损伤复合材料旋转梁振动行为研究的神经网络方法

《Modelling》:Neural Approach to Study the Vibration Behavior of Damaged Composite Rotating Beams Patricia Rubio Herrero, Belén Mu?oz-Abella, Inés Iva?ez and Lourdes Rubio

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

编辑推荐:

  近几十年来,人工神经网络(Artificial Neural Networks,ANNs)已成为解决复杂工程挑战的稳健工具。本文实现了一种基于ANN的方法,用于确定具有芯层缺陷的旋转夹层复合梁的固有频率。研究重点关注转速以及缺陷特征(尺寸与位置)对一种由碳纤维

  
近几十年来,人工神经网络(Artificial Neural Networks,ANNs)已成为解决复杂工程挑战的稳健工具。本文实现了一种基于ANN的方法,用于确定具有芯层缺陷的旋转夹层复合梁的固有频率。研究重点关注转速以及缺陷特征(尺寸与位置)对一种由碳纤维面板和蜂窝芯构成梁体的影响,该结构因其高比强度(strength-to-weight ratio)而被选用于下一代设计。本文的主要创新在于提供了一种简化模型,并通过基于ANN的代理模型(surrogate)建立了自动化、高速的频率预测过程。该方法绕过了三维有限元法(3D-FEM)模拟所需的高昂计算成本,从而实现了近乎瞬时的结果输出,这对于实时结构健康监测(Structural Health Monitoring,SHM)应用至关重要。
该文发表于《Modelling》,围绕损伤复合材料旋转梁振动特性的高效预测展开。研究背景源于风能系统运行可靠性与维护效率提升的现实需求。风力机叶片作为核心承载部件,其结构动力学行为直接关系到整机性能与服役安全。现有风电叶片普遍采用复合材料夹层结构,以兼顾轻量化与高比强度特性;其中,碳纤维增强复合材料(Carbon Fiber Reinforced Polymer,CFRP)面板与蜂窝芯的组合,代表了大尺寸下一代叶片的重要候选构型。然而,叶片在制造与服役过程中可能因环境侵蚀、载荷作用和工艺缺陷而出现局部损伤,这些损伤会改变结构的固有频率与振型等动力学特征,因此准确识别损伤对振动响应的影响,是实现结构健康监测(Structural Health Monitoring,SHM)的关键问题。

现有关于旋转梁振动的研究较多,但主要集中于传统材料梁、层合复合材料梁,或裂纹梁模型。针对采用CFRP面板与Nomex?蜂窝芯构成的损伤夹层复合旋转梁,尤其是研究芯层横向非连续缺陷对振动特性的影响,文献中相关工作较少。与此同时,三维有限元法(3D Finite Element Method,3D-FEM)虽然能够较准确地刻画复杂夹层结构及损伤状态下的动力学响应,但计算代价高、效率低,难以满足实时监测场景对快速预测的要求。因此,开展一项既能保留复杂结构动力学特征、又能实现快速频率预测的研究具有明确必要性。

研究人员建立了一个旋转损伤夹层复合梁问题模型。该梁为矩形截面,绕Y轴以恒定角速度Ω逆时针旋转,在蜂窝芯内设置距固支端一定位置的横向非连续缺陷。缺陷由相对尺寸α和相对位置ξ表征,其中α取0、0.01、0.02、0.03,ξ取0.14、0.355、0.57、0.785;α=0表示无损梁。梁的面板采用IM7/MTM-45-1碳纤维复合材料,由16层铺设,铺层顺序为[0/+45/90/?45]2S;芯层采用Nomex?六边形规则蜂窝。研究同时考虑Ω=30–100 rad/s、步长10 rad/s的8种转速,以覆盖较广参数范围。

