基于机器学习的 TPMS 架构材料力学：由单元几何特征驱动

从内在结构塑造物质

从轻质飞机翼到管理热量的电子设备，工程师越来越依赖“架构材料”，其性能来源不是特殊化学成分，而是复杂的内部几何形状。本文探讨了一种新的机器学习框架，如何直接从计算机设计中读取这些内部形状并预测材料的刚度、强度和热导性——无需昂贵的反复仿真。对于非专业读者，它展示了未来材料可能仅通过调节几个简单的形状旋钮，在笔记本上完成设计的景象。

为什么内部几何很重要

架构材料，常称为超材料，由固体内部重复的三维图案构成，有点像显微尺度的支架。这里关注的是一类光滑、波状的结构，称为三重周期极小曲面（TPMS）。这些形状部分受昆虫外壳和生物膜等自然形态的启发，以零平均曲率在空间中分布材料，有助于避免应力热点并支持高效的热传导。通过简单改变内部图案——而不改变基体金属——工程师可以调节出截然不同的刚度、强度和能量吸收特性，使 TPMS 在机械部件、冲击防护和冷却装置中具有吸引力。

用简单数值描述复杂形状

尽管 TPMS 图案看起来极其复杂，作者表明其关键力学行为可以由一组紧凑的几何测量量化。他们构建了包含九种知名 TPMS 单元的数据库，每种在若干密度下进行模拟，并计算任何设计者都能从计算机辅助设计（CAD）模型中提取的特征。这些特征包括单元立方体中被材料填充的比例（体积分数）、图案提供的内部表面积、与相同体积球体相比表面的“紧凑性”、以及通过转动惯量描述的质量分布。作者还引入了形状距离度量：通过将 TPMS 表面与参考球体比较，他们捕捉到几何在空间中的不规则性或异质性。

将形状与刚度、强度和热流联系起来

通过详细的有限元仿真，研究团队评估了每种设计的有效杨氏模量（拉伸响应）、剪切模量（抗滑移能力）、屈服强度（开始产生永久变形的点）和热导率。不同的 TPMS 图案在这张性能景观中占据不同区域。例如，某些拓扑在简单拉伸下相对柔软但在剪切下表现优异；另一些则将高刚度与良好的热传导结合。将这些性能叠加到紧凑性和表面积特征上，作者揭示出具有大内部表面和特定质量分布的图案可以根据设计需求调节以偏好剪切阻力、单轴刚度或改进的热路径。

教机器读懂几何

为了将这些观察转化为实用的预测工具，作者用几何特征作为输入、四个有效性能作为输出，训练了集成机器学习模型——随机森林和 XGBoost 回归器。随后他们应用可解释性工具，将每次预测分解为各个特征的贡献。起初，总材料量（体积分数）不出意外地主导了响应。但当将体积分数及其密切相关的转动惯量从模型中移除时，第二层明确的控制因素显现出来：紧凑性、内部表面积和形状距离度量的方差上升为主要因素。这些量共同编码了内部结构的分布广度、精细程度以及空间不规则性，并选择性地调节刚度、剪切行为、塑性起始和热传导。

用于设计未来材料的三个旋钮

也许最引人注目的发现是，仅三个描述符——紧凑性、归一化的内部表面积和到参考球体距离的方差——就足以在约五个百分点的精度范围内预测这些 TPMS 材料的力学和热学行为。即便在数据稀疏或模型需要外推到未见设计的情况下，对于大多数性能，预测表现仍然较高。对设计者而言，这意味着无需与庞大的基于图像的模型或不透明的神经网络斗智斗力，只在 CAD 工具中调节三个几何“旋钮”就能引导寻找新的多功能结构。通俗地说，这项工作表明，雕刻式内部几何的丰富多样性可以被翻译为少数有意义的度量，打开了一条可扩展且可解释的路径，用于设计下一代轻质、坚固且热效率高的材料。

引用: Rodopoulos, D.C., Mermigkis, G., Hadjidoukas, P. et al. Machine learning-based mechanics of TPMS architected materials driven by unit-cell geometric features. npj Metamaterials 2, 16 (2026). https://doi.org/10.1038/s44455-026-00026-9

关键词: 架构材料, 超材料, 三重周期极小曲面, 机器学习, 材料设计