反向模拟多根纤维制造技术

本发明专利技术提供一种用于反向模拟多根纤维的计算机实施方法。所述方法包括：提供用于描述纤维的机械行为的计算模型；获得描述所述多根纤维的目标配置或动态行为的目标几何信息；以及使用所述计算模型和所述目标几何信息反向模拟所述多根纤维的所述行为，以计算所述多根纤维的目标纤维机械参数组。具有经计算的目标纤维机械参数组的纤维表现出所述目标配置或动态行为。在一些实施方案中，所述反向模拟包括使用综合分析来帮助导出所述目标纤维机械参数组。在一些实施方案中，所述反向模拟使用神经网络从所述目标几何信息推断关于纤维机械参数的信息。本发明专利技术还提供一种训练所述神经网络的方法。

【技术实现步骤摘要】
【国外来华专利技术】反向模拟多根纤维
本专利技术涉及一种用于反向模拟多根纤维的计算机实施方法。该方法具体地可应用于反向模拟一束毛发或满头毛发。它还可应用于反向模拟织造或非织造织物、刷子或包含纤维材料的其它产品。
技术介绍
物理系统的计算机模拟是已知的并且在许多
中使用。模拟应用包括(但不限于)计算机图形和结构模拟。通常希望计算机模拟尽可能真实以便尽可能准确地捕获和预测系统的真实世界行为。本专利技术具体地涉及模拟多根纤维。纤维组件可能难以模拟，这是因为要考虑的元件数量庞大以及它们之间相互作用的潜在复杂性两者。希望以更加忠实于现实世界中那些纤维的机械行为的方式来模拟纤维，诸如毛发纤维。更好的纤维模拟可用于毛发的计算机图形动画；用于含纤维的制品，诸如刷子的结构模拟；以及用于许多其它应用。这种已知的模拟方法使用“正向”模拟过程。这涉及基于关于控制多根纤维的行为的参数的预先存在的知识来模拟该行为。这面临以下问题：对于给定纤维，确定参数可能是困难的，耗时的，或者在一些情况下是不可能的。有时可能需要对真实纤维进行侵入性和/或破坏性测试。在一些情况下，所得参数也可能对测试条件或测量变化敏感，这可能导致不准确。希望找到确定参数的更好的方法。
技术实现思路
本专利技术人已经认识到，纤维机械参数可通过反向模拟纤维组件来确定。在这里，“反向”模拟是指正常的正向模拟的反转，其可允许基于对纤维行为的观察使用与用于正向模拟的计算模型类似的计算模型来推断纤维的参数。此类反向模拟在其它应用中也具有更广泛的用途，在这些应用中，分析或预测纤维的机械特征是重要的。本专利技术由权利要求定义。根据本专利技术的第一方面，提供了一种用于反向模拟多根纤维的计算机实施方法，该方法包括：提供用于描述纤维的机械行为的计算模型；获得描述所述多根纤维的目标配置或动态行为的目标几何信息；以及使用计算模型和目标几何信息反向模拟多根纤维的行为，以计算多根纤维的目标纤维机械参数组，使得具有经计算的目标纤维机械参数组的纤维将表现出目标配置或动态行为。计算目标纤维机械参数组，使得如果向多根纤维赋予那些纤维机械参数，则多根纤维将表现出目标配置或动态行为。另选地，如果目标配置或动态行为涉及真实的物理纤维，则目标纤维机械参数组可描述那些纤维。目标几何信息可包括多根纤维的图像或视频。多根纤维的图像可示出处于稳态静态配置中的纤维。多根纤维的视频可示出纤维响应于机械刺激，诸如脉冲或振荡运动而移动。目标几何信息可包括对纤维中的每一根的多个段的三维位置的描述。可提供三维位置信息作为视觉输入，诸如图像或视频的另选方案，但是优选地除了该视觉输入之外还提供三维位置信息。计算模型可将每根纤维建模为段的链。几何信息还可包括预定类型的纤维之中的结分布。另选地，结分布可隐含在几何信息中和/或可通过模拟从该几何信息来确定。几何信息还可包括纤维中的每一根的多个段中的每一段的速度。几何信息可从真实的纤维样本中获得，并且获得几何信息的步骤优选地包括以下中的至少一者：微计算机断层扫描；激光扫描；IR成像；以及光学相干断层扫描。微计算机断层扫描有时也被称为微型CT、高分辨率x射线断层扫描、高分辨率CT(HRCT)或高分辨率微型CT。以这种方式从真实的纤维样本中获得几何信息可允许更准确地捕获纤维几何形状。