ترجمه فارسی مقاله یادگیری تقویتی عمیق برای طراحی مکانیسم‌های فراماده با کنترل انطباق عملکردی

چکیده

Metamaterial mechanisms are micro-architectured compliant structures that operate through the elastic deformation of specially designed flexible members. This study develops an efficient design methodology for compliant mechanisms using deep reinforcement learning (RL). For this purpose, design domains are digitized into finite cells with various hinge connections, and finite element analyses (FEAs) are conducted to evaluate the deformation behaviors of the compliance mechanism with different cell combinations. The FEA data are learned through the RL method to obtain optimal compliant mechanisms for desired functional requirements. The RL algorithm is applied to the design of a compliant door-latch mechanism, exploring the effect of human guidance and tiling direction. The optimal result is achieved with minimal human guidance and inward tiling, resulting in a threefold increase in the predefined reward compared to human-designed mechanisms. The proposed approach is extended to the design of a soft gripper mechanism, where the effect of hinge connections is additionally considered. The optimal design under hinge penalization reveals remarkably enhanced compliance, and its performance is validated by experimental tests using an additively manufactured gripper. These findings demonstrate that RL-optimized designs outperform those developed with human insight, providing an efficient design methodology for cell-based compliant mechanisms in practical applications.

چکیده به فارسی (ترجمه ماشینی)

مکانیسم های متاماد سازه سازه سازگار با میکرو با معماری هستند که از طریق تغییر شکل الاستیک اعضای انعطاف پذیر خاص طراحی شده عمل می کنند.این مطالعه یک روش طراحی کارآمد برای مکانیسم های سازگار با استفاده از یادگیری تقویت عمیق (RL) ایجاد می کند.برای این منظور ، حوزه های طراحی با اتصالات مختلف لولا به سلولهای محدود دیجیتالی می شوند و تجزیه و تحلیل عناصر محدود (FEA) برای ارزیابی رفتارهای تغییر شکل مکانیسم انطباق با ترکیب های مختلف سلول انجام می شود.داده های FEA از طریق روش RL برای به دست آوردن مکانیسم های سازگار بهینه برای نیازهای عملکردی مورد نظر آموخته می شوند.الگوریتم RL برای طراحی یک مکانیسم قفل درب سازگار ، به بررسی تأثیر راهنمایی انسان و جهت کاشی کاری استفاده می شود.نتیجه بهینه با حداقل راهنمایی انسان و کاشی کاری داخلی حاصل می شود و در نتیجه باعث افزایش سه برابر پاداش از پیش تعریف شده در مقایسه با مکانیسم های طراحی شده انسان می شود.رویکرد پیشنهادی به طراحی یک مکانیسم گریپر نرم گسترش یافته است ، جایی که علاوه بر این اثر اتصالات لولا نیز در نظر گرفته می شود.طراحی بهینه تحت مجازات لولایی ، انطباق بسیار چشمگیر را نشان می دهد ، و عملکرد آن با استفاده از تست های آزمایشی با استفاده از یک گیربکس تولیدی معتبر تأیید می شود.این یافته ها نشان می دهد که طرح های بهینه شده RL از آنچه که با بینش انسانی توسعه یافته است ، بهتر است ، یک روش طراحی کارآمد برای مکانیسم های سازگار با سلول در کاربردهای عملی ارائه می دهد.