纤维网络材料广泛存在于生物组织、纺织结构、柔性器件和轻量化结构材料中，其力学性能高度依赖于网络拓扑、纤维路径和节点连接方式。然而，高性能纤维网络的设计往往需要同时兼顾力学性能、结构可预测性和实际可制造性；当结构进一步需要适配复杂三维曲面时，传统“先设计、后验证”的方法更容易面临结构难加工、性能难预测的问题。

  复旦大学凌盛杰教授、蒋欣泉教授团队提出了一种面向可制造性的人工智能拓扑设计框架——REFINe。该框架将图论约束、拓扑保持网络构建算法、自动化有限元仿真、物理启发图神经网络和强化学习优化集成于统一流程中，可在保证单纤维连续制造的前提下，实现从柔性组织样J型应变硬化到高刚度结构C型响应等非线性力学行为的预测、反向设计与三维结构映射。在优化条件下，所得网络结构相较初始设计可实现约50%的强度提升和约20%的质量降低；同时，该框架可借助曲面映射，将二维优化网络保拓扑地转移至鞋面、组织工程支架等复杂三维结构。该研究为可编织、可打印和可编程纤维网络材料的智能化设计提供了新思路，并有望服务于轻量化结构、柔性可穿戴器件、软体机器人和生物医用支架等应用场景。

  2026年7月17日，相关工作以《A manufacturability-informed topology framework for AI-guided design of fibrous network materials》为题发表在Nature Communications期刊上。论文第一作者为复旦大学博士生杨云浩，通讯作者为复旦大学凌盛杰教授、蒋欣泉教授。

  纤维网络材料的设计难点在于，网络拓扑不仅决定力学性能，也直接影响制造过程。许多通过算法生成的高性能结构，在实际编织、连续纤维铺放或三维打印中可能并不可行。例如，若网络中存在过多断裂路径、孤立节点或复杂交叉结构，就会导致纤维无法连续成形，甚至引入缺陷和局部弱点。因此，REFINe框架将“可制造性”前置到拓扑生成阶段，以图论方法描述纤维网络，其中节点代表纤维交汇点，边代表纤维段，并引入欧拉路径/欧拉回路约束，使网络能够由一条连续纤维路径构筑。与此同时，框架还综合考虑代数连通性、节点度、最小纤维夹角、最小线段长度和环路分布等因素，从而确保生成结构在几何上连通、在拓扑上稳定、在工艺上可实现。

  围绕连续纤维路径生成，研究团队进一步开发了TOPNet（Topology-Preserving Network construction algorithm，拓扑保持网络构建算法）。该算法并非先随机生成结构再进行筛选，而是在网络构建过程中同步嵌入欧拉连续性和拓扑连通性要求，可生成具有不同密度、节点分布和环路特征的纤维网络，并直接转化为可制造路径。其中，Canonical Grid Mapping方法将复杂路径搜索转化为结构化序列生成，在保持网络欧拉连续性和正代数连通性的同时，将路径生成时间缩短至毫秒级。

图2. TOPNet生成的纤维网络结构及连续制造路径。工作流程涵盖欧拉基元生成→规则铺展→锚点调节→边界拟合→连续路径规划。

  为建立纤维网络拓扑与力学性能之间的关系，研究团队构建了自动化多尺度有限元仿真流程，对大量网络结构进行高通量力学分析。该流程涵盖拓扑验证、二维草图生成、三维建模与网格划分、边界条件设置以及单轴拉伸模拟等步骤，并通过3D打印样品和实验拉伸测试进行了验证。结果表明，不同拓扑结构会赋予纤维网络截然不同的非线性力学行为。富含环路的网络在拉伸初期较为柔顺，随后随着纤维逐渐取向和拉直而出现明显应变硬化，表现出类似生物软组织的J型曲线；而由纤维束或主承载路径主导的网络，则在初期表现出较高刚度，随后进入相对缓和的变形阶段，呈现C型响应。这说明纤维网络材料的力学行为并非仅由材料组成或整体密度决定，而是可以通过节点连接、环路结构和纤维排布方式进行编程调控。

  有限元仿真虽然能够较准确地描述纤维网络的大变形行为，但面对大规模拓扑搜索时，计算成本仍然较高。为提升设计效率，研究团队引入物理启发图神经网络模型，将纤维网络表示为由节点和边组成的图结构，并学习其拓扑特征与力学响应之间的映射关系。该模型将载荷-位移曲线拆分为“形状”和“幅值”两个部分进行预测，有助于提高模型对不同网络结构的泛化能力。通过这种方式，模型不仅能够快速判断候选结构的力学表现，还能有效捕捉J型应变硬化、C型响应以及多阶段硬化等复杂非线性行为，为后续强化学习优化提供高效代理模型。

  在快速预测模型的基础上，REFINe进一步引入强化学习模块，实现纤维网络材料的反向设计。强化学习智能体在满足TOPNet可制造拓扑约束的设计空间中不断搜索候选结构，并利用图神经网络快速评估其力学表现，从而寻找兼具轻量化和高承载能力的网络拓扑。与直接依赖有限元仿真的优化方法相比，该策略显著降低了单次结构评估所需时间，使大规模设计搜索更加高效。研究显示，优化后的网络结构能够在保证可制造性的同时实现更优力学性能：在轻量化优化模式下，结构承载能力提升、质量降低；在固定质量约束下，峰值载荷也可进一步提高。这表明，REFINe不仅能够预测材料性能，还可以主动生成面向目标性能的优化结构。

  除二维平面网络外，研究团队还展示了REFINe在复杂三维结构中的应用潜力。借助QuadriFlow曲面映射方法，优化后的二维纤维网络可以被保拓扑地转移到三维曲面上，在保持连续路径和网络规则性的同时，实现复杂外形结构的适形构筑。这一能力对于实际应用尤为重要。许多纤维网络材料并不是以平面形式使用，而是需要覆盖或支撑复杂曲面，例如运动鞋鞋面、可穿戴支撑结构、软体机器人部件以及组织工程支架等。研究团队展示了鞋面结构和类器官支架等三维原型，验证了该方法在复杂曲面映射、路径连续性保持和实际制造方面的可行性。

总结与展望

  REFINe框架将可制造拓扑生成、有限元仿真、图神经网络预测和强化学习优化整合到统一流程中，实现了从结构设计、性能预测到实际制造的闭环。其核心优势在于：一方面，通过欧拉路径等图论约束保证纤维网络能够连续制造；另一方面，通过AI模型和强化学习显著提高了复杂网络材料的设计效率。该研究表明，纤维网络材料的力学性能可以通过拓扑结构进行精细调控，从而实现从柔性组织样J型应变硬化到高刚度结构C型响应等多样化力学行为。同时，二维优化网络向三维复杂曲面的映射，也进一步拓展了该框架面向真实应用场景的潜力。未来，随着更多材料体系、加载模式和制造工艺被纳入模型，REFINe有望为轻量化结构、柔性可穿戴器件、软体机器人、透明防护材料和生物医用支架等领域提供通用化、智能化和可制造的纤维网络材料设计平台。

  论文链接：https://doi.org/10.1038/s41467-026-76045-x