计算模型可包括以下中的至少一者：用于每根纤维的Cosserat杆；对每根纤维的基于有限元的描述；每根纤维的基尔霍夫(Kirchoff)杆；以及每根纤维的振荡器网络。任选地，每根纤维的振荡器网络可包括立方形或四面体振荡器网络。计算模型优选地还考虑环境状况，包括但不限于：温度、湿度和随机风效应。反向模拟多根纤维的行为优选地包括将目标几何信息应用于神经网络的输入。神经网络的输入可包括多根纤维的图像或视频。已经发现，经过适当训练的神经网络可特别擅长于对纤维参数进行第一组推断。神经网络的输出优选地包括目标纤维机械参数组中的每个参数的一系列值。该方法有效地使用神经网络来减小需要搜索以确定纤维机械参数的参数空间的大小。每个值范围可由系列的最大值和最小值定义。神经网络可包括多层神经网络。神经网络可包括循环连接，其中网络的一层的输出耦合到网络的前一层的输入。神经网络优选地包括在30至1800范围内的多个节点。反向模拟多根纤维的行为任选地包括：生成多个经修改的纤维机械参数组；对于经修改的组中的每一组，使用计算模型模拟由该经修改的组在多根纤维中产生的配置或动态行为；以及选择经修改的组作为目标组，该经修改的组产生最接近目标几何信息的配置或动态行为。这应用综合分析的方法，优选地通过用不同的纤维机械参数组迭代正向模拟来导出目标纤维机械参数组。反向模拟多根纤维的行为优选地包括将目标几何信息应用于神经网络的输入，其中神经网络的输出优选地包括目标纤维机械参数组中的每个参数的一系列值；并且基于由神经网络针对每个参数输出的系列值来优选地生成多个经修改的纤维机械参数组。在该方法中，神经网络用于减小要搜索的参数空间，并且然后应用综合分析技术以便推导出减小的参数空间内的纤维机械参数。在一些实施方案中，可基于每个参数的范围的中点来生成多个经修改的纤维机械参数组。例如，中点可用作优化算法中的每个参数的初始值。生成多个经修改的纤维机械参数组任选地包括使用适用于逃避局部最小值的优化算法，诸如模拟退火或进化算法。已经发现，通过使用神经网络产生的减小的参数空间可能具有许多局部最小值。优化方法、诸如梯度下降可在该参数空间中使用，但是可能会在局部最小值中“卡住”，从而导致次优的纤维机械参数组。包括用于逃避局部最小值的测量值的优化算法可能更有可能找到全局最优参数组。目标纤维机械参数组优选地包括以下中的至少一者、任何两者或全部三者：纤维之间的一个或多个摩擦系数；纤维之中的内聚力的测量值；以及纤维之中的粘合力的测量值。本专利技术人已经认识到通常需要更好地表征纤维的机械参数，并且具体地毛发纤维的机械参数。尽管先前的方法关注于单根纤维的刚度或柔韧性，但是本专利技术人已经发现，纤维之间相互作用的准确表征对于多根纤维的模拟的总体准确度是重要的。由纤维制成的物体的行为受到纤维之间复杂的碰撞网络(接触点)以及纤维碰撞时如何相互作用的影响。已经发现摩擦、内聚和粘合是控制纤维之间相互作用的三个最重要的参数。粘合力是指抵抗彼此接触的两根毛发纤维分离的力，其中在接触点处不存在液体。内聚力是指抵抗彼此接触的两根毛发纤维分离的力，其中它们之间在接触点处存在液体。内聚力取决于毛细管力和拉普拉斯压力。内聚力和粘合力优选地通过纤维机械参数组中的接触面积而归一化。优选地，第一组纤维机械参数包括两个或更多个摩擦系数，其中每个摩擦系数属于不同的相互取向。这可允许描述各向异性摩擦效应。目标纤维机械参数组还优选地包括以下中的至少一者、任何两者或全部三者：与纤维相关联的杨氏模量；与纤维相关联的剪切或扭转模量；以及与纤维相关联的弯曲模量。表征纤维之间相互作用的参数优选地与单根纤维的机械特征的准确表征组合。具体地，足够详细地表征单根纤维的柔韧性是有利的。在这方面，已发现杨氏模量、弯曲模量和扭转模量是最重要的参数。扭转模量与剪切模量有关。目标纤维机械参数组还优选地包括以下中的至少一者、任何两者或全部三者：与纤维相关联的直径；纤维的材料密度；以及与纤维相关联的本文档来自技高网...

