Optimisation of mechanical metamaterials using machine learning - establishing a new workflow

Abstract

Optimised design, either for components or materials, is a topic on the rise in our century. It is strongly linked with the thought of lightweight construction and resource management. Thus, the aim of this work is to provide a faster way to optimise the microstructure of mechanical metamaterials utilising machine learning. An optimisation scheme with neural networks is developed and experimentally validated on auxetic materials, with their governing property being a negative Poisson’s ratio. This method consists of multiple steps, beginning with finding a representative volume element, followed by an investigation of the design space, creation of a database to train a neural network and finalised by an optimisation of the structure. Each step is validated by experiments and corrections to the model are applied if necessary. For the auxetics the aim is to find the structure with the maximal mass specific energy absorption capacity and negative as possible Poisson’s ratio. The final optimisation routine is then transferred to another metamaterial structure, the pentamodes. Here, an investigation and successful optimisation for maximised damping and stiffness solely based on simulations is launched. In addition, adaptive sampling is applied in order to reduce the required number of simulations.

Optimiertes Design, sei es für Bauteile oder Materialien, ist ein Thema, das in unserem Jahrhundert immer mehr an Bedeutung gewinnt. Es ist eng mit dem Gedanken des Leichtbaus und des Ressourcenmanagements verbunden. Ziel dieser Arbeit ist es daher, einen schnelleren Weg zur Optimierung der Mikrostruktur mechanischer Metamaterialien mit Hilfe von maschinellem Lernen zu finden. Es wird ein Optimierungsverfahren mit neuronalen Netzen entwickelt und experimentell an auxetischen Materialien validiert, deren maßgebliche Eigenschaft eine negative Poissonzahl ist. Diese Methode besteht aus mehreren Schritten, beginnend mit der Suche nach einem repräsentativen Volumenelement, gefolgt von einer Untersuchung des Designraums, der Erstellung einer Datenbank zum Trainieren eines neuronalen Netzes und abschließend einer Optimierung der Struktur. Jeder Schritt wird durch Experimente validiert und bei Bedarf werden Korrekturen am Modell vorgenommen. Für die auxetische Struktur ist das Ziel, die Struktur mit der maximalen massenspezifischen Energieabsorptionskapazität und einer möglichst negativen Poisson-Zahl zu finden. Die abschließende Optimierungsroutine wird auf eine weitere Metamaterialstruktur, die Pentamodstrukturen, übertragen. Hier wird eine Untersuchung und erfolgreiche Optimierung zur Maximierung von Dämpfung und Steifigkeit allein auf Basis von Simulationen gestartet. Zusützlich wird ein adaptives Sampling angewandt, um die Anzahl der erforderlichen Simulationen zu reduzieren.