Application of neural network fitting for modeling the pneumatic networks bending soft actuator behavior
Application of neural network fitting for modeling the pneumatic networks bending soft actuator behavior
复制标题
神经网络拟合在气动网络弯曲软执行器行为建模中的应用
DOI：
10.1088/2631-8695/ac58e7
复制
发表时间：
2022-02
影响因子：
1.7
通讯作者：
Ma Hong Xu
中科院分区：
文献类型：
--
作者：
Mohamed E M Salem;Qiang Wang;Ma Hong Xu
抽象的。软执行器作为一个新兴的研究课题，近年来引起了人们的极大兴趣，但目前尚缺乏完整的软执行器建模方法。由于所用材料的非线性行为、它们形成的复杂几何形状以及它们产生的广泛运动范围，识别和预测软执行器的行为是困难的。在本文中，我们演示了如何使用神经网络技术来描述气动网络弯曲软驱动器在不同输入压力下所产生的运动和所产生的力。为了验证结果，针对三种不同的建模模式构建了三种不同的神经网络模型，并用不同的输入数据集进行了评估。首先是尺寸模型，它研究了软执行器的形状和几何形状的变化，以及它们对不同压力输入下的响应的影响。第二，自由力模型，它模拟了软驱动器在自由空间中的运动，没有任何外部干扰。最后是阻滞力模型，它可以模拟真实世界中受到外力的软执行器。输入数据集是用ABAQUS/CAE软件创建的，该软件复制了软执行器的行为，并使用这些数据来训练神经网络模型。
Abstract. Soft actuators have recently gained a lot of interests as an emerging topic, although complete methodologies for modeling soft actuators are still missing. Identifying and forecasting the behaviour of soft actuators is difficult due to the nonlinear behaviour of the materials used, the complicated geometries they form, and the wide range of motions they produce. In this paper, we demonstrated how to use neural network technology to describe the motion and produced force that the pneumatic network bending soft actuator can create at various input pressures. To confirm the results, three separate neural network models for three different modeling modes were constructed and evaluated with different input data sets. First, the dimension model, which deals with changes in the form and geometry of the soft actuator and their influence on its response at various pressure inputs. Second, the free force model, which simulates the motion of a soft actuator in free space without any external disturbances. Finally, the blocked force model, which may simulate a real-world soft actuator that is subjected to an external force. The input data sets were created with ABAQUS/CAE software, which replicates the behavior of the soft actuator and uses this data to train the neural network models.
登录
查看更多内容
影响因子：
19
作者：
Mosadegh, Bobak;Polygerinos, Panagiotis;Whitesides, George M.
通讯作者：
Whitesides, George M.
影响因子：
7.9
作者：
Hiller, Jonathan;Lipson, Hod
通讯作者：
Lipson, Hod
影响因子：
4.6
作者：
Agarwal G;Besuchet N;Audergon B;Paik J
通讯作者：
Paik J
DOI：
10.1086/377909
发表时间：
2002-07
期刊：
--
影响因子：
--
作者：
A. Weitzenfeld;M. Arbib;A. Alexander
通讯作者：
A. Weitzenfeld;M. Arbib;A. Alexander
DOI：
10.1109/iccr.2018.8534483
发表时间：
2018-09
期刊：
2018 International Conference on Control and Robots (ICCR)
影响因子：
--
作者：
Mohamed E. M. Salem;Qiang Wang;Ruoshi Wen;Ma Xiang
通讯作者：
Mohamed E. M. Salem;Qiang Wang;Ruoshi Wen;Ma Xiang