Load identification is a hotly studied topic due to the widespread recognition of its importance in structural design and health monitoring. This paper explores an effective identification method for the distributed dynamic load (DDL) varying in both time progress and space dimensions using limited acceleration responses. As for the reconstruction of spatial distribution, the radial basis function (RBF) interpolation strategy, whose hyper-parameters are determined by a hierarchical clustering algorithm, is applied to approximate the DDL and then transform the continuous function into finite dimensions. In the time domain, based on the inverse Newmark iteration, the RBF coefficients at each discrete instant are obtained by the least square solution of the modal forces. Considering the multi-source uncertainties lacking exact probability distributions, a multi-dimensional interval model is developed to quantify convex parameters and fuzzy parameters uniformly. Further, a Chebyshev-interval surrogate model with different orders is constructed to obtain the fuzzy-interval boundaries of DDLs. Eventually, three examples are discussed to demonstrate the feasibility of the developed DDL identification approach considering hybrid uncertainties. The results suggest its promising applications in different structures and loading conditions.

Although functionally graded porous structures (FGPS) have been studied comprehensively due to their excellent mechanical and functional properties, the design process of FGPS with target stress response still dependent on continuous trial and error, which is not only time-consuming but also heavily relies on experience and intuition. This study proposes a novel inverse design framework of 2D FGPS with targeted dynamic stress-strain responses via a combination of conditional diffusion model and a residual neural network. Unlike traditional binary pixel representations, this approach utilizes nuclei position maps and color mapping technique to represent the structure configurations and cell wall thicknesses to improve the efficiency and performance of the model. Firstly, various functionally graded porous structures were constructed by employing Voronoi diagram techniques, and finite element simulations were conducted to calculate the nonlinear responses subjected to dynamic loadings. A dataset comprising 2100 FGPS and corresponding nonlinear stress-strain responses was established. Then, an inverse design framework is formulated by integrating a generator that uses a diffusion model to synthesize structures conditioned on specific target responses, with a predictor that employs a residual neural network to assess the responses of these structures. Finally, to demonstrate the effectiveness of the approach, the performance of the predictor and generator was thoroughly investigated. Structures with various target stress-strain responses were generated through the proposed method, and validated by finite element analysis. A detailed impact experiment was also carried out to verify the effectiveness of the proposed methods. The result shows that the framework can effectively generate new structures with objective nonlinear responses. This work offers a fast and efficient way to design FGPS that meet specific performance objectives.

Summary In this paper, a generalized particle domain method (GPDM) is proposed and developed within the framework of the convected particle domain interpolation method. This new method generates particles directly from non‐uniform rational B‐spline (NURBS)‐based CAD file of a continuum body. The particle domain corresponds to a NURBS element even for trimmed elements of solids with complex geometries. The shape functions and the gradient of shape functions are evaluated using NURBS basis functions to map material properties between particles and grid nodes. It approves that this proposed GPDM can track the domain of particles accurately and avoid the issue of cell‐crossing instability. Several numerical examples are presented to demonstrate the high performance of this proposed new particle domain method. It is shown that the results obtained using the proposed GPDM are consistent with the experimental data reported in the literature. Further development of the generalized particle domain method can provide a link to the material point method and isogeometric analysis.

This paper introduces a novel approach, namely Variable-Periodic Voronoi Tessellation (VPVT), for the bio-inspired design of porous structures. The method utilizes distributed points defined by a variable-periodic function to generate Voronoi tessellation patterns, aligning with a wide diversity of artificial or natural cellular structures. In this VPVT design method, the truss-based architecture can be fully characterized by design variables, such as frequency factors, thickness factors. This approach enables the optimal design of porous structures for both mechanical performance and functionality. The varied, anisotropic cell shapes and sizes of VPVT porous structures provide significantly greater design flexibility compared to typical isotropic porous structures. In addition, the VPVT method not only can design micro-macro multiscale materials, but is also applicable for the design of meso-macro scale truss-based porous structures, such as architecture constructions, biomedical implants, and aircraft frameworks. This work employs a Surrogate-assisted Differential Evolution (SaDE) method to perform the optimization process. Numerical examples and experiments validate that the proposed design achieves about 51.1% and 47.8% improvement in compliance performance and damage strength, respectively, than existing studies.

Current limitations in implant design often lead to trade-offs between minimally invasive surgery and achieving the desired post-implantation functionality. Here, we present an artificial intelligence inverse design paradigm for creating deployable implants as planar and tubular thermal mechanical metamaterials (thermo-metamaterials). These thermo-metamaterial implants exhibit tunable mechanical properties and volume change in response to temperature changes, enabling minimally invasive and personalized surgery. We begin by generating a large database of corrugated thermo-metamaterials with various cell structures and bending stiffnesses. An artificial intelligence inverse design model is subsequently developed by integrating an evolutionary algorithm with a neural network. This model allows for the automatic determination of the optimal microstructure for thermo-metamaterials with desired performance,i.e., target bending stiffness. We validate this approach by designing patient-specific spinal fusion implants and tracheal stents. The results demonstrate that the deployable thermo-metamaterial implants can achieve over a 200% increase in volume or cross-sectional area in their fully deployed states. Finally, we propose a broader vision for a clinically informed artificial intelligence design process that prioritizes biocompatibility, feasibility, and precision simultaneously for the development of high-performing and clinically viable implants. The feasibility of this proposed vision is demonstrated using a fuzzy analytic hierarchy process to customize thermo-metamaterial implants based on clinically relevant factors.

In modern engineering, dynamic fracture failure because of unexpected load or human faults may lead to catastrophic disasters. Preventive structure design and real-time maintain suggestions based on accurate numerical simulation are critical, especially when plasticity develops. It remains a challenge to efficiently model dynamic crack propagation in elasto-plastic materials while the uncertain factors in service life may significantly increase the difficulty. In this paper, a phase-field virtual modelling method (PFVM), based on the features of the novel extended support vector regression (X-SVR) method, is proposed to tackle this non-deterministic problem. The phase field method is adopted for its outstanding performance in complex fracture problems, which provides solid reference data for the virtual model's training and verification. The PFM application to dynamic elasto-plastic fracture problems is validated in two practical engineering examples. The integrated virtual modelling technique is then proven capable of instantly providing precise crack propagation prediction under multiple complex uncertainties, making up-to-date numerical dynamic fracture simulation achievable and affordable. The proposed PFVM method can minimize the contradiction between accurate modelling and high computational cost and can be utilized in various extensions like sensitivity analysis or design optimization.