《COMPOSITE STRUCTURES》:Neural network-based structural optimization of tow-steered composite panels accounting for polymorphic uncertainty
编辑推荐:
研究人员提出了一种基于人工神经网络(ANN)的多级代理模型策略,用于解决考虑多态不确定性的纤维铺放加筋板屈曲设计优化问题。该方法旨在同时处理随机几何缺陷、模糊纤维路径以及材料参数的不确定性。通过结合Karhunen-Loève展开(KLE)与多项式混沌展开(P
研究人员提出了一种基于人工神经网络(ANN)的多级代理模型策略,用于解决考虑多态不确定性的纤维铺放加筋板屈曲设计优化问题。该方法旨在同时处理随机几何缺陷、模糊纤维路径以及材料参数的不确定性。通过结合Karhunen-Loève展开(KLE)与多项式混沌展开(PCE),将高维随机场转化为低维随机变量。研究构建了两个全连接前馈神经网络:第一个网络(ANN 1)用于预测含随机缺陷面板的屈曲载荷;第二个网络(ANN 2)则在缩减的输入空间上训练,以预测屈曲载荷的期望值。为了评估设计的性能与鲁棒性,研究人员采用模糊均值值的质心(MxS)和面积(UA)作为目标函数。通过在平面板和曲面板两个算例上的验证,结果表明该方法能有效捕捉不确定性对屈曲行为的影响,并在确定性与不确定性量化(UQ)方法间取得了性能与鲁棒性的平衡。
论文解读
研究背景与意义
现代航空航天及工程领域中,纤维铺放(Fiber Steering)复合材料因其可设计性强、减重潜力大而备受关注。然而,这类材料的制造过程易引入几何缺陷,且纤维路径本身也存在制造偏差,这些多态不确定性(Polymorphic Uncertainty)显著影响了结构的实际承载能力,尤其是屈曲临界载荷。传统的确定性优化往往忽略了这些因素,导致设计偏于危险或过于保守。因此,如何在设计阶段精确量化并融合这些混合不确定性,实现兼顾性能(Performance)与鲁棒性(Robustness)的优化,成为亟待解决的难题。本文发表在《COMPOSITE STRUCTURES》上,针对这一痛点,提出了一套基于神经网络的新型高效求解框架。
主要技术方法
研究人员采用了多级代理模型策略。首先,利用Karhunen-Loève展开(KLE)将几何缺陷随机场离散为有限个随机变量,并结合模糊数学描述纤维路径的不确定性。其次,构建了两级人工神经网络(ANN):第一级ANN 1在全参数空间(包括设计变量、随机缺陷变量及模糊参数)训练,用于替代耗时的非线性有限元分析(FEA);第二级ANN 2则基于ANN 1生成的数据集,专门学习模糊期望屈曲载荷与输入变量的映射关系。在优化算法上,采用粒子群优化器(PSO)搜索Pareto前沿,并以模糊均值值的质心(MxS)和面积(UA)分别作为最大化性能和最小化不确定性的目标函数。
研究结果
5.1 纤维铺放平面板
在平板案例中,研究人员验证了所提方法的有效性。结果显示,确定性优化倾向于选择特定的铺层角度组合以获得最高屈曲载荷;而考虑不确定性后,虽然最优解的性能略有下降,但其鲁棒性显著提升。通过累积分布函数(CDF)对比,训练好的ANN预测结果与有限元仿真高度吻合,证明了代理模型的精度。此外,研究还发现,对于平面板,随机几何缺陷的不确定度对结构响应的影响占据主导地位。
5.2 纤维铺放曲面板
在更具挑战性的曲面案例中,由于几何非线性效应明显,研究人员引入了材料参数(E11, E22)作为额外的高斯随机变量。结果表明,该框架同样适用于非线性屈曲问题。优化后的Pareto前沿展示了性能与鲁棒性之间的权衡关系。值得注意的是,在曲面情况下,模糊纤维路径的不确定性对最终优化结果的影响更为显著,这与平板案例的结论形成了有益对比。
讨论与结论
讨论部分指出,传统的单一不确定性量化方法可能遗漏关键信息,而本文提出的多态不确定性框架能更全面地反映现实情况。通过模糊均值值的质心和面积指标,设计者可以直观地评估不同设计方案在“平均性能”与“波动范围”上的表现。
结论表明,研究人员成功开发了一套基于神经网络的多级优化框架,该框架能够高效处理纤维铺放复合材料设计中存在的混合不确定性。案例分析证实了该方法不仅能准确预测屈曲行为,还能在确定性最优解和高鲁棒性解之间找到合理的平衡,为复杂复合材料结构的可靠性设计提供了强有力的工具。