Исследователи представили новый метод на основе энергетических принципов и физико-информированного машинного обучения для поиска формы и прогнозирования свойств тенсегрити-структур. Подход решает проблему нелинейности, возникающую при расчете равновесных конфигураций и распределения внутренних сил, позволяя эффективно моделировать сложные кластерные системы, где геометрия и физические нагрузки тесно связаны между собой.
Традиционные методы поиска формы в строительной механике часто сталкиваются с вычислительными трудностями из-за необходимости соблюдения строгих геометрических ограничений и обеспечения стабильности конструкции. Новый алгоритм использует физико-информированные нейронные сети (PINN), которые интегрируют законы механики непосредственно в процесс обучения модели. Это позволяет не только находить устойчивые состояния системы, но и предсказывать поведение структуры при изменении внешних параметров без проведения ресурсоемких итеративных симуляций.
Применение данного метода открывает возможности для автоматизированного проектирования адаптивных архитектурных форм, робототехнических узлов и легких инженерных конструкций. Использование энергетического подхода минимизирует риск потери устойчивости, что является критическим фактором при работе с тенсегрити, где целостность объекта зависит от баланса сил натяжения и сжатия в каждом элементе.
Ключевые факты
- Метод основан на энергетической формулировке, которая упрощает решение обратных задач в структурной механике.
- Алгоритм успешно справляется с сильной нелинейностью, возникающей из-за связи между геометрией и внутренними силами.
- Подход позволяет автоматически определять равновесные конфигурации для кластерных тенсегрити-структур.
- Модель обеспечивает соблюдение физических ограничений, гарантируя стабильность и целостность проектируемых объектов.