Tunable Anisotropy in Lattice Structures via Deep Learning-based Optimization

Abstract

The advancements in additive manufacturing have sparked extensive exploration of lattice truss structures, renowned for their exceptional properties suitable for diverse engineering applications. Achieving a high mechanical modulus while maintaining low density poses a challenge, prompting numerous studies aimed at addressing the trade-off relationship between porosity and modulus. However, most efforts have concentrated on enhancing modulus for unidirectional loads, a limitation in addressing the random loads commonly found in industrial settings. To tackle this issue, our study designs lattice structures that achieve significantly reduced anisotropy at low densities, employing a combination of neural networks and genetic optimization. This novel approach allows for the efficient derivation of optimized models. Importantly, our approach solely alters the beam shapes within the basic lattice structure configurations, facilitating manufacturability without reducing average stiffness. Furthermore, our research elucidates the mechanism behind shape-dependent anisotropy and confirms these findings through both numerical and experimental results, offering insights into the design limitations and potential for next-generation lightweight structures. This study, titled "Tunable Anisotropy in Lattice Structures via Deep Learning-based Optimization," was published in the International Journal of Mechanical Sciences, Volume 290, in 2025.;격자 구조(Lattice structure)는 무게 대비 우수한 기계적 특성을 갖추어 다양한 공학 분야에서 주목받고 있다. 또한 최근 적층 제조(Additive manufacturing) 기술의 발전으로 기존의 방식으로는 구현하기 어려웠던 복잡한 형상의 제작이 가능해져 격자 구조에 관한 연구가 더욱 가속화되었다. 격자 구조 설계의 핵심 과제는 낮은 상대밀도를 유지하면서도 높은 기계적 물성을 달성하는 것이다. 이에 따라 기공률(Porosity)과 탄성계수 간의 상충 관계를 극복하려는 각종 연구가 진행되어 왔다. 그러나 대부분의 기존 연구는 단일 방향 하중에 대한 탄성계수 향상에 초점을 맞추고 있어 실제 산업 환경에서 발생하는 하중 방향의 불확실성을 충분히 고려하지 못하는 한계가 있다. 본 연구에서는 신경망(Neural networks, NNs)과 유전 알고리즘 기반 최적화(Genetic optimization, GO)를 결합한 효율적인 프레임워크를 통해 낮은 상대밀도에서도 비등방성(Anisotropy)이 현저히 감소된 격자 구조를 설계하였다. 이때 격자-트러스 기본 구조 내에서 빔의 형상만을 조절함으로써 평균 강성을 저하시키지 않는 동시에 제조 용이성(Manufacturability)까지 확보할 수 있도록 하였다. 나아가 본 연구는 형상 변화에 따른 비등방성 제어 메커니즘을 규명하고, 시뮬레이션 및 실험 결과를 통해 이를 검증함으로써 차세대 초경량 고성능 구조물 설계를 위한 가능성과 한계를 제시한다. 본 연구는 "Tunable Anisotropy in Lattice Structures via Deep Learning-based Optimization"이라는 제목으로 2025년 International Journal of Mechanical Sciences 제290권에 게재되었다.