論文針對纖維增強熱塑性復合材料在多軸增材制造中的“設計—制造脫節”問題，提出了一套將結構拓撲、曲面切片以及纖維路徑三者協同優化的神經網絡框架，并通過5/3/2.5 軸打印與力學實驗驗證，在失效載荷上相較兩階段方法提升33.1%。

論文標題為“Neural Co-Optimization of Structural Topology, Manufacturable Layers, and Path Orientations for Fiber-Reinforced Composites”。

1研究目標

提出了一種基于神經網絡的計算框架，用于同時優化纖維增強復合材料的結構拓撲、可制造層和路徑方向。目標是實現強各向異性強度，同時確保多軸3D打印的可制造性。

2核心方法

使用三個隱式神經場表示幾何形狀、層序列和纖維方向。將設計目標（如各向異性強度、結構體積）和制造約束（如機器運動控制、層曲率、層厚度）直接整合到一個可微分的優化過程中。通過將這些目標作為損失函數，確保生成的復合材料具有優化的機械強度和可制造性。

3創新點

同時優化結構拓撲、層序列和路徑方向，避免了傳統兩階段方法的局限性。支持不同自由度的3D打印硬件（5軸、3軸、2.5軸），并能根據不同的機器運動自由度生成最優結構。引入Hoffman準則評估復合材料的機械強度，確保材料在給定應力下不發生失效。

4實驗結果

實驗表明，相比順序優化方法，所提出的方法能使復合材料的破壞載荷提升高達33.1%。驗證了優化后的模型在不同自由度下的制造可行性，并展示了顯著減少的屈服區域。

 

5技術貢獻

提出了基于神經網絡的逆向設計框架，能夠同時優化拓撲結構和制造過程。將復雜的制造約束（如運動自由度、碰撞避免、層厚度控制）直接融入優化過程。解決了現有拓撲優化方法中對纖維增強復合材料制造約束考慮不足的問題。

 

6應用領域

主要應用于纖維增強復合材料的設計與制造，特別是在需要輕量化和高性能機械性能的工程領域。可為多軸3D打印技術提供更精確的工具路徑規劃和層設計。

7總結

這篇論文通過神經網絡框架實現了纖維增強復合材料的聯合優化，解決了傳統方法中設計與制造分離的問題，顯著提升了材料的機械性能和制造效率。