Inverse design of lattice structures via graph neural networks

Strut-based lattice structures with non-uniform topology show a vast design space, and exploring it is very challenging, so we developed a deep learning-based approach to take on these challenges. Lattice materials with non-uniform topology show a much higher degree of tailorability considering linear and non-linear mechanical behavior. Lattice materials are characterized by lightweight and high strength-to-weight ratio. They are explored regarding their architected material benefits, design methodologies, manufacturing processes, and broad applications ranging from mechanical components to biomedical uses. Central to this work is applying graph neural networks (GNNs), an advancement from previous neural network models, to capture complex relationships within graph-structured data typical of lattice geometries. This allows for significant improvement in modeling the mechanical properties of these materials. GNNs are trained and tuned to predict various performance outcomes, such as effective stiffness and Poisson's ratio, with validation processes carried out through finite element method simulations. Genetic algorithms (GAs) are integrated with GNNs to exploit the inverse design process. This study underscores how GNNs and GAs can navigate the vast design space of materials, offering a methodology to tune the mechanical properties of strut-based lattice materials undergoing a non-linear phenomenon. The innovation extends to implementing machine learning techniques to predict lattice materials' mechanical properties, facilitating new designs, and addressing the challenges of exploring the design space, particularly with aperiodic lattices. The findings from this study ensure that developed materials exhibit optimized structural integrity and desired mechanical responses.

Le strutture reticolari formate con topologia aperiodica presentano un vasto spazio di progettazione, la cui esplorazione è molto impegnativa, per cui abbiamo sviluppato un approccio basato su reti neurali per affrontare questo problema. Le strutture reticolari, caratterizzate da un elevato rapporto resistenza/peso, sono introdotte rispetto alle loro metodologie di progettazione, processi di produzione e ampie applicazioni che vanno dai componenti meccanici agli usi biomedici. Centrale è l'applicazione delle reti neurali a grafo (GNN), che presentano alcuni aspetti che permettono di essere, fino a questo momento,la migliore tipologia di rete neurale per l'applicazione e la regressione su dati che hanno una struttura a grafo, come le strutture reticolari. Questo perchè sono capaci di capire le relazioni complesse all'interno delle geometrie reticolari. Ciò consente di migliorare notevolmente la modellazione delle proprietà meccaniche di questi materiali. Sulle reti neurali è stato effettuato un training per prevedere alcune proprietà, come la rigidezza effettiva e il coefficiente di Poisson, delle strutture reticolari considerate. I risultati sono stati poi validati tramite simulazioni con il metodo degli elementi finiti. Gli algoritmi genetici (GA) vengono integrati con le GNN per sfruttare il processo di progettazione inversa, per ottenere la regolazione di alcune proprietà meccaniche, in particolare la rigidezza effettiva della struttura e il coefficient di Poisson. Questo studio mette in risalto come le GNN e i GA possano permettere di esplorare il vasto spazio di progettazione dei materiali, offrendo una metodologia per automatizzare il processo di progettazione soggetto ai vincoli strutturali e agli obiettivi prestazionali desiderati, in particolare concentrandosi sui reticoli aperiodici.