一种基于NURBS曲线和机器学习的点阵结构优化设计方法

本发明公开了一种基于NURBS曲线和机器学习的点阵结构优化设计方法，包括如下步骤：基于周期性NURBS曲线的点阵结构参数化建模；施加周期性边界条件与均质化处理；神经网络代理模型的构建与训练；基于多目标遗传算法的结构参数优化，输出Pareto最优解集，所述Pareto最优解集即为最优设计方案。本发明是通过周期性NURBS曲线定义支柱截面形态，结合神经网络代理模型和多目标优化算法，高效地设计出在目标方向上具有高等效杨氏模量且体积（或相对密度）最小的点阵结构。本发明的优点有：即能灵活描述高度复杂、连续变化的非圆截面支柱几何形态，又能高效实现其与目标力学性能耦合优化的设计框架，还能克服传统参数化方法和高成本FEA仿真难以支撑高自由度设计需求的问题。