一种预测深度学习方法用于具有随机定向切割的生长性基里伽米超材料的均匀化

本文描述了一种数据驱动的方法来预测具有随机取向切削的非生长性基利伽米超材料的力学性能。采用有限元法(FEM)生成数据集，引入卷积神经网络(CNN)对数据集进行训练，建立了基里伽米片的输入方向与输出杨氏模量和泊松比之间的隐式映射关系。有了这种输入-输出关系，对基利伽米超材料的消耗行为的快速估计是直截了当的。我们的示例表明，如果训练数据集和测试数据集的分布彼此接近，则可以实现良好的预测。我们的努力提供了一种快速可靠的方法来评估具有不同微观结构的机械超材料的均匀性，从而加速了不同应用的机械超材料的设计。

DOI:https://doi.org/10.1142/S0217984921500330

深度学习代码也可以在这里找到:https://github.com/XJTU-Zhou-group/CNN_predict-mechanical-properties-of-Kirigami-metamaterials-