Page 180 - 《爆炸与冲击》2026年第5期

第 46 卷 韩思豪，等： 机器学习驱动的折纸超材料夹芯结构低速冲击响应预测及多目标优化 第 5 期

residual connection-enhanced deep learning model is developed, enabling rapid and precise end-to-end prediction of the
complete low-velocity impact response, with computational efficiency substantially surpassing that of finite element
simulations. Based on the developed deep learning model, parametric analysis of the key angles revealed their effects on the
impact response and effective density, particularly the angle-induced load redistribution between panel tension-compression
deformation and crease bending deformation, enabling functional switching between load-bearing and cushioning modes and
providing a mechanistic basis for the active tunability of impact response and failure modes. Furthermore, by integrating
reinforcement learning and Pareto front analysis, the trained deep learning model served as a surrogate model to achieve
lightweight multi-objective optimization tailored for load-bearing and impact-mitigation protection requirements. At similar
effective densities, the metamaterial enables broad-range tuning of peak force, offering significant advantages for developing
customized protective structures for diverse scenarios. This research not only establishes a solid foundation for creating
customizable high-performance impact protection structures but also advances the field toward a new paradigm of intelligent,
on-demand design.
Keywords: origami metamaterial; sandwich; dynamic mechanical response; machine learning; multi-objective optimization

夹芯结构 [1-2] 因其轻质、高比强度和比刚度、优异的缓冲吸能性能及高设计灵活性，在冲击防护领域 [3]
发挥着关键作用。作为由面板和芯层组成的复合结构，夹芯结构力学性能的核心在于芯层设计。传统
[6]
芯层已得到广泛应用，例如泡沫铝 [4-5] 以高能量吸收能力著称，剪切增稠液 则展现出独特的应变率敏感
特性，能在冲击下显著增强刚度。而超材料 [7-8] 作为人工构筑的新兴复合建构化材料，通过精心的微结构
设计，其可调控的超凡力学性能成为强化夹芯结构芯材性能的理想选择之一。近年来，凭借其能够保证
轻量化的同时实现超高强度、可调刚度、负泊松比等特性，超材料在能量吸收和冲击缓解等方面取得了
显著进展，进而引起了冲击动力学领域的广泛关注。例如，Chen 等 [9] 研究了手性梯度夹芯结构的抗爆性
能，发现负梯度手性结构能产生更强的负泊松比效应，进而提升抗爆能力。Jiang 等 [10] 探究了负泊松比
夹芯结构在水下冲击载荷下的变形机制和能量吸收能力，结果表明，负泊松比效应增强了结构稳定性和
能量吸收，并丰富了结构的变形模式。
随着结构抗冲击领域的发展，具有灵活的设计空间和丰富的性能可调性的折纸超材料 [11-12] 表现出
重要的潜力。其设计灵感源于传统折纸艺术，通过对折痕的精准设计，可控制结构的变形模式和应力传
播路径，从而在冲击载荷下实现优异的能量吸收和冲击缓解效果。He 等 [13-14] 利用弯曲折痕设计构建了
具有可调泊松比和刚度的折纸超材料，并进一步研究了折纸超材料夹芯复合结构在多种工况下的抗爆
能力，为折纸结构在爆炸与冲击防护结构工程中的应用提供了重要参考。何远鹏等 [15] 研究了梯形折纸
夹芯结构的冲击防护性能，阐明了不同冲击工况和边界条件下梯形折纸夹芯结构的吸能特性及损伤失
效模式。Zhang 等 [16] 研究了铝折纸夹芯结构的弹道冲击性能，发现三浦折纸芯层等效密度决定了其弹道
冲击性能。Qi 等 [17] 受折纸启发，设计出一种折纸蜂窝夹芯板，发现其低速冲击响应在能量吸收方面优
于传统蜂窝。综上所述，将折纸超材料应用于夹芯结构芯层，能够在保证轻量化的同时，有效增强夹芯
结构的能量吸收和抗变形能力，为协同实现多抗冲击目标提供了有效的解决方案。然而，针对强动载荷
下的高度非线性冲击响应，仅凭经验性的折纸结构设计和参数调控往往限制了超材料可达到性能的上
限。因此，亟需开发高效的预测和优化方法，释放折纸超材料的防护潜力。
传统研究范式在研究折纸超材料等复杂结构时，常面临多方面的困难，包括复杂的理论推演、耗时
的有限元仿真和昂贵的实验成本等。近年来，机器学习 [18-19] 的快速发展为应对这些挑战带来了高效的
解决方案。深度学习凭借神经网络强大的特征提取能力，可建立从结构参数到冲击响应的端到端非线
性映射，从而高效捕捉超材料的冲击行为。其核心优势在于，基于有限样本数据集，深度学习模型能够
直接利用实验或仿真数据进行冲击响应的快速预测。Xiao 等 [20] 利用深度学习模型实现了晶格超材料完
整应力-应变曲线的准确预测，将原本约 10 min 的有限元计算时间缩短到 0.02 ms。Shen 等 [21] 开发了一
种预测蜂窝超材料动态力学响应的机器学习模型，以预测不同动态载荷下的变形和应力-应变曲线，计算

051441-2