Deep learning-based prediction of time-resolved adhesive forces in viscoelastic Hertzian contacts
作者: Ali Maghami, Merten Stender, Michele Ciavarella, Antonio Papangelo
分类: cs.LG, cond-mat.soft, cs.AI, physics.data-an, stat.ML
发布日期: 2026-07-21
💡 一句话要点
提出深度学习模型以快速预测粘附性粘弹接触中的力学响应
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 深度学习 粘附力预测 粘弹性材料 软机器人 力学响应 序列到序列模型 LSTM网络
📋 核心要点
- 现有方法依赖全数值模拟来获取完整的力轨迹，计算成本高且不适合实时应用。
- 论文提出了一种基于深度学习的模型，通过训练序列到序列的网络来预测力的演变，克服了传统方法的局限。
- 实验结果表明，最佳LSTM模型在未见参数组合下也能快速准确地预测力轨迹，推理时间仅为0.16秒。
📝 摘要（中文）
粘附性软粘弹接触的快速响应预测是软机器人及抓取操作中的一大挑战。完整的时间分辨力轨迹通常需要全数值模拟，计算成本高且依赖于参数，难以实现实时应用。本文通过训练一个标量条件的状态序列到序列深度学习模型，成功预测了在给定位移历史下的完整力演变，涵盖了短程和长程粘附机制。数据集涵盖了四个数量级的加载和卸载速率，并包括不同的停留时间。通过引入固定测量步长（FMS）表示法，论文实现了在异构时间尺度上的学习。不同的网络架构被训练并比较，最终找到最佳的LSTM模型，具有较低的均方误差和快速的推理时间。
🔬 方法详解
问题定义：本文旨在解决粘附性软粘弹接触中力学响应的快速预测问题。现有方法依赖于全数值模拟，计算成本高且难以实现实时应用。
核心思路：论文提出了一种基于深度学习的模型，通过训练一个标量条件的状态序列到序列网络，来预测在给定位移历史下的完整力演变。这种设计使得模型能够在不同的粘附机制下进行学习。
技术框架：整体架构包括数据预处理、模型训练和评估三个主要阶段。数据预处理使用固定测量步长（FMS）表示法，将可变长度的轨迹转换为固定长度序列。模型训练则使用LSTM、TCN等不同架构进行比较。
关键创新：最重要的技术创新在于引入了FMS表示法，使得模型能够在异构时间尺度上进行有效学习。此外，最佳模型采用了LSTM架构与连接条件机制，显著提高了预测精度。
关键设计：模型训练过程中，使用了不同的Tabor条件机制，并通过全局波形和误差指标进行比较。最终，最佳模型在持出均方误差为5.0×10^-4，且在未见参数组合下表现出色。损失函数和网络结构经过精心设计，以确保模型的高效性和准确性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，最佳LSTM模型在持出均方误差为5.0×10^-4，且在未见参数组合下的预测精度高，推理时间仅为0.16秒。这些结果表明该模型在实际应用中具有良好的性能和潜力。
🎯 应用场景
该研究的潜在应用领域包括软机器人、抓取与操作任务等，能够为实时控制系统提供快速的力学响应预测。这一技术的实现将极大提升软机器人在复杂环境中的操作能力，推动智能机器人技术的发展。
📄 摘要（原文）
Fast prediction of the response of adhesive soft viscoelastic contacts represents a current challenge in soft robotics and for gripping and manipulation tasks. Determining the complete time-resolved force trajectory requires full numerical simulations, whose computational cost is strongly parameter-dependent, making them impractical for real-time application or design-optimization loops. In this work, we overcome this limitation by training a scalar-conditioned, stateful, sequence-to-sequence deep learning model to predict the full force evolution from a prescribed displacement history for both short- and long-range adhesion regimes. The data set spans four orders of magnitude in loading and unloading rates and includes varied dwell times, with the Tabor parameter ranging from $0.2$ to $3.2$. To enable learning across these heterogeneous time scales, we introduce a fixed-measurement-step (FMS) representation that converts variable-length trajectories into fixed-length sequences while preserving their physical-time information. Different architectures were trained, including long short-term memory (LSTM) networks, temporal convolutional neural (TCN) networks, and time-distributed dense layers with three different Tabor-conditioning mechanisms. The models were compared using global waveform and error metrics. We found that the best-performing model has an LSTM architecture with concatenated conditioning, which achieves a held-out mean-squared error of $5.0\times10^{-4}$, a median pull-off-force error of $\approx2.2\%$, and a median hysteresis error of $\approx1.1\%$. For the held-out protocols, the model predicts a complete force trajectory with a median inference time of $0.16$ s. The model is tested across unseen parameter combinations and against analytical limiting cases, providing a rapid surrogate for repeated numerical evaluations with potential use in control-oriented applications.