MARC

 008250123s2024        us                              c    eng  d
■001000017165054
■00520250211153118
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346579748
■035    ▼a(MiAaPQ)AAI31732973
■035    ▼a(MiAaPQ)Purdue27205443
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aWang,  Jue.
■24510▼aHarness  Machine  Learning  for  Shape  Morphing  Devices
■260    ▼a[Sl]▼bPurdue  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a212  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  B.
■500    ▼aAdvisor:  Chortos,  Alex.
■5021  ▼aThesis  (Ph.D.)--Purdue  University,  2024.
■520    ▼aDynamically  shape  morphing  devices  have  emerged  as  pivotal  tools  in  various  fields,  bridging  the  gap  between  static  structures  and  adaptive  systems  capable  of  real-time  reconfiguration.  These  devices  hold  significant  potential  for  revolutionizing  human-machine  interfaces,  enhancing  cell  mechanobiology,  and  innovating  within  the  realm  of  optical  and  acoustic  metamaterials.  The  core  challenge  in  developing  these  devices  lies  in  their  requirement  for  a  complex  array  of  actuators  and  a  sophisticated  control  strategy  that  precisely  calculates  the  necessary  actuator  stimulations  to  achieve  targeted  surface  morphologies.  In  this  dissertation,  I  introduce  a  novel  approach  to  the  control  of  shape  morphing  devices  through  a  model-free  control  system  utilizing  ML.  This  system  allows  for  precise  control  over  morphing  surfaces  by  deciphering  the  intricate  internal  couplings  within  actuator  arrays.  Our  approach  markedly  contrasts  with  traditional  methods  that  rely  heavily  on  pre-defined  mechanical  configurations  and  linear  control  strategies,  which  are  often  limited  in  their  adaptability  and  responsiveness.  I  demonstrate  the  efficacy  of  this  control  method  through  various  applications,  including  programmable  2.5D  surfaces  that  can  dynamically  morph  into  complex  shapes  based  on  predefined  designs.  In  order  to  achieve  miniaturization  of  the  control  system,  passive  matrix  addressing  is  introduced  for  the  morphing  surface  constructed  from  ionic  actuator  arrays.  This  innovative  addressing  method  significantly  reduces  the  number  of  necessary  control  inputs  from  $N.
■520    ▼a2$  to  $2N$  where  $N$  represents  the  number  of  actuators  along  one  dimension  of  the  array.  This  reduction  not  only  simplifies  the  hardware  requirements  but  also  enhances  the  scalability  and  potential  integration  of  these  devices  into  more  compact  and  complex  environments.  The  precision  and  programmability  of  both  forward  and  inverse  control  offered  by  our  model-free  ML  approach  are  shown  to  be  superior  in  handling  the  nonlinearities  and  interdependencies  within  the  actuator  arrays,  providing  a  robust  platform  for  developing  highly  customizable  shape  morphing  interfaces.  Furthermore,  the  same  methodology  can  be  employed  to  customize  strain  fields,  which  have  broad  applications  in  bioreactors.  Initially,  a  non-equibiaxial  cell  stretcher  using  pneumatic  actuators  was  developed  to  validate  the  critical  role  of  complex  strain  fields  in  biomechanics.  The  ability  to  dynamically  alter  the  mechanical  stress  experienced  by  cells  in  vitro  can  lead  to  improved  understanding  and  enhancement  of  tissue  engineering  and  regenerative  medicine  practices.  Additionally,  to  customize  the  strain  field,  a  machine  learning-based  image  processing  method  is  proposed  to  control  dielectric  elastomer  actuator  arrays,  enabling  the  customization  of  complex  strain  fields.  This  approach  provides  a  potential  testbed  for  tumor  biomechanics  research  by  replicating  identical  strain  fields  based  on  tumor  shapes.  The  implications  of  this  research  are  profound,  suggesting  a  paradigm  shift  in  how  dynamic  systems  can  be  controlled  and  utilized  across  various  scientific  and  engineering  disciplines.  The  integration  of  ML  into  the  control  of  physical  actuation  systems  opens  up  new  possibilities  for  the  adaptive  and  intelligent  design  of  morphing  structures,  potentially  leading  to  more  intuitive  and  responsive  interfaces  that  could  transform  everyday  human-technology  interactions.
■590    ▼aSchool  code:  0183.
■650  4▼aRobots
■650  4▼aDeformation
■650  4▼aPneumatics
■650  4▼aRobotics
■650  4▼aApplied  physics
■650  4▼aStatistics
■690    ▼a0771
■690    ▼a0215
■690    ▼a0463
■71020▼aPurdue  University.
■7730  ▼tDissertations  Abstracts  International▼g86-05B.
■790    ▼a0183
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17165054▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서