研究所用主要技术方法可概括为以下几类。首先,建立ABAQUS/Implicit三维动力学隐式有限元模型,将夹层梁、刚性转轴、面板与蜂窝芯分别建模,并通过“Tie”约束实现界面连接;模型总计约80,000个单元、160,000个节点。其次,采用梁自由端Y向加速度时程作为输出信号,经快速傅里叶变换(Fast Fourier Transform,FFT)提取前四阶固有频率,并使用Kaiser窗函数抑制谱泄漏。再次,通过与文献中的旋转钢梁解析结果及非旋转夹层梁频率结果比较,对模型进行双重验证。最后,利用有限元生成的数据训练多层前馈感知机(multilayer perceptron feedforward neural network),输入为缺陷尺寸、缺陷位置、转速和频率阶次,输出为无量纲固有频率;数据按70%/15%/15%划分为训练、验证和测试集,采用Levenberg–Marquardt反向传播算法训练。

在“Rotating Damaged Beam Model Problem Statement”部分,研究人员明确了研究对象、几何参数、材料构型及转速与边界条件。该部分给出了缺陷相对尺寸α与相对位置ξ的定义,并说明研究对象是一端固支、一端自由的旋转夹层复合梁。该问题设置为后续参数化动力学分析和代理模型构建提供了统一基础。

在“Numerical Model”部分,研究人员构建了三维有限元模型。模型中,刚体部分模拟物理旋转轴,夹层梁部分为可变形体,面板与蜂窝芯独立建模并通过约束耦合。面板采用SC8R单元,芯层采用S3单元,刚体部分采用R3D3单元。通过施加预定义恒定角速度场模拟旋转,并指出每一转速工况下需完成7圈旋转才能使结果收敛,采样频率为10,000 Hz。该部分表明模型具有处理复杂夹层结构和旋转动力学耦合问题的能力。

在“Obtaining Frequencies from Numerical Model”部分,研究人员说明了固有频率的提取流程。通过获取自由端Y向加速度信号并进行FFT频域分析,得到梁在XY平面内前四阶固有频率。结果显示信号初期存在较高幅值的瞬态段,因此采用β=10的Kaiser窗函数降低泄漏效应和旁瓣影响。该部分确立了从时域动力学响应到频域特征提取的标准化过程。

在“Verification of the Numerical Model”部分,研究人员完成了数值模型验证。其一,在“Comparison with Literature Results of Rotating Beams”中,将所建模型在钢梁条件下的结果与已有解析方法结果比较,前两阶频率最大相对误差为2.15%,说明频率提取流程与旋转动力学建模可靠。其二,在“Comparison with Literature Results for Non-Rotating Beams”中,将夹层梁非旋转情形下的前三阶频率与文献结果比较,相对误差小于0.8%,验证了夹层结构建模的准确性。通过这两类对照,研究人员认为模型对旋转梁与夹层梁两方面的振动行为均具有良好表征能力。

在“Numerical Results”部分,研究人员系统分析了转速及缺陷参数对频率的影响。

在“Influence of the Rotation Speed”部分,通过104组工况计算得到前四阶固有频率。结果表明,对所有完整和损伤工况,固有频率均随角速度增加而升高,这与转速提高导致梁等效刚度增加相一致。与此同时,第一阶固有频率对转速的增幅相对较小,而各阶频谱幅值则随转速升高而增大。该结果说明转速是影响旋转夹层梁动力学响应的关键外部参数。

在“Influence of Defect Size and Location”部分,研究人员分析了蜂窝芯横向非连续缺陷的尺寸和位置效应。总体上,缺陷存在会因局部柔度增加而降低固有频率。对第一阶频率而言,缺陷尺寸越大,频率降低越明显,且缺陷位置越远离固支端,影响越弱。第二阶频率同样随缺陷尺寸增大而降低,但在ξ=0.355附近几乎不受缺陷严重程度影响,该位置对应第二振型的振动波腹附近,模态曲率较小,因此频率敏感性弱。第三阶频率在ξ=0.355和ξ=0.785附近出现较低值,表明这些位置邻近振动节点,模态曲率较大,对损伤更敏感;而在ξ=0.57附近,对缺陷尺寸敏感性较低。第四阶频率也随缺陷增大而下降,并且对缺陷尺寸表现出高于低阶模态的敏感性,其最小频率出现在ξ=0.57附近,而在ξ=0.14和ξ=0.785附近几乎不随缺陷尺寸变化。研究还总结了各阶频率最大相对变化对应的位置:第一、二阶约在ξ=0.14,第三阶约在ξ=0.355和ξ=0.785,第四阶约在ξ=0.57。该部分揭示了损伤可探测性与模态空间分布之间的紧密联系。