【技术保护点】
1.一种用于反向模拟多根纤维的计算机实施方法，所述方法包括：提供用于描述纤维的机械行为的计算模型；获得描述所述多根纤维的目标配置或动态行为的目标几何信息；以及使用所述计算模型和所述目标几何信息反向模拟所述多根纤维的所述行为，以计算所述多根纤维的目标纤维机械参数组，使得具有经计算的目标纤维机械参数组的纤维将表现出所述目标配置或动态行为。

【技术特征摘要】
【国外来华专利技术】2016.09.15 EP 16188947.2;2017.02.27 EP 17158192.91.一种用于反向模拟多根纤维的计算机实施方法，所述方法包括：提供用于描述纤维的机械行为的计算模型；获得描述所述多根纤维的目标配置或动态行为的目标几何信息；以及使用所述计算模型和所述目标几何信息反向模拟所述多根纤维的所述行为，以计算所述多根纤维的目标纤维机械参数组，使得具有经计算的目标纤维机械参数组的纤维将表现出所述目标配置或动态行为。2.根据权利要求1所述的计算机实施方法，其中所述目标几何信息包括多根纤维的图像或视频。3.根据权利要求1或权利要求2所述的计算机实施方法，其中所述目标几何信息包括对所述纤维中的每一根的多个段的三维位置的描述。4.根据权利要求1至3中任一项所述的计算机实施方法，其中反向模拟所述多根纤维的所述行为包括将所述目标几何信息应用于神经网络的输入。5.根据权利要求4所述的计算机实施方法，其中所述神经网络的所述输入包括多根纤维的图像或视频。6.根据权利要求4或权利要求5所述的计算机实施方法，其中所述神经网络的输出包括所述目标纤维机械参数组中的每个参数的一系列值。7.根据前述权利要求中任一项所述的计算机实施方法，其中反向模拟所述多根纤维的所述行为包括生成多个经修改的纤维机械参数组；对于所述经修改的组中的每一组，使用所述计算模型模拟由该经修改的组在所述多根纤维中产生的所述配置或动态行为；以及选择所述经修改的组作为所述目标组，所述经修改的组产生最接近所述目标几何信息的所述配置或动态行为。8.根据权利要求7所述的计算机实施方法，其中：反向模拟所述多根纤维的所述行为包括将所述目标几何信息应用于神经网络的所述输入；所述神经网络的所述输出包括所述目标纤维机械参数组中的每个参数的一系列值；并且基于由所述神经网络针对每个参数输出的所述系列值来生成所述多个经修改...

【专利技术属性】
技术研发人员：K·迈纳特，D·L·米歇尔斯，
申请(专利权)人：宝洁公司，
类型：发明
国别省市：美国,US