基于机器学习的变刚度复合有孔板的性能预测

《COMPOSITE STRUCTURES》:Performance prediction of variable stiffness composite holed plate based on machine learning

【字体: 大 中 小 】 时间:2026年04月02日 来源:COMPOSITE STRUCTURES 7.1

编辑推荐:

  变刚度复合材料孔板纤维路径优化与多任务神经网络预测方法研究。基于三次函数曲线划分填充区、变刚度区和恒定刚度区,结合强度准则分析不同填充策略与变刚度区尺寸对拉伸性能的影响,提出融合复合材料力学与机器学习的集成方法,开发专用神经网络模型实现秒级应力响应预测,为智能设计与高效制造提供理论支撑。

  
吕毅|谢家庆|魏晓伟|张一凡|魏金星|张宪志|贾立勇
西安航空大学航空航天工程学院,中国西安710077

摘要

本研究提出了一种基于三次函数曲线确定变刚度复合材料孔板(VSCHPs)纤维路径的方法。将板材划分为三个区域:填充区域、变刚度区域和恒刚度区域。基于强度准则,研究了不同填充策略和变刚度区域尺寸对VSCHPs拉伸性能的影响。此外,开发了一个多任务神经网络模型,以实现快速准确的应力响应预测。该模型以关键设计参数(包括变刚度区域的大小、孔径和主层方向)为输入,输出VSCHPs的应力范围和应力分布。复合材料力学与机器学习的结合使得所提出的方法适用于变刚度复合材料的高效设计和优化,为数据驱动分析和高质量制造奠定了基础。

引言

由于复合材料具有高比强度、高比模量、设计灵活性以及优异的耐腐蚀性和抗疲劳性等优异性能[1]、[2]、[3],它们在航空航天、交通运输和海洋工程中得到广泛应用。其中,带有孔的复合板材在实际应用中是一种关键的结构配置。尽管保持结构完整性是工程设计的基本目标,但由于功能要求、制造限制、成本考虑和维护需求,孔通常是不可避免的。复合材料的承载能力主要取决于增强纤维的连续性。然而,传统的机械钻孔会破坏纤维,降低结构完整性,降低机械性能,并在孔周围产生严重的应力集中[4]、[5]。因此,开发增强带孔复合结构接头强度和应力分布的策略具有重要的工程意义。
随着自动化纤维铺设(AFP)和尾部纤维铺设(TFP)技术的不断进步,现在可以在复合材料层压板中实现连续变化的纤维路径。对于带有孔的复合板材,调整开口周围的纤维路径可以使纤维保持连续,从而保持结构完整性并提高承载能力[6]、[7]、[8]、[9]。然而,纤维角度会影响复合孔板的刚度;因此,随着纤维角度的连续变化,不同空间位置的刚度也会发生变化。这种具有连续变化纤维角度层压板的孔板被称为VSCHPs。已有大量研究探索了VSCHPs的力学行为和优化方法。谢等人基于主应力方法对变刚度孔板进行了有限元仿真计算,并与实验值进行了比较,结果表明具有曲线纤维铺设的孔板表现出更优异的力学性能[10]。Khan等人研究了曲线变刚度孔板的宽度与孔径比例对拉伸强度和失效应变的影响[11]。朱等人通过B样条曲线插值和拟合获得了对应于孔板最大主应力的最佳纤维铺设路径;通过引入Tsai-Wu失效准则和恒刚度退化准则,进行了拉伸损伤和失效的数值模拟[12]。杉山等人根据主应力方向确定了纤维路径,并通过迭代计算应力场和纤维路径实现了优化[13]。侯等人提出了一种基于应力梯度分布的复合结构纤维优化设计方法,通过实验和仿真验证了其提高极限强度的效果[14]。张等人设计并制造了变刚度复合平板和孔板的样品;通过测量样品在单轴压缩载荷下的平面外位移和应变,证实了变刚度设计的有效性[15]。王等人使用可调喷嘴实现了连续纤维体积分数变化的控制,并提出了一种基于主应力轨迹分析的打印路径优化方法;通过仿真验证了该方法在改善样品力学性能方面的有效性[16]。此外,根据最新研究,复合材料结构在变形系统和能量收集中的应用日益增多。作为复合材料结构的典型形式,采用变刚度设计的孔板对于优化能量耗散具有重要意义[17]、[18]。
目前关于VSCHPs的研究主要集中在有限元仿真计算和实验测试上,而基于机器学习的方法来预测其力学性能仍然相对有限。自21世纪初以来,随着大数据的广泛应用和计算能力的迅速提高,人工智能(AI)技术如深度学习和强化学习发展迅速,并已成功应用于多个科学和工程领域[19]、[20]、[21]。近年来,机器学习与传统机械分析和结构设计的结合越来越受到关注。在机械性能预测[22]、[23]、[24]、[25]、[26]方面,利用从实验和数值模拟中获得的大型数据集捕捉了设计参数与结构响应之间的复杂非线性关系,实现了从输入参数到预测属性的快速映射。这为研究VSCHPs的力学行为提供了有前景的方向。张等人提出了一种结合有限元分析和机器学习的方法:通过构建参数模型生成样本,并使用人工神经网络(ANN)和随机森林(RF)模型进行训练,有效预测了三种复合层压板的力学性能,证明了ANN和RF模型都适用于预测复合层压板的力学性能[27]。李等人提出了一种通用的深度学习方法:通过训练深度神经网络预测已知参数的孔板的允许载荷,然后使用新样本调整预训练模型,构建覆盖已知和新设计参数的允许载荷空间[28]。Gupta等人提出了一种卷积神经网络(CNN)模型,可以在指定的杨氏模量范围内高精度预测填充有短纤维的环氧树脂复合材料的应力场[29]。张等人提出了一种深度学习框架,用于预测二维碳纤维增强聚合物(CFRP)复合材料的裂纹传播路径[30]。Houwald等人构建了一个U-Net网络模型,通过合成热表面图像预测复合材料中任意形状的次表面疲劳损伤分布,从而实现了内部疲劳损伤的位置、大小、形状、深度和梯度的定量评估[31]。尽管人工智能在复合材料中的应用日益广泛,但在变刚度结构中的应用仍然相对有限。因此,本文提出的有限元分析和多任务神经网络的集成方法可以同时实现数据和图像预测,为开发高效的设计工具和多维性能表征提供了有用的尝试。
因此,本研究重点关注变刚度复合孔板(VSCHPs)。采用三次函数曲线来确定纤维路径,其曲率平滑连续,满足AFP的曲率要求。这有效地避免了皱纹和偏差等导向缺陷,从而实现了优异的工程可制造性。VSCHPs被划分为三个不同的区域:填充区域、变刚度区域和恒刚度区域。通过引入适当的强度准则,研究了不同填充策略和变刚度区域尺寸对VSCHPs拉伸性能的影响。此外,传统的FEA需要大约2-3小时来分析单个样品的拉伸性能,使得多参数优化在计算上变得困难。为了克服这一瓶颈,我们开发了一个专用的神经网络模型。通过对800个样本的数据集进行训练,该模型能够在几秒钟内预测新设计配置的性能,从而显著提高了计算效率。这种集成方法建立了基于机器学习的VSCHPs智能设计和性能预测框架,为其高效分析和高质量制造提供了理论支持。

