通过有限元模拟图4b所示的结构,等效应力如图4c所示。经有限元计算,预测结构中的最大应力位于纤维中心,与预期一致。图4d显示了损伤点的应力变化过程,应力值随着溶胀时间的增加而增加。同时,应激变化速率对环境变化敏感,表明可以实现不同环境下药物释放的功能。 


图4 基于深度学习模型设计药物释放结构


案例研究二:GAN指导位移场设计超材料纤维增强水凝胶复合材料


  图5显示了基于所提出的 GAN 模型预测具有目标位移场的复合材料结构的工作流程。如图 5a 所示,通过从有限元仿真数据集中选择一个位移场图像,并保留部分图像作为基础。然后,在先验知识基础下,通过绘图应用程序绘制目标位移场,以参考位移场的实际需求来调整灰色轮廓带。然后将准备好的目标位移场图像输入GAN模型以预测复合结构。图5c显示了生成的复合材料结构的实际位移的有限元模拟,以便应用与柔性传感器件。 


图5基于深度学习模型设计柔性传感器件


  本文提出一种基于深度学习的结构设计策略,以实现基于给定机械场的超材料纤维增强水凝胶的结构设计。首先针对不同数量、尺寸、取向和位置的超材料纤维增强的水凝胶复合材料开发了一系列有限元模型。深度学习算法GAN表征了水凝胶复合材料中机械场与相应的超材料纤维分布之间的关系。通过训练有素的GAN在给定的应力场或位移场下预测了超材料纤维增强水凝胶复合材料的结构。现将结论如下:


  1)超材料纤维增强了水凝胶复合材料的机械性能。超材料纤维与水凝胶基质的整合诱导水凝胶在溶胀过程中具有各向异性,其中纤维的周期和分布都会影响水凝胶复合材料在自由溶胀后的机械场分布。


  2)训练GAN模型获得了机械场和超材料纤维分布之间的端到端映射。GAN模型在给定的机械场(包括应力场和位移场)下预测目标机械性能所需的纤维分布,同时显著降低计算成本。


  3)提出的基于GAN的结构设计策略用于二维场景下药物释放及柔性传感器装置的结构设计。该方法为纤维增强水凝胶复合材料在生物医学领域的应用提供了新的途径和灵感。


  本研究得到了国家自然科学基金(批准号:11932002)、北京市博士后资助(2022-ZZ-068)、朝阳区博士后资助(2022ZZ-18)。


  原文链接:Mechanical Field Guiding Structure Design Strategy for Meta-Fiber Reinforced Hydrogel Composites by Deep Learning

  刘传志,张兴宇*,刘夏,杨庆生

  https://doi.org/10.1002/advs.202310141

版权与免责声明:中国聚合物网原创文章。刊物或媒体如需转载,请联系邮箱:info@polymer.cn,并请注明出处。
(责任编辑:xu)
】【打印】【关闭

诚邀关注高分子科技

更多>>最新资讯
更多>>科教新闻