旋转蜂窝夹芯梁含横向芯层不连续缺陷时的固有频率人工神经网络(Artificial Neural Network, ANN)预测模型

《Modelling》:A Queuing-Network-Based Optimization Model for EV Charging Station Configuration in Highway Service Areas Hongwu Li, Bin Zhao, Zhihong Yao and Yangsheng Jiang

【字体: 大 中 小 】 时间:2026年03月12日 来源:Modelling 1.5

编辑推荐:

  本文提出一种基于人工神经网络(Artificial Neural Network, ANN)的方法,用于预测含蜂窝芯(honeycomb core)横向不连续缺陷(transverse discontinuity / core discontinuity)的旋

  
本文提出一种基于人工神经网络(Artificial Neural Network, ANN)的方法,用于预测含蜂窝芯(honeycomb core)横向不连续缺陷(transverse discontinuity / core discontinuity)的旋转复合材料夹芯悬臂梁(cantilever sandwich beam with Carbon Fiber Reinforced Polymer, CFRP, face-sheets)的前四阶固有频率(natural frequency ω1–ω4),该频率随旋转角速度Ω、缺陷相对尺寸α及相对位置ξ变化。研究人员首先建立三维有限元动力模型获取数据集,通过快速傅里叶变换(Fast Fourier Transform, FFT)提取不同转速(Ω=30~100 rad/s)、不同缺陷尺寸(α)与位置(ξ)下的前四阶固有频率,并以无量纲化频率μ=ωdamaged/ωintact,non-rotating作为输入输出关系。采用多层感知器前向网络(multilayer perceptron feedforward neural network),以缺陷尺寸α、位置ξ、转速Ω及模态阶数(1–4)为输入,以无量纲固有频率μ为输出,经Levenberg-Marquardt反向传播算法训练。结果表明,所建ANN在训练集上均方误差(Mean Squared Error, MSE)=2.02×10?6、相关系数R2=0.9925,平均相对误差低于3.1%;对未参与训练的测试样本最大误差不超过4.5%(仅限第四阶频率),验证了该方法可有效替代耗时的三维有限元分析(Three-Dimensional Finite Element Method, 3D-FEM)用于旋转夹芯梁损伤振动特性的快速预测。
《旋转蜂窝夹芯梁含芯层不连续缺陷时固有频率的ANN预测模型》——Modelling期刊论文解读
一、研究背景与意义
旋转复合材料夹芯梁(sandwich beam with honeycomb core and CFRP face-sheets)广泛应用于航空航天及高速旋转机构中,其动力学特性受旋转离心刚化效应(centrifugal stiffening effect)及结构损伤(如芯层不连续/局部缺失)共同影响。传统基于三维有限元法(3D-FEM, Three-Dimensional Finite Element Method)的动力分析虽精度较高,但计算成本高,难以满足在线结构健康监测(Structural Health Monitoring, SHM)或实时损伤评估的需求。现有研究对旋转工况下含芯层缺陷夹芯梁的频率偏移规律及高效预测模型尚不充分。本研究旨在建立一种人工神经网络(Artificial Neural Network, ANN)代理模型,以旋转速度Ω、缺陷相对尺寸α、相对位置ξ及频率阶数为输入,快速预测前四阶固有频率(natural frequency ω1–ω4),为旋转夹芯结构的振动分析与损伤识别提供计算高效的工具。
二、主要技术方法
研究人员采用ANSYS建立三维旋转悬臂夹芯梁有限元模型(CFRP面板+铝制六边形蜂窝芯),通过引入芯层局部单元删除模拟不同相对尺寸α∈{0.01,0.02,0.03}与相对位置ξ∈[0,1](沿梁长方向归一化坐标)的横向不连续缺陷,设置旋转角速度Ω=30,40,…,100 rad/s,共104个算例。对每个模型施加强迫激励并提取时域加速度响应,经快速傅里叶变换(Fast Fourier Transform, FFT)获得前四阶固有圆频率ωi(i=1–4)。定义无量纲频率 μi=ωi(Ω,α,ξ)/ωi(Ω=0,完好),作为ANN输出目标。构建含一个隐含层(35个神经元)的多层感知器前向网络(multilayer perceptron feedforward neural network),输入层四维变量为{α, ξ, Ω, 模态阶数},输出层为μi,隐含层激活函数为对数S型函数(log-sigmoid),输出层为线性函数,采用Levenberg-Marquardt反向传播算法(Levenberg-Marquardt backpropagation algorithm)划分70%训练、15%验证、15%测试数据进行监督学习,以均方误差(Mean Squared Error, MSE)与决定系数R2评价性能。
