Met behulp van machine learning kan een nieuw platform de transformatie van 2D-rekbare oppervlakken in specifieke 3D-vormen programmeren.
Abstract
"Op alle gebieden van de wetenschap hebben onderzoekers zich steeds meer gericht op het ontwerpen van zachte apparaten die van vorm kunnen veranderen om functionaliteit te bereiken. Het identificeren van een rustvorm die leidt tot een 3D-doelvorm bij activering is echter een niet-triviale taak die omgekeerde ontwerpmogelijkheden met zich meebrengt. In deze studie wordt een eenvoudig en efficiënt platform gepresenteerd om voorgeprogrammeerde 3D-vormen te ontwerpen uitgaande van 2D vlakke composietmembranen. Door neurale netwerken te trainen met een kleine set eindige-elementensimulaties, zijn de auteurs in staat om zowel het optimale ontwerp voor een gepixeld 2D-elastomeermembraan te verkrijgen als de opblaasdruk die nodig is om het in een doelvorm te veranderen. De voorgestelde methode kan op meerdere schalen en voor verschillende toepassingen worden gebruikt. Als voorbeeld wordt getoond hoe deze omgekeerd ontworpen membranen kunnen worden gebruikt voor mechanotherapietoepassingen, door bepaalde gebieden te stimuleren en voorgeschreven locaties te vermijden.”
Vind de open toegang technisch document hier en Harvards artikel hier.
Antonio Elia Forte,* Paul Z. Hanakata, Lishuai Jin, Emilia Zari, Ahmad Zareei, Matheus C. Fernandes, Laura Sumner, Jonathan Alvarez en Katia Bertoldi*
