Page 198 - 《爆炸与冲击》2026年第5期

第 46 卷 肖李军，等： 数据驱动点阵超材料多目标优化设计 第 5 期

compression tests on these three lattice structures were conducted using a universal testing machine to verify the reliability of
the dataset. Subsequently, an artificial neural network (ANN) was trained to rapidly predict the mechanical properties of the
truss lattice metamaterials. Focusing on the load-bearing capacity, energy absorption capability, and the concurrent
optimization of both, a non-dominated sorting genetic algorithm Ⅱ (NSGA-Ⅱ) was employed. The well-trained ANN served
as a surrogate model embedded within NSGA-Ⅱ. Lattice configurations that exhibited high load-bearing capacity and superior
energy absorption characteristics were generated by the optimization process. These configurations also achieved a balance
between load-bearing and energy-absorption performance, facilitating the optimization design of truss lattice metamaterials.
Additionally, simulation validations confirmed the reliability of the optimization outcomes, demonstrating the effectiveness of
integrating ANN with evolutionary algorithms for the advanced design of metamaterials. By integrating machine learning with
numerical simulations, the computational cost of optimization design was effectively reduced, offering support for the rapid
performance optimization and customized design of complex lattice metamaterials.
Keywords: lattice metamaterial; machine learning; genetic algorithm; multi-objective optimization; additive manufacturing

点阵超材料是由基本晶胞单元周期性排列构成的多孔结构，其力学性能主要取决于晶胞构型。这
类材料通常具备超轻质、高强度、高刚度及高能量吸收率等优异特性 [1-5] ，被广泛应用于航空航天、兵器
工业和交通运输等领域。依据结构特征，点阵超材料可分为二维 [6-8] 和三维结构 [9-11] 。其中，三维桁架式
点阵超材料为开孔结构，具有制备工艺简便、设计自由度大等优势 [12] ，在极低相对密度下展现出优异的
承载吸能性能 [13-14] ，成为轻质防护材料结构设计领域的研究热点。
目前，研究人员主要通过实验测试、理论解析和数值模拟相结合的方法开展点阵超材料力学性能与
结构设计方面的研究。Tancogne-Dejean 等 [15] 通过实验和数值模拟，分析了八面体点阵超材料的单轴静
动态压缩性能，发现其比吸能是相对密度的单调递增函数，且优于传统蜂窝材料；Epasto 等 [16] 研究了低
速冲击下菱形十二面体点阵超材料的动力学行为，发现其力学性能随胞元尺寸的增大而降低；Wang 等 [17]
设计了多种胞元复合的点阵超材料，结合理论分析，阐明了不同几何参数对复合点阵超材料力学性能的
影响机制，并通过实验和数值模拟验证了理论分析的准确性。然而，实验的经济与时间成本高、传统有
限元分析效率低、周期性假设受限等问题，制约了大规模复杂点阵结构的设计优化 [18-20] 。
随着计算机硬件的进步以及机器学习算法的快速发展，数据驱动方法为研究点阵超材料细观结构
与其力学响应之间的复杂关系提供了新的选择 [21-22] 。Peloquin 等 [23] 提出了一个机器学习框架，基于基体
材料力学参数与结构的孔隙率，成功预测了 3D 打印 gyroid 点阵超材料的轴向拉伸性能；Glaesener 等 [24]
构建了一种机器学习模型，仅根据桁架点阵超材料的力学响应，就可以预测制备过程中的几何缺陷情
况，从而为设计制备具有更优异力学性能的桁架点阵超材料提供了依据；Yu 等 [25] 将双相异构点阵超材
料表示为 4×4 的矩阵，通过构建人工神经网络（artificial neural network，ANN）模型，实现了对点阵超材料
空间特征的读取、力学响应的预测以及定制化逆向设计。尽管目前关于数据驱动点阵超材料的优化设
计已有不少研究，但很多基于机器学习设计点阵超材料的方法都缺少优化目标作为导向，一般点阵超材
料的样本空间是巨大的，人为设计的目标变量数值无法实现最优设计，且人为设计的目标变量数值不一
定合理。
基于此，本文利用大规模数值模拟构建不同细观结构点阵超材料的力学响应数据集，并通过实验验
证数据集的可靠性。在此基础上，构建 ANN 模型，并将其作为多目标遗传优化算法的代理函数，开展不
同目标性能的点阵超材料优化设计。

1 数据集构建与实验验证

1.1 点阵超材料的建模与制备
桁架点阵超材料由杆单元以及相邻的节点连接而成。为实现对不同构型点阵超材料的批量化建模
与数值模拟，采用八节点立方体作为晶胞的 1/8 单元，该八节点立方体是超材料微观结构的代表性体积

051442-2