结合K均值算法与神经网络对夹层结构进行预测

《International Journal of Mechanical Sciences》:Prediction of sandwich structures combining K-means algorithm with neural network

【字体: 大 中 小 】 时间:2026年03月06日 来源:International Journal of Mechanical Sciences 11.4

编辑推荐:

  周欣|宋子文|高俊杰|孙志|石珊珊|郭旭中国大连理工大学工业设备结构分析、优化与CAE软件国家重点实验室,辽宁大连116024摘要由于具有类似组织的微观结构,带蜂窝芯的夹层结构在高速列车、飞机和船舶等应用中逐渐取代传统金属材料。本研究提出一种基于区域感知的K均值聚类算法,结合卷积

  
周欣|宋子文|高俊杰|孙志|石珊珊|郭旭
中国大连理工大学工业设备结构分析、优化与CAE软件国家重点实验室,辽宁大连116024

摘要

由于具有类似组织的微观结构,带蜂窝芯的夹层结构在高速列车、飞机和船舶等应用中逐渐取代传统金属材料。本研究提出一种基于区域感知的K均值聚类算法,结合卷积神经网络模型,并融入无监督学习技术,用于预测碳纤维增强聚合物夹层结构的位移场。首先通过数字图像相关技术记录试件的表面位移场,随后进行准静态平面压缩试验,以DIC实验得到的位移等高线图作为数据集。通过与实验结果的对比,验证了所提模型的准确性和效率。与有限元方法相比,该K均值增强型CNN模型可将计算时间缩短83.86%,同时相较于单一CNN模型,还能将CFRP夹层试件的边缘预测误差降低95.52%。参数研究进一步证明了该方法的通用性,显示出其在提升CFRP夹层结构设计灵活性方面的潜力。

引言

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。

章节节选

实验表征

本节详细介绍了四种类型夹层结构的面内压缩试验情况,包括普通夹层、受乌贼骨结构启发的夹层、受雪松木结构启发的夹层以及混合型夹层。文中还分别描述了不同核心结构及碳纤维增强面层的制造工艺。通过DIC测量获得的位移场等高线图将被用作训练神经网络模型的数据集。

神经网络框架的构建

复合材料具有优异的性能和极高的设计灵活性,能够实现多种多样的结构形式。例如,CFRP夹层结构可以采用多种不同的核心结构布置方式。在本研究中,以DIC实验获得的位移等高线图作为训练数据,用来预测受到面内压缩作用时的CFRP夹层结构的位移场。

结果与讨论

本节将所提出的K均值增强型CNN模型的预测结果与有限元方法及单一CNN模型的预测结果进行对比。对比结果表明,该模型不仅提升了计算效率,还提高了预测精度。

参数研究与讨论

CFRP夹层结构具有独特的结构形式和高设计灵活性。在本节中,利用所提出的K均值增强型CNN模型,可以快速且准确地预测具有不同参数的CFRP夹层结构的表面位移场。通过预测不同核心结构布置下的夹层位移场,可以评估该K均值增强型CNN模型的泛化能力。在预测过程中,需要考虑

结论

本研究通过将无监督K均值算法与CNN模型相结合,并置于基于人工智能的力学框架之下,实现了对CFRP夹层结构位移场的预测。该模型以实验中获得的DIC位移等高线图作为训练数据,其有效性通过与其他实验结果的对比得到了验证。此外,还通过参数研究来评估模型的泛化能力,并分析核心结构对模型性能的影响

数据获取方式

相关数据可应要求提供。

CRediT作者贡献说明

周欣:正式分析,撰写初稿。
宋子文:模型验证。
高俊杰:软件开发。
孙志:方法设计,撰写审稿与编辑稿。
石珊珊:项目指导。
郭旭:项目指导。

CRediT作者贡献说明

周欣:撰写初稿,正式分析。宋子文:模型验证。高俊杰:软件开发。孙志:撰写审稿与编辑稿,方法设计。石珊珊:项目指导。郭旭:项目指导。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号