潜在扩散驱动的多轴非线性目标阻尼微结构逆向设计

研究问题

传统耗能构件往往从几何方案出发，再通过有限元分析反复校核。本文将设计顺序反转：以目标剪切、压缩和滞回响应作为条件，寻找能够实现这些多轴非线性性能的微结构。难点不仅在于生成新拓扑，还在于处理性能到几何之间天然存在的一对多映射。

方法链路

1. 大规模数据：从141,636个边界一致的微结构出发，通过有限元分析建立几何与多轴力学响应的对应关系。
2. 潜在表征：使用基于变分自编码器的 TopoFormer 将高维像素拓扑压缩到潜在空间，并通过聚类保留代表性设计分布。
3. 条件生成：以扩散 Transformer 学习目标性能到潜在拓扑的条件分布，使同一力学目标能够对应多个可行方案。
4. 工程校核：借助性能判别器、三维重建和有限元分析筛选结果，并进一步考虑加工制造与试验验证。

主要发现

模型生成的多组微结构能够较好跟踪目标曲线。有限元验证中，多数组别的曲线均方根误差约为1至3 kN，平均百分比绝对误差多低于5%；多数强度误差控制在正负15%以内，耗能误差通常低于10%。这些结果说明模型学习到的并非单纯图形相似性，而是几何形态与力学性能之间可验证的关联。

我的理解

这项研究的关键不是“生成得更多”，而是把性能条件、几何有效性、有限元计算和制造约束放进同一条链路。生成式人工智能进入结构工程后，可信度最终仍来自可复核的力学闭环。

论文与代码

• 论文
• 代码