在“Artificial Neural Network Approach”部分,研究人员基于数值模型数据建立ANN,用于根据缺陷特征和转速预测前四阶频率。网络采用多层前馈感知机结构,输入变量为缺陷尺寸、缺陷位置、转速和频率阶次,共4个输入;输出为无量纲固有频率μ,无量纲化处理以非旋转无损梁的固有频率为基准。隐藏层和输入层采用log-sigmoid激活函数,输出层采用线性函数。网络性能以均方误差(Mean Square Error,MSE)和相关系数R2评价。最优网络为单隐层35神经元,对应MSE=2.02×10?6,R2=0.9925。训练、验证和测试误差曲线在约第30个epoch后趋于稳定,且验证与测试曲线未出现发散,表明未发生明显过拟合。

在“Comparison with Values Used in Network Training”部分,研究人员将ANN预测值与训练中使用的数值结果进行比较。结果显示,对不同缺陷位置、不同转速以及前四阶频率,ANN预测与有限元数据具有良好一致性。各尺寸和位置组合下的平均相对误差均较小,最大不超过3.1%;残差呈随机分布,未表现出系统性模式。这说明ANN较好地学习了输入参数与频率响应之间的非线性关系。

在“Comparison with Values Not Used in the Training of the Network”部分,研究人员通过6组未参与训练的新工况检验ANN稳健性。结果表明,所有测试案例的误差均不超过4.5%,且最大误差仅出现在第四阶频率ω4;对工程中更关键的第一、第二阶频率,预测精度更高。该结果支持将低阶频率作为主要监测量、将高阶模态作为辅助信息以分辨损伤位置的应用思路。

讨论而言,本文工作表明,针对CFRP面板/Nomex?蜂窝芯夹层旋转梁,转速会整体提升固有频率,而芯层横向非连续缺陷会降低固有频率,其影响程度受模态阶次、缺陷尺寸及相对位置共同控制。损伤敏感性并非均匀分布,而是与振型节点、波腹及模态曲率相关。研究进一步证明,以三维有限元结果为基础训练的ANN代理模型能够在保证较高精度的同时显著降低计算成本,从而为实时结构健康监测提供可行路径。该研究的重要意义在于:一方面弥补了损伤夹层复合旋转梁,特别是CFRP/蜂窝芯构型在振动预测领域的研究空缺;另一方面为复杂旋转复合结构的快速诊断提供了可推广的方法框架。

研究结论部分可译述如下:本文开发了一种基于人工神经网络(ANN)的预测方法,用于根据转速、缺陷尺寸与缺陷位置估计损伤夹层复合梁前四阶固有频率。用于训练ANN的数据集来自一个旋转夹层梁三维动力学数值模型,该模型表征了CFRP面板与蜂窝芯复杂构型在不同转速和损伤条件下的结构响应。夹层梁的固有频率通过对动力学模型生成的加速度信号实施快速傅里叶变换(FFT)获得。FFT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;当非连续缺陷位于振动波腹附近时,频移最大,而位于振动节点附近时,系统对损伤几乎不敏感。所提出ANN结构具有优异的预测精度:与建模数据集相比,相对误差低于3.1%;对于未参与训练的独立数据,最大误差为4.5%,且该误差仅出现在第四阶频率ω4,而在实际结构监测中更关键的第一、第二阶频率上具有更高精度。据作者所知,该研究首次提出能够根据转速及缺陷特征(尺寸与位置)预测由碳纤维增强复合材料面板和蜂窝芯组成的损伤旋转夹层梁固有频率的ANN。该方法为损伤夹层结构振动分析提供了稳健且计算高效的框架,避免了传统3D-FEM在实时应用中的高成本。
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