《Modelling》:A Comparative Study and Experimental Investigation of Multi-Objective Optimization for Geothermal-Driven Organic Rankine Cycle
Kaiyi Xie,
Haotian He and
Yuzheng Li
编辑推荐:
近几十年来,人工神经网络(ANN)已成为解决复杂工程挑战的稳健工具。本文实施了一种基于人工神经网络(ANN)的方法,用于确定含芯层缺陷的旋转夹层复合梁的固有频率。研究重点考察了转速以及缺陷特征(尺寸和位置)对梁体响应的影响。该梁采用碳纤维面板与蜂窝芯结构,因其
近几十年来,人工神经网络(ANN)已成为解决复杂工程挑战的稳健工具。本文实施了一种基于人工神经网络(ANN)的方法,用于确定含芯层缺陷的旋转夹层复合梁的固有频率。研究重点考察了转速以及缺陷特征(尺寸和位置)对梁体响应的影响。该梁采用碳纤维面板与蜂窝芯结构,因其高比强度(strength-to-weight ratio)而被选作下一代设计的代表性构型。本文的主要创新在于提出了一种简化模型,并通过基于人工神经网络(ANN)的代理模型(surrogate)建立了固有频率预测的自动化高速流程。该方法绕开了三维有限元法(3D-FEM)仿真的高昂计算代价,从而能够获得近乎瞬时的结果,满足实时结构健康监测(SHM)应用的需求。
该文发表于《Modelling》,研究对象是含缺陷旋转复合夹层梁的振动频率快速预测问题。尽管题名涉及“地热驱动有机朗肯循环多目标优化”,但正文与摘要实际围绕人工神经网络(Artificial Neural Network,ANN)辅助的旋转夹层复合梁固有频率识别展开,核心材料体系为碳纤维增强聚合物(Carbon Fiber Reinforced Polymer,CFRP)面板与Nomex?蜂窝芯。研究背景在于,风能作为增长迅速的可再生能源形式,对风力机叶片的可靠性、运行效率与维护优化提出了更高要求。叶片作为关键承载构件,常采用夹层复合结构以兼顾低比重与高比强度。然而,叶片在制造与服役过程中可能出现裂纹、脱层或芯层不连续等损伤,这些损伤会改变结构的动力学特征,尤其是固有频率与振型。对于旋转复合夹层梁而言,若直接依赖三维有限元法(3D-FEM)进行大量工况计算,计算成本很高,难以支持实时结构健康监测(Structural Health Monitoring,SHM)。因此,有必要建立一种兼具物理可信度与计算高效性的快速预测框架。
围绕这一问题,研究人员建立了旋转受损复合夹层梁的三维动力学数值模型,并在此基础上构建人工神经网络代理模型,用于依据转速、缺陷尺寸和缺陷位置快速预测前四阶固有频率。研究表明,该方法能够较准确地再现数值模型结果,并显著降低传统三维有限元分析的计算负担。结果显示,转速升高会导致固有频率提高;蜂窝芯横向不连续缺陷会降低固有频率,且其影响程度与缺陷尺寸、位置以及对应振型密切相关。最终构建的ANN在训练数据与独立测试数据上均表现出较高精度,证明其适用于损伤旋转夹层结构振动分析与实时监测应用。
方法概括:研究人员首先建立了基于ABAQUS/Implicit的三维动态隐式有限元模型,模拟CFRP面板-Nomex?蜂窝芯旋转夹层梁在不同角速度Ω、缺陷相对尺寸α与相对位置ξ条件下的动力响应;随后提取自由端Y向加速度信号,采用快速傅里叶变换(FFT)识别前四阶固有频率,并将无量纲频率μ作为输出构建多层前馈感知机ANN。网络采用Levenberg-Marquardt反向传播监督学习算法,数据按70%/15%/15%划分为训练、验证与测试集,以均方误差(MSE)和相关系数R
2评估性能。
在主体结果方面,论文依次展开如下。
