刚性约束纯剪切介质弹性体作动器(PS-DEA)以其优异的单向驱动性能和方便的制备工艺，成为线性软体作动器设计中的关键结构之一。然而，大部分理论分析主要采用理想模型，缺乏对PS-DEA横向颈缩变形的考虑，这对PS-DEA的性能评价和优化设计有重要影响。因此，本文开发了一种采用Gent自由能模型描述DE力电行为行为的用户子程序，并在此基础上建立了PS-DEA的参数化模型。采用超立方体采样方法获得了不同的作动器参数组合，并用有限元方法对不同参数组合下的作动器性能进行了仿真。将有限元结果作为样本集，采用三隐层BP神经网络对样本进行训练，得到PS-DEA网络预测模型，并通过实验分析验证了该模型的准确性和有效性。

该预测模型探讨了几何参数和预拉伸参数对执行器性能的影响，得到了不同参数下理想的理论预测模型与网络预测模型的差异。本文所提出的方法为开发高性能的软体致动器提供了新的设计方法和理论基础。

上述工作近期发表于Smart Materials and Structures，第一作者为西安理工大学孙文杰，这是首次利用了机器学习方法对DEA软体驱动器的设计分析。

论文题目 Modeling of rigidly-constrained pure shear dielectric elastomer actuators: electromechanical coupling network method

在线链接 https://iopscience.iop.org/article/10.1088/1361-665X/ad1d08