Экспериментальный механик для открытия пластинчатых решетчатых метаматериалов

Почему важны более интеллектуальные материалы

От беговых кроссовок до самолетов инженеры постоянно ищут материалы, которые одновременно прочны и легки. Новый класс «решетчатых» материалов, собранных из повторяющихся 3D‑узоров, может превосходить сплошной металл или пластик, но настройка их сложной геометрии обычно сводилась к медленным попыткам и ошибкам. В этой статье представлен автоматизированный лабораторный комплекс, который ведет себя как неутомимый инженер: он сам проектирует, 3D‑печатает, тестирует и учится на сотнях крошечных решеток, чтобы находить структуры, способные нести большие нагрузки, оставаясь при этом чрезвычайно легкими.

Робот, который проводит собственные эксперименты

Ядром работы является система, которую авторы называют экспериментальным механиком, или ExMech. Она занимает выделенное лабораторное пространство и объединяет девять рабочих станций: несколько 3D‑принтеров, станции очистки и сушки, весовые и испытательные машины, а также роботизированную руку, перевозящую образцы между ними. Все координируется программным обеспечением на Python. В каждом цикле система автоматически проектирует цифровые модели образцов решеток, печатает их из фоточувствительной смолы, очищает и сушит, взвешивает, чтобы оценить пористость, а затем сжимает и сдвигает их в специализированных установках, измеряя, какую силу они выдерживают до разрушения.

Цикл обучения вместо слепых проб

То, что делает ExMech больше, чем производственной линией, — это способ принятия решения о том, что тестировать дальше. После каждой партии измерений модель машинного обучения, называемая гауссовой процессной регрессией, обновляется и предсказывает, как выбор дизайна повлияет сразу на три цели: прочность при сжатии, прочность при сдвиге и легкость. Процедура «активного обучения» затем просматривает тысячи возможных сочетаний толщины пластины, размера отверстия и диаметра распорной стойки и выбирает те, которые с наибольшей вероятностью улучшат баланс между этими целями. Такой подход фокусирует эксперименты вблизи лучших компромиссов, а не распределяет усилия по неудачным вариантам.

Поиск лучших компромиссов

Команда применяет ExMech к семейству так называемых гибридных решеток «пластина‑ферма», которые комбинируют сплошные пластины со стройными стержнями. Такие гибриды теоретически могут превосходить традиционные решетки только из стержней по прочности при той же массе, но пространство проектирования огромно. Вместо более чем 55 000 механических тестов, которые потребовал бы плотный перебор, ExMech находит лучшие решения на «фронте Парето» всего за 150 испытаний — примерно в 370 раз меньше работы. На этом фронте нельзя улучшить любую из трех целей, не пожертвовав по крайней мере одной из остальных. Внутри этого набора некоторые конструкции повышают и прочность при сжатии, и при сдвиге примерно на 15% по сравнению с исходными образцами без увеличения массы; другие более чем удваивают обе прочности при увеличении массы всего примерно на 13%.

Заглядывая внутрь — как работают решетки

Поскольку система записывает каждую переменную и результат, исследователи могут разбирать, почему определенные решетки ведут себя хорошо. Они используют метод SHAP, широко применяемый в объяснимом ИИ, чтобы оценить, насколько сильно каждая геометрическая переменная влияет на каждое свойство. Анализ показывает, что толщина пластины и диаметр стержня в целом повышают прочность, тогда как большие отверстия снижают прочность, но делают материал легче. Однако зависимости сильно нелинейны: схожие размеры отверстий могут давать очень разные эффекты в зависимости от толщины пластины и размеров стержней. Механические испытания и видеонаблюдение показывают, что решетки с низкой плотностью склонны разрушаться мягким изгибом и постепенным коллапсом, тогда как более плотные разрушаются резче — хрупким разрушением. Команда выявляет ключевую «синергию стержня и пластины»: стержни подпирают пластины против бокового растяжения, а пластины вовлекают больше стержней в несение нагрузки, поэтому производительность резко падает, если любой элемент становится слишком слабым.

От лабораторных образцов к реальным стелькам

Чтобы показать практический эффект, авторы используют две из найденных решеток для создания 3D‑печатных средних стелек с большей пористостью, чем у типичных коммерческих пен, делая их очень легкими. Один дизайн стельки ориентирован на сопротивление сдвигу, другой — на сопротивление сжатию. При испытаниях под комбинированной вертикальной и боковой нагрузкой под наклоном два дизайна разрушаются по‑разному — один через более симметричный изгиб, другой через скольжение вдоль диагональных полос — иллюстрируя, как поверхность компромиссов может направлять дизайнеров в выборе структур, адаптированных под конкретные схемы нагружения.

Что это означает для будущего

Проще говоря, исследование демонстрирует, что роботизированная, управляемая ИИ лаборатория способна быстро открывать новые легкие, но прочные блоки для будущих продуктов. Автоматически исследуя, как крошечные изменения в геометрии меняют прочность и массу, ExMech обнаруживает тонкие эффекты армирования в пластинчато‑ферменных решетках и превращает огромный дизайн‑пространство в управляемую карту. Та же самооптимизирующаяся методика может ускорить разработку многих других «метаматериалов», помогая инженерам проектировать более безопасные, легкие и эффективные конструкции — от обуви до авиакосмических компонентов.

Цитирование: Hu, S., Li, H., Lu, W. et al. Experimental mechanician for plate lattice metamaterial discovery. Nat Commun 17, 3933 (2026). https://doi.org/10.1038/s41467-026-70675-x

Ключевые слова: механические метаматериалы, решетчатые структуры, самообучающиеся лаборатории, многокритериальная оптимизация, 3D-печатные стельки