《COMPOSITES SCIENCE AND TECHNOLOGY》:Enhanced Fusion Prediction of Composite Material Performance Degradation via Interval Processes and Machine Learning
编辑推荐:
针对复合材料性能退化预测中传统实验方法成本高、理论方法参数依赖性强的问题,本文提出融合区间灰色系统理论与双向LSTM神经网络的创新方法。通过GST量化退化区间过程并建立基准模型,结合Bi-LSTM的非线性映射能力实现更精确的退化轨迹预测,实验验证表明其预测精度显著优于现有方法。
丁照虎|梁学峰|吴晓鹏|宁慧明|孙东阳|李阿拉穆西|刘峰|周胜兵|赵立斌|胡宁
重庆大学航空航天工程学院,中国重庆400044
摘要
预测复合材料的性能退化对于确保复合工程结构的安全运行至关重要。传统的实验方法涉及漫长且成本高昂的加速老化测试,而理论方法也存在其固有的局限性。基于物理的方法面临参数调整的困难以及不完整的退化描述,而数据驱动的方法则依赖于数据且可能精度较低。为了克服这些挑战,本文提出了一种创新的方法,该方法将区间退化进程模型与双向长短期记忆(Bi-LSTM)神经网络相结合,以提高预测性能。具体来说,采用灰色系统理论(GST)来量化区间过程。通过将GST与物理信息相结合,提出了一种新的区间退化过程量化方法。该模型作为一个参考框架,使得实验退化数据的映射成为可能。Bi-LSTM网络利用这种非线性映射来预测复合材料的退化轨迹,凭借其强大的序列学习能力。使用两个不同的实验数据集验证了所提出方法的准确性:一个是湿热条件下的刚度退化数据,另一个是循环应力下的疲劳损伤数据。结果清楚地表明,这种融合方法在预测准确性方面优于现有方法,显示出其在复合材料性能退化预测领域的巨大潜力。
引言
由于纤维增强聚合物(FRP)复合材料具有高比强度、高刚度、优异的疲劳抵抗力和耐腐蚀性,它们已被广泛应用于航空航天、汽车、海洋等多个行业[1]。然而,与生产、存储和运输相关的挑战不可避免地会导致其材料性能的退化[2]。定量评估这种退化对于确保FRP结构的安全性、可靠性和生命周期管理至关重要,从而实现预测性维护策略和优化组件设计。尽管通过加速老化测试进行实验表征仍是金标准,但其实施对于全面评估材料性能来说资源消耗巨大。新兴的理论预测方法通过结合计算效率和可适应的建模框架提供了可行的替代方案。退化模型主要有两种类型:突然退化模型和渐进退化模型[2]。突然退化模型假设材料性能瞬间降低,因其简单性和高效性而受到青睐。然而,考虑到复合材料组成、层特性和加载条件之间的复杂相互作用,FRP复合材料的退化通常是逐渐发生的。为此,研究人员提出了渐进退化模型[3], [4]。例如,高等人开发了一种统一的疲劳损伤模型,用于表征疲劳加载下的强度和刚度退化[5]。尽管这些模型取得了进展,但它们中的许多仍然未能考虑来自制造、成型过程和外部环境因素的不确定性。
为了解决这一缺陷,退化过程通常被建模为随机过程,概率密度函数用于捕捉时变退化和不确定性。例如,概率分布函数已被用于模拟循环加载下纤维增强复合材料的初始刚度和临界刚度[6]。然而,概率模型的一个主要缺点是它们需要大量的物理信息,这不仅成本高昂,而且获取这些信息也非常耗时[7]。为了缓解这个问题,可以采用基于区间的方法来预测复合材料的机械性能退化。基于区间的方法是一种非概率方法,它基于集合论和区间算法,是对传统概率方法的有价值补充[8]。它只需要获取不确定参数的上下界,这与工程直觉相符,并且比概率数据更容易获得[9]。此外,在数据有限的场景中,它提供了更实用的解决方案[10]。例如,梁等人[11]展示了区间过程模型在复合材料性能退化不确定性分析和验证中的有效性。尽管区间模型提供了有价值的见解,但在预测单个样本的退化时往往过于保守,尤其是在考虑多个样本和退化机制的不确定性时。
通常,预测单个样本性能退化的方法可以分为两大类:基于物理的方法和数据驱动的方法[12]。基于物理的方法基于退化的物理机制,已被广泛用于预测材料性能[13], [14], [15]。另一方面,基于机器学习(ML)的方法,如支持向量回归(SVR)[16], [17]、随机森林[18], [19]和人工神经网络(ANNs)[20], [21],也因其在退化预测中的有效性而受到欢迎。然而,传统的ANNs在建模时变数据方面面临挑战[17]。此外,高等人[22]提出了一种新的多尺度物理神经网络,用于预测多轴疲劳寿命,可以解决当前物理神经网络在灵活性和单一处理尺度方面的局限性。在数据驱动的方法中,长短期记忆(LSTM)网络作为一种特定的循环神经网络(RNN),特别适用于时间序列数据23], [24]。与其他常用模型相比,双向LSTM(Bi-LSTM)神经网络通过从数据依赖性中提取序列趋势来提高预测模型的准确性。例如,Elsaraiti和Merabet[25]展示了LSTM捕捉风速动态并提高预测准确性的能力。同样,Abduljabbar等人[26]强调了Bi-LSTM在交通流量预测中的潜力。这些结果为将Bi-LSTM应用于复合材料退化建模奠定了坚实的基础,因为在实际工程中存在时变非线性行为。