2. Rotating Damaged Beam Model Problem Statement
研究人员定义了一个绕Y轴以恒定角速度Ω逆时针旋转的受损复合夹层梁模型,梁一端固支于旋转轴,另一端自由。损伤形式为蜂窝芯中的横向不连续缺陷,以相对尺寸α=d
1/L与相对位置ξ=L
h/L表征。研究考虑了α=0、0.01、0.02、0.03以及ξ=0.14、0.355、0.57、0.785等典型工况。材料方面,面板采用16层IM7/MTM-45-1碳纤维复合材料,铺层序列为[0/+45/90/?45]
2S,芯层采用Nomex?六边形蜂窝。角速度范围为30–100 rad/s,每10 rad/s取一档,以覆盖更广泛工况并便于分析旋转效应。
3. Numerical Model
研究人员在商业软件ABAQUS中实施三维动态隐式分析。模型由可变形夹层梁实体与刚性旋转轴组成,通过“Tie”约束连接梁与轴、芯层与面板界面,以消除相对位移。网格规模约为80,000个单元和160,000个节点。刚体部分采用R3D3单元,面板采用SC8R单元,蜂窝芯采用S3单元。旋转通过预定义恒定角速度场施加于整个梁体。为保证结果收敛,每个转速工况均模拟7圈旋转,采样频率为10,000 Hz。该建模方案保证了夹层构型、旋转惯性与局部缺陷响应能够被统一表征。
4. Obtaining Frequencies from Numerical Model
研究人员通过提取自由端Y向加速度时程,并对信号执行快速傅里叶变换(FFT),得到旋转梁在XY平面内的前四阶固有频率。针对初始阶段的较强瞬态响应,采用Kaiser窗函数,形状参数β=10,以减少频谱泄漏并抑制旁瓣影响。该处理流程构成了从时域动力响应到频域特征识别的关键技术路径,也是后续ANN训练数据生成的基础。
5. Verification of the Numerical Model
为验证模型可靠性,研究人员进行了两类对比。
5.1. Comparison with Literature Results of Rotating Beams
由于文献中缺乏与本文完全一致的旋转夹层梁结果,研究人员先将所建方法应用于传统钢梁,并与Mu?oz-Abella et al.的解析结果比较前两阶固有频率。结果最大相对误差为2.15%,表明旋转频率提取流程具有良好准确性。
5.2. Comparison with Literature Results for Non-Rotating Beams
随后,研究人员又将所开发夹层梁模型在非旋转条件下与Pourriahi et al.关于夹层梁频率结果进行比较。尽管边界条件、尺寸和材料需要适配,前三阶频率相对误差仍低于0.8%。两类验证共同说明,该数值模型对旋转与夹层结构振动行为均具备较高可信度。
6. Numerical Results
6.1. Influence of the Rotation Speed
基于已验证的数值模型,研究人员共分析了104种工况,并提取各工况前四阶固有频率。结果表明,随着角速度Ω增大,固有频率整体升高,说明旋转增强了梁体等效刚度。这一趋势对完整梁和含缺陷梁均成立。与此同时,第一阶固有频率随转速增加的增幅相对较小;而所有工况下响应信号幅值也随转速增大而增加。该部分结果说明,旋转刚化效应是控制系统动力学特征的重要因素。
6.2. Influence of Defect Size and Location
研究人员进一步分析了缺陷尺寸与位置的影响。结果表明,蜂窝芯横向不连续会因局部柔度增加而降低固有频率。对第一阶频率而言,缺陷越大,频率越低;且缺陷越靠近较小ξ位置,影响越明显。第二阶频率也随缺陷尺寸增大而下降,但对位置的敏感性表现出模态相关特征:在ξ=0.14附近频率降幅最大,而在ξ=0.355附近几乎对缺陷不敏感,对应第二振型反节点附近曲率较小区域。第三阶频率在ξ=0.355和ξ=0.785附近最敏感,在ξ=0.57附近则相对不敏感。第四阶频率同样随损伤加重而降低,且对缺陷尺寸更敏感;其最小值出现在ξ=0.57附近,而ξ=0.14和ξ=0.785附近变化较小。研究还归纳了各阶频率最大相对变化对应的位置,说明损伤可测性与模态曲率分布密切相关。
