科研动态 | 中山大学胡玲玲教授团队：混合神经网络预测182万种薄壁结构的冲击压溃响应，为优化的创新设计提供高效的工具

        薄壁结构具有优异的能量吸收能力，已被广泛用于冲击防护。其防护性能依赖于截面构型，因此设计各种截面构型以提高薄壁结构防护性能一直是冲击工程领域的研究焦点。传统的设计范式通常依靠经验试错或仿生猜测，导致设计域的探索局限于特定的结构形式。此外，薄壁结构在冲击荷载下发生大变形，涉及局部屈曲、塑性变形、接触碰撞等强非线性问题，对该压溃过程的仿真计算成本很高。因此，亟需一种快速且高通量获得结构动态压溃力学响应的新范式。

        针对上述问题，中山大学胡玲玲教授团队构建了一种混合神经网络模型，该模型能够对具有复杂构型的数百万种薄壁管的冲击压溃力-位移曲线进行精确预测。通过融合结构特征与耐撞指标之间的协同学习机制，为曲线预测施加物理约束，使得在保证预测精度的同时，大幅降低了压溃曲线预测的难度。该模型通过3886个样本训练后预测了设计域内182万个构型的力-位移曲线。庞大的结果数据库表明，在相同基材、质量和体积下，截面构型的改变可使薄壁结构展现出多样的力-位移响应特性，其平台力范围可达三倍之差。值得注意的是，在该大幅拓展的设计空间内，发现结构复杂度并非决定防护性能的核心要素：只要合理设计，简单与复杂构型均能实现优异吸能效果；并且最优吸能拓扑反而出人意料的简洁。该结论挑战了“结构越复杂，防护性能越好”的传统认知。相关成果以Using Hybrid Neural Network to Predict Crushing Response for Millions of Thin-Walled Tubular Structures with Complex Configurations为题，发表在国际权威期刊International Journal of Mechanical Sciences上。

        结构示意图如图1(a)所示，基于方形薄壁管的对称特征，仅对1/8截面进行拓扑编码设计，并用24位二进制编码描述24条候选连接线的有无。通过点相连-镜像-圆周阵列构成完整截面，进一步面外延拓成完整结构。基于该设计方案，由24位编码即可表征完整的薄壁吸能结构。整个设计域包含了182万个结构，图1(b)展示了设计域中最简单的结构和最复杂的结构。

        混合神经网络模型如图2所示，我们构建了一个由模型1和模型2组成的混合神经网络架构。通过模型1对物理指标EA（能量吸收）和IPF（初始峰值力）的粗略预测，模型2的学习目标从拟合任意数据点转变为重建受关键性能指标约束的物理合理响应。该策略有效地降低了高维曲线预测固有的复杂性和不确定性。该模型经过3886个样本进行训练后，平均相对误差仅为3.24%，并且Hamming Distance最大（表示与训练样本差异最大的非训练集样本）的样本同样能被高精度预测，展示了该模型强大的外推能力。

        图3展示了全面的预测结果。图3(a)显示了所有预测曲线的包络线以及若干具有代表性的力-位移曲线。上、下包络线分别用红色和蓝色虚线表示，每条边界由200个离散点构成。如图所示，包络范围内的平台力从约20 kN到60 kN不等。这表明，仅基于结构编码，所提出的混合神经网络模型即可预测不同构型下平台力相差3倍的力-位移曲线。这些曲线在波动模式和致密化趋势方面表现出明显差异。如图3(b)和(c)所示，EA值分布在600-1600 J之间，SEA（比吸能）值分布在12-32 kJ/kg之间。IPF在55 kN至75 kN之间变化，而CFE（载荷效率）则呈现出较宽的分布范围，从38%到90%不等。此外，图中的红色五角星表示基准方形结构的性能分布。橙色、绿色和黄色标记的样本分别代表性能极端区域的构型，对应高SEA、低SEA和高CFE的结构。结果表明，在相同质量和体积约束条件下，通过截面拓扑设计可有效调节结构的力学性能，实现大范围的性能调控。

        图4展示了三种典型构型的力-位移曲线，三种构型的预测与仿真曲线均表现出极佳的一致性，证实了混合神经网络模型的泛化能力。关键性能指标可通过曲线直接获得，在相同基材、质量和体积下，三种构型的平台力相差极大，分别为60 kN、43 kN和20 kN。值得注意的是，SEA-Max-5在保持最高平台力的同时表现出更长的平台阶段。而CFE-Max-5被压缩至24 mm位移后，进入致密化阶段，其力-位移曲线开始呈现上升趋势。上述结果初步证实了设计简单的SEA-Max-5比复杂度更大的CFE-Max-5具有更好的吸能特性，但设计不佳的简单结构SEA-Min-5性能也较差。

        图5展示了Rg（结构复杂度）和结构力学性能的关系，Rg值越大，表明结构越复杂。对182万种设计进行的系统性评估发现，优异的耐撞性能（如超高比吸能、高载荷效率）来源于合理化定制的几何构型，而非过度提升结构复杂度。该结论打破了“结构复杂度越高，防护性能越好”的传统认知。本研究证实，设计合理的简易构型即可实现最优吸能效果。这一方案在保障高性能的同时，可大幅降低设计与制造成本。

        综上所述，本研究提出一种混合神经网络模型，用于预测结构的力-位移响应。基于该模型预测了超182万个构型的力位移曲线，对该大型的数据库分析表明，超高的耐撞性源于高度定制的几何配置，而非过度的复杂性。这种难以捉摸的设计无法通过传统的试错法在数以百万计的候选结构中识别。本文提出的框架能够实现高通量预测，并为发现高性能冲击防护结构提供了强大的范例，可作为创新设计的可靠工具，在能量吸收应用中具有广阔的前景。

        该研究由中山大学航空航天学院胡玲玲教授团队完成。胡玲玲教授为论文通讯作者，博士生覃善甘为论文第一作者，合作者还包括香港科技大学余同希教授。该研究得到了国家自然科学基金项目和深圳市科技计划项目的资助。

原文链接：
https://doi.org/10.1016/j.ijmecsci.2026.111855

转载 | 力学人

初审 | 张怀钦  

审核 | 张锦绣 赵晓江  

审核发布 | 罗愈业