Page 37 - 《爆炸与冲击》2026年第10期

第 46 卷 徐 蓉，等： 基于数据驱动混杂点阵结构的惯性效应和结构效应竞争机制分析 第 10 期

predictions was validated through multi-dimensional evaluation metrics based on the predicted stress points along the
2
stress–strain curves. The coefficient of determination (R ) of the predicted results reached 0.971 and 0.990 under dynamic and
quasi-static compression, respectively. Specific energy absorption (SEA) was adopted as an indicator for evaluating energy
absorption capacity based on the accurately predicted stress-strain curves. The structural effects on the energy absorption
behavior of the hybrid lattice were analyzed under quasi-static planar compression. By increasing the compression speed to
100 m/s to simulate high strain rate conditions, the role of inertial effects on the dynamic mechanical response was investigated
through comparative analysis. Furthermore, the competition and synergy between inertial effects and structural effects were
systematically analyzed by categorizing the hybrid lattices according to the degree of unit cell mixing. The results indicate that
inertial effects become dominant under high strain rate loading, while structural effects govern the response under quasi-static
conditions. By using machine learning to efficiently expand the data scale of finite element simulations, the internal
relationships among inertial effects, unit cell proportion, and spatial arrangement under high strain rate conditions were
revealed. The findings provide valuable insights for the application of hybrid lattice structures in impact protection and related
engineering fields.
Keywords: hybrid lattice structures; machine learning; energy absorption; inertial effect; dynamic mechanical behavior

轻质高强度点阵结构在航空航天、车辆防护和生物医疗等领域展现出巨大的应用潜力。现有的点
阵结构主要分为 4 类：蜂窝结构、泡沫、基于桁架和基于板/壳的点阵结构 [1-2] 。先前大量工作集中于三维
均质点阵结构，如经典的体心立方（body-centered cube, BCC）、面心立方（face-centered cube, FCC）和进一
步强化微结构的胞元 [3-4] ，将相同胞元阵列应用到传统均质点阵结构，其力学响应相对单一，难以在不同
[5]
加载条件下同时满足多种性能需求 。近年来增材制造技术的成熟加速了利用金属、高分子等材料制备
的复杂点阵结构的研究进程 [6-9] 。混杂点阵结构融合了具有不同力学性能的胞元，旨在实现性能的协同
与互补，为实现点阵结构性能的可定制化提供了新的设计思路。例如，Andrew 等 [4] 设计的由 BCC 和
FCC 构成的新胞元结构表现出较好的材料韧性；Zhang 等 [10] 提出了体积分数梯度递减变化的点阵结构，
其能量吸收能力比均质点阵结构提高了约 60%。混杂点阵结构的混杂方式呈现多样性，可采用不同种
类的胞元进行组合，如桁架-桁架、板-桁架、板-板 [11-12] 等，也可采用不同密度的相似胞元进行组合，如梯
度分布、仿生学结构分布 [13-15] 等。
通过调控混杂点阵微结构，可在显著拓宽设计空间的同时，提高能量吸收能力，实现结构轻量化和
能量吸收性能的同步优化 [16] 。例如 Li 等 [17] 设计的 5 种分层或空间交错排列的双胞元混杂点阵结构，均
有效提高了结构的抗倒塌强度，并提出适当的胞元排列可以促进协调变形。但是面对胞元类型和混杂
方式的多样性所带来的巨大设计空间与非线性变化的力学响应，计算成本呈指数级增长。即使借助能
够精细模拟结构从弹性变形到塑性压溃全过程的 Abaqus、LS-DYNA 等商业软件 [18-19] ，也难以遍历设计
空间并准确分析胞元混杂排列方式与力学响应之间的映射关系，严重限制了大规模构型优化的可行
性。机器学习技术，如卷积神经网络 [20] 和线性回归 [21] 正加速渗透至材料科学与工程领域，其影响远不
止于提升预测效率，更标志着材料研发方式从传统的试错方法向目标驱动方法的根本转变 [22-24] ，并在材
料性能预测和改进领域显示出独特优势 [25-26] 。Isanaka 等 [27] 通过机器学习和有限元方法预测了点阵结构
中的失效区域，并对识别出的区域进行局部加固，使能量吸收提高了 32.1%；Yüksel 等 [28] 利用生成对抗网
络模型设计了一种点阵结构，其强度提高了 108%。这些研究展示了人工智能在扩展点阵结构设计空间
和优化力学性能 [11-12] 方面的潜力。
目前，大多数混杂点阵结构的研究集中于单一载荷条件下的性能分析，尤其是准静态加载条件。然
而，实际工程防护场景往往涉及复杂的动态冲击环境而非单一的准静态载荷 [29] 。在动态载荷作用下，由
于惯性效应的显著影响以及微结构间复杂的弹塑性相互作用，混杂点阵结构的变形模式表现出与准静
态条件下截然不同的特征 [30-31] 。因此，理解在动态载荷条件下惯性效应如何与微结构设计相互耦合并共
同影响混杂点阵结构的能量吸收机制，已成为推动其在抗冲击领域实际应用的关键科学问题。

101501-2