部分摘录

VSCHPs基线纤维方向的定义

由于研究涉及通过机器学习预测变刚度复合孔板的性能,因此需要生成大量样本。为此,采用了一种基于函数的方法来定义曲线纤维路径。三次函数通过明确的数学表达式构建纤维路径,实现简单易行,并能确保纤维连续性。这种方法在文献中被广泛使用。相比之下,其他变刚度定义

人工神经网络

人工神经网络(ANN)由三个主要部分组成,即输入层、隐藏层和输出层[34]、[35],如图9所示。每层的单元称为神经元。具体来说,输入层的神经元数量等于样本的特征数量。隐藏层通常由一个或多个子层组成,每个子层包含多个神经元,用于从输入数据中提取特征。输出层的神经元用于

结果与讨论

在本节中,比较了恒刚度复合孔板和VSCHPs,以验证变刚度设计的有效性。还分析了VSCHPs的三个设计参数的影响,包括填充方法、变刚度区域的长度与直径比以及宽度与直径比。核心目标是系统研究这三个设计参数对

结论

本研究对具有不同纤维填充方法和变刚度区域大小的VSCHPs进行了静态拉伸和失效分析,并结合机器学习预测了VSCHPs的应力和应力分布。结果表明:
  • 1.
    对于纤维平行于和垂直于主方向的两种填充方法,与恒刚度开孔板相比,最大应力分别降低了13.0%和30.2%,拉伸强度提高了

CRediT作者贡献声明

吕毅:撰写 – 审稿与编辑,监督。谢家庆:撰写 – 原始草稿,可视化,验证,数据管理。魏晓伟:数据管理。张一凡:撰写 – 审稿与编辑,资金获取。魏金星:研究。张宪志:监督。贾立勇:撰写 – 审稿与编辑,项目管理,方法论,概念化。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

致谢

作者感谢教育部先进纺织复合材料重点实验室开放项目计划(天工大学,编号MATC 2024-Y03)和陕西省科学技术计划(2025JC-YBMS 072)的财政支持。
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