具有蜂窝状微观结构的蜂窝夹层结构[1]越来越多地被应用于飞机、高速列车和海洋船舶中,逐渐替代传统金属材料[[2], [3], [4], [5]]。这类结构能够承受多种载荷,包括横向、斜向和面内压缩载荷。其中,面内压缩通常会引发最严重的损伤[6]。因此,面内承载能力是评估复合材料结构力学性能的关键参数[[7], [8], [9]]。正因如此,复合夹层结构的面内压缩行为成为当前研究的重要焦点。
得益于其轻质且高强度的特性,蜂窝结构被广泛用作复合夹层结构的核心组件。先前的研究表明,通过优化核心结构设计可显著提升材料的力学性能[10,11]。许多此类设计都借鉴了自然界的微观结构,以此提升结构效率[[12], [13], [14], [15]]。这类微观结构设计能够影响材料的失效机制,进而改善其整体力学性能[16]。例如,受乌贼骨S形微观结构的启发,研究人员提出了壁面呈曲面的蜂窝芯[17]以及S形加固的蜂窝夹层结构[18]。
CFRP夹层结构具有出色的性能和极高的设计灵活性,因此在众多领域都具有广泛应用前景[[19], [20], [21]]。然而,预测这类结构的力学性能仍是一项重大挑战,因为它们往往表现出非周期性和各向异性特征[[22], [23], [24]]。传统的有限元方法在处理这类复杂问题时存在困难,往往会出现计算精度低且耗时过长的问题[[24], [25], [26]]。近年来,基于人工智能的力学方法作为一种强大的替代方案,被用于预测CFRP夹层结构的力学行为[[27], [28], [29]]。该方法将神经网络及其他智能计算技术与力学原理或实验数据相结合,从而实现更准确的性能预测[[29], [30], [31], [32], [33], [34]]。通过在模型构建过程中加入物理约束,基于人工智能的力学方法不仅能提高计算效率,还能确保结果符合基本的力学规律[23,[35], [36], [37]]。经过优化后,这些模型具备很强的泛化能力[[38], [39], [40], [41]]。例如,李[42]提出了一种基于应变场的创新损伤检测方法,采用Res-Mask R–CNN架构,成功检测并分类了复合层中的各种损伤类型,如开口孔洞、次表面缺陷和分层现象。这些研究充分体现了基于人工智能的力学方法的有效性。不过,现有许多方法仍然严重依赖模拟数据集,而模拟数据可能存在的误差会降低模型的准确性。
已有研究采用实验数据来训练模型,以预测复合材料的性能[[43], [44], [45], [46], [47]]。穆罕默德[48]开发了一种机器学习框架,用于预测通过选择性激光熔化技术制造的AlSi10Mg铝合金的局部应变分布、塑性各向异性以及失效演化过程。也有研究将神经网络模型与实验数据相结合,用于预测层合结构和格子结构的性能[[49], [50], [51], [52], [53], [54]],这类结构是夹层结构中面层和核心材料的常见组合形式。吴[55]则提出了一种级联式的集成机器学习框架,用于快速设计和优化复合板格超材料。不过据作者所知,针对夹层结构的神经网络模型尚未有太多相关报道。
在某些应用中,单一神经网络模型的预测结果往往无法达到所需的精度水平[[56], [57], [58]]。一些研究则采用无监督聚类方法来辅助预测复合材料的性能[[59], [60], [61], [62], [63]]。梁[64]提出了一种整合自洽簇分析与时序神经网络的求解方法,能够高效且准确地计算UD-RVE的非线性力学响应。唐[65]则提出了一种考虑边界条件的聚类分析方法,通过聚类可以大幅简化控制方程,从而降低计算成本。
为克服上述局限性,本研究提出了一种K均值增强型卷积神经网络模型,用于预测CFRP夹层结构的位移场,该模型直接采用了实验中获得的数字图像相关数据。第2部分对CFRP夹层试件进行了准静态面内压缩试验,并利用DIC技术获取表面位移场。第3部分将区域感知的K均值聚类算法与CNN框架相结合,融入了基于人工智能的力学思想中的无监督学习原理。第2部分中通过实验获得的DIC位移等高线图被用作训练数据。模型的有效性通过与其他实验结果的对比得以验证。第4部分将所提出的K均值增强型CNN模型与有限元方法及单一CNN模型的预测结果进行比较,结果表明该方法提升了计算效率与精度。第5部分通过参数研究验证了该模型的通用性,同时展示了CFRP夹层结构的设计适应性。该方法可用于快速进行结构优化。基于人工智能的力学方法的位移场预测整体框架如图1所示。