社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

[超表面论文快讯-1229]香港中文大学金刘超、廖维新团队在Adv. Sci.提出机器学习逆向设计压电能量采集器

超表面学习之路 • 15 小时前 • 30 次点击  

-[超表面最新研究-第1229期]-

香港中文大学金刘超、廖维新团队在Adv. Sci.提出机器学习逆向设计压电能量采集器

点击蓝字 关注我们


栏目介绍

「“论文快讯”栏目旨在精简地分享一周内发表在高水平期刊上的Metasurface领域研究成果,帮助读者及时了解领域前沿动态,如果对专栏的写法或内容有什么建议欢迎留言,后续会陆续开启其他专栏,敬请期待。」




​

一

论文基本信息


标题:

Machine-Learning-Driven Inverse Design of NURBS-Parameterized Auxetic Piezoelectric Energy Harvesters for Self-Powered Wireless Sensing

作者:

Shitong Fang(深圳大学极端环境绿色长寿道路工程全国重点实验室);

Hongao Xue(深圳大学极端环境绿色长寿道路工程全国重点实验室);

Keyu Chen(香港中文大学机械与自动化工程学系);

Haobin Lin(深圳大学极端环境绿色长寿道路工程全国重点实验室);

Miao Chen(西安电子科技大学广州研究院机电工程学院);

Liangdong Wei(西安电子科技大学广州研究院机电工程学院);

Qingyang Xu(上海大学机电工程与自动化学院);

Qiang Gao(东南大学机械工程学院);

Zhihui Lai(深圳大学极端环境绿色长寿道路工程全国重点实验室);

Mingjing Cai(西安电子科技大学广州研究院机电工程学院);

Xiaoting Yuan(北京大学先进制造与机器人学院);

Shuxiang Dong(北京大学材料科学与工程学院);

通讯作者:Liuchao Jin(金刘超,香港中文大学机械与自动化工程学系);

通讯作者:Wei-Hsin Liao(廖维新,香港中文大学机械与自动化工程学系);

发表时间:

2026年11月18日在线发表(其中2026年7月22日投稿,2026年9月23日返修,2026年10月28日接收)

发表期刊: Advanced Science(JCR-Q1,IF=14.1)



二

论文重要图文


摘要:

低频振动压电能量采集器需要较大应变提高输出,却容易产生局域应力集中并损伤器件,输出功率与可靠性难以兼顾。香港中文大学金刘超、廖维新团队联合深圳大学等单位在Advanced Science提出机器学习辅助的NURBS参数化负泊松比压电能量采集器逆向设计框架。团队用非均匀有理B样条控制点连续描述曲边内凹晶格,以拉丁超立方采样建立有限元数据集,训练神经网络代理模型预测最大平均输出功率和峰值von Mises应力,再与NSGA-II结合搜索功率-应力Pareto前沿。优化结构通过双轴应力/应变放大提高压电层有效变形,同时把局域应力重新分配。在0.5 g共振激励下,器件最大平均输出功率达到7.56 mW,归一化功率密度为2.84×10⁻³ mW/(mm³·g²·Hz)。系统进一步驱动自供能LoRa温度传感节点,实现150 m无线传输。该工作把连续几何参数化、代理模型和多目标优化闭环结合,为兼顾高功率与低应力的能量采集器和自治物联网节点提供了逆向设计路线。该成果以Machine-Learning-Driven Inverse Design of NURBS-Parameterized Auxetic Piezoelectric Energy Harvesters for Self-Powered Wireless Sensing为题,于2026年11月18日在线发表于Advanced Science。

重要图片:

图1 NURBS赋能、机器学习辅助的负泊松比压电能量采集与自供能无线传感逆向设计框架概览。

(a)直壁内凹负泊松比压电悬臂结构。(b)NURBS参数化内凹结构。(c)通过调节选定控制点连续生成候选几何的NURBS单元参数化。(d)代理模型辅助的多目标逆向设计流程。(e)优化能量采集器用于自供能无线传感的系统演示。

图2 压电能量采集器的几何建模与有限元仿真。

(a)NURBS控制点示意图。(b)NURBS曲线表示。(c-e)平板、直壁内凹和NURBS曲边内凹基底。(f)PEH、AEH和NEH的层状器件结构。(g)相同边界与载荷条件下的纵向位移云图。(h)横向位移云图。(i)压电层应力分布,展示负泊松比设计扩展的高应力区域。(j)压电层应变分布,展示NURBS负泊松比基底提高的平均应变与均匀性。

图3 负泊松比压电能量采集器的机器学习辅助逆向设计框架。

(a)整体优化流程。(b)训练与验证损失历程。(c)功率预测性能。(d)应力预测性能。(e-g)隐藏层规模、dropout率和学习率对训练与验证损失影响的超参数敏感性分析。

图4 负泊松比压电能量采集器的多目标优化与性能评价。

(a)机器学习代理模型与NSGA-II集成的优化流程,通过初始化、适应度评估、选择、交叉和变异获得兼顾输出功率与峰值应力的Pareto结构。(b)本文与代表性负泊松比压电采集器的归一化功率密度比较。(c)不同内凹、圆孔、方孔、NURBS和优化结构的共振频率-输出功率性能空间。(d)功率与峰值von Mises应力的Pareto前沿。(e)优化基底结构。(f)优化基底应变分布。(g)优化器件压电层应力分布。

图5 优化负泊松比能量采集器的实验验证。

(a)包含激振器、放大器、控制器、示波器以及PEH、AEH、NEH、OEH试样的实验装置。(b)各采集器开路电压随频率变化。(c)输出功率随负载电阻变化及最大功率对应最优电阻。(d-f)0.2 g、0.5 g和0.7 g基座加速度下的时域电压响应。

图6 优化能量采集器驱动自供能LoRa传感的系统级演示。

(a)包含能量采集、管理、利用和LoRa通信单元的硬件架构。(b)集成电路板照片。(c)室内到室外150 m LoRa传输实验。(d、e)OEH和NEH对应的储能电容电压V_P及系统供电电压V_CC时域波形。(f、g)工作期间接收的温度数据。(h、i)不同电容值下OEH和NEH的储能电容充电电压。

​




参考文献


S. Fang, H. Xue, K. Chen, et al., "Machine-Learning-Driven Inverse Design of NURBS-Parameterized Auxetic Piezoelectric Energy Harvesters for Self-Powered Wireless Sensing," Advanced Science, 2026, e78735.


https://doi.org/10.1002/advs.78735

◀

免责声明

▶


本公众号专注于超表面领域的最新研究动态、学术成果和技术应用分享。所有发布的内容和图片,均已标明来源,且仅供个人学术学习和知识积累使用,不得用于商业目的。如您发现任何版权或相关问题,欢迎通过邮箱 metasurface@126.com 联系我们,我们将尽快处理并协调相关事宜。


    点击底部“阅读原文”可跳转原文链接

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/203715