Machine learning-optimized stochastic Voronoi lattices for enhanced mechanical performance
Notice bibliographique
Résumé
Lattice structures, traditionally composed of periodic networks of interconnected struts, offer an excellent balance of high strength and low density. However, their periodicity limits adaptability to complex and unpredictable loading conditions. Stochastic Voronoi lattices, characterized by their irregular, non-periodic geometry, provide a promising alternative with enhanced energy absorption and mechanical robustness. In this study, we present a machine learning (ML)-driven framework integrating finite element analysis (FEA), a multilayer perceptron (MLP) neural network, and three-dimensional (3D) printing to optimize Voronoi lattice structures for targeted mechanical properties. To systematically control structural disorder, we introduce Relaxation Iteration (RI), an ordering parameter inspired by Lloyd’s algorithm. Based on RI, we show that there is a range of RI ≈ 1500 − 2000 which gives enhanced mechanical performance for Voronoi lattices. The ML-FEA optimized Voronoi lattices demonstrate double the stiffness and four times the toughness compared to conventional periodic lattices. These findings underscore the potential of ML-driven design strategies in developing tailored architected materials for applications requiring high energy absorption and structural integrity, including aerospace, automotive crash protection, and biomedical implants.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».