Progettazione inversa di Membrane Kirigami tramite Algoritmi di Apprendimento Automatico

Abstract

I kirigami, arte giapponese basata sul taglio della carta, rappresentano oggi una strategia progettuale di crescente interesse per lo sviluppo di strutture planari capaci di assumere configurazioni tridimensionali controllate. Attraverso l’introduzione di pattern di tagli in un foglio sottile, è possibile ottenere metamateriali kirigami che, se sottoposti a carichi di trazione nel piano, si deformano fuori dal piano del foglio. Questo comportamento risulta particolarmente rilevante per la progettazione di superfici adattive e bioispirate, come quelle basate sulla fisica delle squame di squali e serpenti, nelle quali la geometria influenza l’interazione con i fluidi e può contribuire a migliorare le prestazioni aerodinamiche o idrodinamiche. Lo scopo di questa tesi è fornire un primo approccio alla progettazione inversa di metasuperfici kirigami programmabili mediante algoritmi di machine learning. A tal fine, sono state analizzate diverse configurazioni kirigami a geometria triangolare, nelle quali ciascuna cella può essere programmata localmente attraverso la rimozione di materiale, l'assenza di modifica o l'aggiunta di materiale. La risposta meccanica delle strutture è stata studiata mediante simulazioni agli elementi finiti, estraendo lo spostamento fuori piano all’apice delle celle unitarie triangolari. I dati ottenuti sono stati utilizzati per addestrare una rete neurale convoluzionale in grado di correlare la distribuzione locale delle modifiche geometriche alla direzione della deformazione fuori piano. L’obiettivo finale, di riuscire a programmare lo spessore locale delle celle unitarie, ottenendo delle configurazioni che ci consentono di avere una deformazione tridimensionale target, è stato raggiunto nella maggior parte dei casi studiati ed è stato ulteriormente supportato dalla validazione sperimentale condotta su provini stampati con stampanti 3D.

Kirigami, the Japanese art of paper cutting, has become an effective design strategy for developing stretchable and morphable structures. By introducing arrays of cuts into a thin planar sheet, it is possible to obtain kirigami metasurfaces that transform into controlled three-dimensional configurations under in-plane tensile loading. This behaviour is particularly relevant for adaptive and bio-inspired surfaces, including designs inspired by shark and snake scales, where surface patterns can influence fluid interaction and contribute to aerodynamic or hydrodynamic performance. The aim of this thesis is to provide a first approach to the inverse design of programmable kirigami metasurfaces using machine learning algorithms. Different triangular kirigami configurations were considered, in which each unit cell can be locally programmed through material removal, no modification, or material addition. The mechanical response was analysed through finite element simulations, extracting the out-of-plane displacement at each vertex of the structure. The resulting data were used to train a convolutional neural network capable of relating the local material distribution to the direction of the out-of-plane deformation. The ultimate objective was to program the local thickness of the unit cells to obtain a configuration capable of generating a target three-dimensional deformed shape. This objective was achieved in most of the investigated cases and was further supported by experimental validation conducted on specimens fabricated via 3D printing.