关于实际工程中复合材料的性能退化模型,基于物理的方法和数据驱动的方法都有各自的局限性。基于物理的方法虽然可解释且在理论上严谨,但通常需要对退化机制有深入的了解,并涉及复杂的参数校准,这限制了它们的实际应用性。相比之下,数据驱动的方法擅长识别复杂的系统模式,但它们严重依赖于训练数据的质量和可用性。当训练数据集存在偏差时,这些模型的预测性能可能会下降。现有区间方法和机器学习方法的主要局限性是:1) 在小样本中获得的大多数区间评估结果往往过于保守;2) 纯数据驱动的机器学习方法通常缺乏可解释性,无法揭示退化过程的潜在物理机制。为了克服这两种方法的局限性,本文提出了一种将区间退化进程模型与LSTM网络相结合的集成框架,以实现稳健的预测。具体来说,我们创新性地开发了一种基于灰色系统理论(GST)的区间退化过程量化方法。该方法不仅将静态区间变量扩展到时域区间过程,还整合了物理信息模型和不确定性。区间退化进程模型提供了预测的基准。然后使用LSTM网络来学习高度非线性的模型偏差,并将它们结合起来进行更可靠的估计。所提出的融合方法结合了区间过程和神经网络,具有三个显著优势:
1)通过嵌入区间退化模型的先验信息,神经网络可以有效地捕捉观察到的退化数据中的潜在演化模式,从而比传统的具有不确定性的区间过程模型实现更准确的预测;
2)通过神经网络预测区间过程坐标内的相对位置,显著减少了网络输入和输出的数值范围。与基于偏差的方法相比,所提出的方法能够更好地描述不同退化阶段的不确定性变化,从而得到更可靠的预测结果;
3)区间过程建模可以通过考虑物理机制来提供对退化趋势的洞察,并在这种融合方法中起主导作用。同时,神经网络的输出严格限制在区间过程的上限和下限之内,确保了物理合理性和预测准确性。
章节片段
基于GST的不确定性量化
本文提出了一种量化区间退化过程模型的新方法。为此,使用GST来量化区间边界。GST不需要大规模样本数据来揭示统计规律。相反,它将原始原始数据重新结构化为具有强烈规律性的序列。不失一般性,考虑一组在特定退化时间没有显著误差的退化数据 x = {x1, x2, …, xNS}。通过排列实验数据
Bi-LSTM神经网络
循环神经网络是一种深度学习方法,它与普通神经网络方法的主要区别在于循环神经网络中的神经元之间存在时间连接,这使得它能够处理时间数据。在众多循环神经网络架构中,LSTM网络是最受欢迎和成熟的技术,广泛应用于时间序列预测领域[38]。传统的LSTM神经网络能够处理单向数据碳纤维增强复合材料的湿热退化预测
为了验证所提出融合方法的有效性,本文首先对碳纤维增强复合材料进行了湿热退化测试,并收集了相关的测试数据。碳纤维增强复合材料的湿热退化测试数据的展示进一步验证了该方法的适用性和有效性。
复合试样由T300碳纤维预浸料制成,层压顺序为[0/90]s,采用热压成型工艺制备。
结论
本研究提出了一种用于复合材料的性能退化预测方法,该方法结合了区间过程和神经网络。通过融合区间过程模型和神经网络的退化信息,所提出的框架实现了更准确和可靠的性能退化预测。与传统的基于偏差的神经网络框架不同,本研究引入了一种基于实际训练数据坐标映射的新学习策略
CRediT作者贡献声明
吴晓鹏:可视化、验证、监督。梁学峰:验证、调查、概念化。孙东阳:撰写 – 审稿与编辑、验证、监督、资金获取。宁慧明:撰写 – 审稿与编辑、验证、监督、资金获取。胡宁:监督、项目管理、资金获取。赵立斌:验证、监督、资金获取。丁照虎:撰写 – 审稿与编辑、撰写 – 原始草稿、方法论,
利益冲突声明
提交本手稿时不存在利益冲突,所有作者均已阅读并批准了提交的手稿。该手稿是原创的,尚未以全部或部分形式发表或接受发表。
致谢
本研究得到了国家自然科学基金(项目编号:12572086, U23A2067, 12227801)、河北省自然科学基金的创新研究群体基金(A2024202045)、大规模锂离子混合储能设备的关键技术和示范应用研究项目(HC23118)以及河北省自然科学基金的重大基础研究项目(A2023202049)的支持。