三、研究结果
5. Model Validation(模型验证)
研究人员将无损伤旋转梁数值解与Mu?oz-Abella等人文献值对比,相对误差公式 Err=|ωM?ωL|/ωL×100%,各阶误差<0.5%;与非旋转自由–自由夹芯梁Pourriahi等人文献值对比前三阶频率相对误差<0.8%,验证数值模型可靠性。
6.1. Influence of the Rotation Speed(旋转速度的影响)
对完好梁及含不同缺陷工况计算Ω=30~100 rad/s范围内前四阶频率。FFT频谱显示:①固有频率随Ω增大而升高(离心刚化效应增加等效弯曲刚度);②一阶频率随转速增幅最小;③响应幅值随Ω增大。此规律在完好梁与损伤梁中均成立。
6.2. Influence of Defect Size and Location(缺陷尺寸与位置的影响)
固定Ω=100 rad/s,绘制ω1–ω4随ξ的变化曲线(不同α):
  • •
    一阶频率ω1:缺陷使频率降低(局部柔度增加);频率降随α增大而增大;对ξ越靠近固定端(小ξ)影响越大,最大频移约在ξ=0.14。
  • •
    二阶频率ω2:频率随α增大下降;在ξ=0.14处取极小值,ξ=0.355(二阶振型波腹/antinode,模态曲率modal curvature极小)附近频率几乎不随α变化,随后再降并在ξ=0.785出现次极小。
  • •
    三阶频率ω3:频率随α增大下降;最低值出现在ξ=0.355与ξ=0.785(接近三阶节点nodes,模态曲率大),对缺陷最敏感;在ξ≈0.57(近三阶波腹)敏感性最低。
  • •
    四阶频率ω4:频率随α增大下降且对α较前三阶更敏感;最小频率位于ξ=0.57(近四阶节点),最大不敏感区在ξ=0.14与ξ=0.785(近四阶波腹)。缺陷位于振型节点(大模态曲率)时频率降最显著,位于波腹(近零模态曲率)时影响可忽略,符合振动理论预期。
7. Artificial Neural Network Approach(人工神经网络方法)
输入{α, ξ, Ω, 阶数}→输出μ。最优结构:单隐层35神经元,log-sigmoid+线性输出,LM训练。训练、验证、测试误差曲线同步收敛且无过拟合(validation error未回升)。训练集MSE=2.02×10?6,R2=0.9925;平均相对误差<3.1%。残差随机分布无模式,证明模型无偏。
7.1. Comparison with Values Used in Network Training(与训练集对比)
ANN预测值与FEM数值值吻合良好,各α、ξ、Ω组合下相对误差≤3.1%。
7.2. Comparison with Values Not Used in the Network Training(与未参与训练样本对比)
6组独立测试样本(参数空间外推)最大相对误差4.5%(仅限ω4),一、二阶频率误差远小于此,表明ANN具备良好泛化能力。
四、结论(Discussion & Conclusions)
研究人员得出结论:①所建三维旋转夹芯梁有限元模型可有效捕捉离心刚化与芯层不连续缺陷耦合效应,经文献对比验证;②固有频率随旋转速度增加而上升,随缺陷尺寸增大而下降,频移敏感性与缺陷所处位置相对振型节点/波腹密切相关——缺陷位于振型节点(大模态曲率)时频率降幅最大,位于波腹(近零模态曲率)时不敏感;③所提单层35神经元MLP-ANN以α、ξ、Ω及模态阶数为输入可高精度预测无量纲前四阶频率,训练集平均误差<3.1%、测试集最大误差4.5%(仅ω4),一、二阶频率预测精度更高;④该研究首次建立了考虑旋转速度与芯层不连续缺陷尺寸/位置的旋转CFRP–蜂窝夹芯梁固有频率ANN预测模型,为夹芯结构振动特性快速评估与基于频率法的损伤识别提供了计算高效且不依赖反复3D-FEM的框架。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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