Anpassung der Spannungs-Dehnungs-Kurven von flexiblen snapenden mechanischen Metamaterialien für bedarfsgerechte mechanische Reaktionen durch datengestützte inverse Gestaltung

Durch die Einbeziehung weicher Materialien in die Architektur ermöglichen flexible mechanische Metamaterialien vielversprechende Anwendungen, z.B. Energie-Modulation und Formenänderung, mit einer gut kontrollierbaren mechanischen Reaktion, leiden jedoch unter räumlicher und zeitlicher Programmierbarkeit in Richtung einer höheren mechanischen Intelligenz. Eine praktikable Lösung besteht darin, schnappende Strukturen einzuführen und deren Reaktionen durch präzise Anpassung der Spannungs-Dehnungs-Kurven zu steuern. Aufgrund der stark gekoppelten Nonlinearität von strukturellen Verformungen und dem materialkonstitutiven Modell ist es jedoch schwierig, ihre Spannungs-Dehnungs-Kurven mit herkömmlichen Methoden abzuleiten. Hier wird eine Maschine-Learning-Pipeline mit den Daten der Finite-Elemente-Analyse trainiert, die diese stark gekoppelten Nichtlinearitäten berücksichtigt, um die Spannungs-Dehnungs-Kurven des schnappenden Metamaterials für bedarfsgerechte mechanische Reaktionen mit einer Genauigkeit von 97,41 % präzise anzupassen, was gut mit Experimenten übereinstimmt. Durch die Nutzung des etablierten Ansatzes kann die Energieabsorptions-effizienz des auf schnappenden Metamaterialien basierenden Geräts im zugänglichen Bereich angepasst werden, um unterschiedliche Rückprallhöhen eines fallenden Balls zu realisieren, und weiche Aktuatoren können räumlich und zeitlich programmiert werden, um synchronisierte und sequenzielle Betätigung mit einer einzigen Energiezufuhr zu erreichen. Die rein auf Strukturdesigns basierenden, präzise angepassten Metamaterialien erhöhen die Abstimmbarkeit/Programmierbarkeit der Geräte. Ein solcher Ansatz kann potenziell auf ähnliche nichtlineare Szenarien ausgeweitet werden, um vorhersagbare oder intelligente mechanische Reaktionen zu erzielen.