7. Artificial Neural Network Approach
在数值数据基础上,研究人员构建了一个多层前馈感知机ANN,用于根据缺陷尺寸、位置、转速及频率阶次预测无量纲固有频率μ。网络具有4个输入与1个输出,隐含层与输出层分别采用log-sigmoid函数和线性函数。训练采用Levenberg-Marquardt反向传播算法,以MSE和R
2为指标。最优网络包含1个隐含层和35个神经元,得到MSE=2.02×10
?6、R
2=0.9925。训练、验证和测试误差曲线在约第30轮后趋于稳定,且验证与测试曲线未出现发散,说明网络不存在明显过拟合。
7.1. Comparison with Values Used in Network Training
将ANN预测值与用于建模的原始数值结果比较后发现,两者吻合良好。对于不同缺陷位置、不同转速以及四阶频率,网络都能较好重构频率-损伤关系。统计结果显示,各尺寸与位置组合下的平均相对误差均较小,最大不超过3.1%。残差分析进一步表明,残差呈随机分布且无明显模式,支持网络拟合的稳定性与合理性。
7.2. Comparison with Values Not Used in the Training of the Network
为评估泛化能力,研究人员随机选取6组未参与训练的工况进行测试。结果显示,所有案例中误差均不超过4.5%。值得注意的是,最大误差仅出现在第四阶固有频率ω
4,而在工程监测中更关键的第一、第二阶频率预测精度更高。研究指出,该方法通过低阶频率实现稳健检测,同时利用高阶模态辅助消除损伤定位中的空间歧义。
讨论部分可概括为:该研究系统揭示了旋转效应、缺陷尺寸和缺陷位置对CFRP/蜂窝芯夹层梁固有频率的耦合作用规律,并证明模态敏感性受振型节点、反节点及模态曲率分布显著控制。与直接使用三维有限元法相比,ANN代理模型在保留较高预测精度的同时极大提升了计算效率,因此特别适合面向实时结构健康监测的在线频率识别任务。论文的重要意义在于首次提出了针对含蜂窝芯横向不连续缺陷的旋转CFRP夹层梁固有频率预测ANN框架,为先进复合叶片结构的快速诊断提供了可扩展的技术路线。
研究结论部分可译为:
本文开发了一种基于人工神经网络(ANN)的方法,用于根据转速、缺陷尺寸和缺陷位置估计受损复合夹层梁的前四阶固有频率。训练ANN所需的数据集由旋转夹层梁的三维动态数值模型生成。该模型纳入了CFRP面板与蜂窝芯的复杂构型,此类结构因其优异的比强度与力学性能而广泛应用于高性能场景。通过三维建模方法,模型能够捕捉材料在不同转速与损伤条件下的复杂结构响应。夹层梁的固有频率通过对动态模型生成的加速度信号施加快速傅里叶变换(FFT)获得。FFT频谱分析表明,固有频率对损伤的敏感性高度依赖于损伤位置ξ;当不连续缺陷位于反节点附近时,频率偏移最大,而当损伤接近振动节点时,系统对其几乎不敏感。所提出的ANN架构显示出优异的预测精度:与建模数据集相比,相对误差低于3.1%;对独立测试数据,最大误差为4.5%。该4.5%的误差严格局限于第四阶固有频率ω
4,而对实际结构监测最关键的第一、第二阶模态则具有更高精度。据作者所知,本研究首次提出了一种能够依据转速与缺陷特征(尺寸和位置)预测受损旋转夹层梁固有频率的ANN。该方法为受损夹层结构振动分析提供了稳健且计算高效的框架,可绕开传统三维有限元法(3D-FEM)的高成本,从而服务于实时应用。