利用物理信息神经网络实现复合材料的多个本构参数的反向识别
《COMPOSITE STRUCTURES》:Inverse identification of multiple constitutive parameters of composites utilizing physics-informed neural networks
【字体:
大
中
小
】
时间:2026年04月05日
来源:COMPOSITE STRUCTURES 7.8
编辑推荐:
张毅|曹博远|刘光燕|张凯 中国北京100081,北京工业大学航空航天工程学院 摘要:由于具备优异的力学性能,复合材料被广泛应用于航空航天、汽车及可再生能源领域。然而,准确表征其本构参数,尤其是厚壁复合材料的剪切非线性特性,仍是一项具有挑战性的任务。本研究提出了一种物理信息神经网
张毅|曹博远|刘光燕|张凯 中国北京100081,北京工业大学航空航天工程学院 摘要:由于具备优异的力学性能,复合材料被广泛应用于航空航天、汽车及可再生能源领域。然而,准确表征其本构参数,尤其是厚壁复合材料的剪切非线性特性,仍是一项具有挑战性的任务。本研究提出了一种物理信息神经网络框架,该框架首次实现了通过单次实验同时逆向识别多个本构参数。该框架构建了一个包含物理约束的多目标损失函数,将平衡方程、非线性本构关系以及边界条件作为物理约束明确纳入其中,同时将全场应变作为数据驱动项。这种设计通过物理引导的联合训练,实现了应变场重建、参数识别和应力场提取的协同优化。为提升稳定性和泛化能力,该方法采用基于迁移学习的策略,对预训练的正向PINN模型进行微调。通过模拟三点弯曲实验验证,该框架具有极高的精度,最大相对误差低于0.41%,且对初始猜测值、网络架构及配置采样密度的变化具有较强鲁棒性。与传统的有限元模型更新方法相比,该框架在反演精度上有了显著提升,平均相对误差从6.766%降至0.959%,收敛速度则提升了5.75倍。此外,研究还强调了精心设计的损失函数的重要性,它能够有效结合数据驱动的监督机制与物理约束。该框架不仅适用于厚壁复合材料,还可轻松扩展到其他各向异性材料及复杂的非线性本构关系,为先进材料表征提供了可靠高效的计算工具。引言:复合材料凭借其高比强度、高比模量以及良好的抗疲劳性能,已被广泛应用于航空航天、汽车及新能源领域[1]。近年来,复合材料已从次要承重部件发展为主要承重部件[2],并被越来越多地用于转子craft柔性梁、桨架及风力涡轮机叶片等厚壁结构中[3]。这类厚壁结构能够在有效减轻结构重量的同时提升承载能力,进而提高运行效率。然而,传统层合板理论仅适用于二维问题,难以应用于厚壁复合材料。复合层合板的厚度增加会导致沿厚度方向的应力分量不可忽视,进而形成复杂的三维应力状态。这类力学行为可能引发分层失效或过度变形等有害后果[4],从而严重影响这些材料在实际工程应用中的结构完整性与使用性能[5]。因此,准确确定复合材料的应力-应变本构参数对于预测其结构失效机制及损伤演变具有重要意义。由于复合材料具有显著的各向异性及复杂的力学行为,利用传统实验方法获取其力学参数既困难又耗时[6]。但随着高性能计算技术及高精度全场测量技术的进步,逆向技术得以发展,有效弥补了实验方法在获取本构参数方面的不足。传统的逆向技术,如有限元模型更新法和虚拟场法,在力学参数反演方面取得了显著进展。例如,何等人[6]利用数字图像相关技术获取短梁剪切实验的应变场,并通过有限元模型更新法识别了复合材料的剪切非线性参数。王和卡姆[7]以DIC测量的层合板应变数据与FEM计算得到的应变数据之间的差异作为目标函数,通过有限元模型更新法提取了弹性参数。皮埃龙和格雷迪亚克[8]则结合数字图像相关技术与虚拟场法,用于识别复合材料试样的内在参数。瓦莱里等人[9]基于虚拟场法,识别了不同应变水平及温度环境下的不锈钢粘弹性本构参数。鉴于有限元分析能够准确获取不同试样在加载条件下的变形信息,目前有限元模型更新法在逆向技术中占据主导地位。然而,在处理复杂模型和高维参数空间时[10],有限元模型更新法的计算精度与效率会显著下降,模型收敛过程也变得十分繁琐,限制了其在实际工程中的应用。因此,开发具有高精度与高效能的新型参数逆向技术至关重要。人工神经网络在语音识别[11]和机器视觉[12]等诸多领域展现出广阔的应用前景。凭借出色的性能以及强大的非线性建模能力[13],人工神经网络能够通过训练数据集直接学习输入与输出之间的映射关系[14][15],无需依赖隐含的物理信息,从而为提高参数逆向识别的精度与效率提供了新思路。例如,普莱德等人[16]利用人工神经网络逆向识别了随机异质材料中的表观弹性特性。魏等人[17]结合人工神经网络与数字图像相关技术,快速评估了厚壁复合材料的剪切非线性应力-应变响应。熊等人[18]用人工神经网络替代有限元模型更新法中的有限元计算部分,基于有限的测量点逆向识别了钢构件的残余应力分布。刘等人[19]则结合人工神经网络与数字图像相关技术,逆向识别了复杂应力状态下核石墨的损伤变量。不过,这些研究大多集中在单一参数的识别上。由于需要大量的实验数据和高维特征信息才能保证较高的逆向识别精度,加之“黑箱”模型的可解释性较差[20][21],以及高维空间中不同参数之间的耦合效应,多参数识别仍然面临巨大挑战。这些因素共同阻碍了复合材料中多个力学参数的精确同步识别。为解决人工神经网络的数据依赖问题,雷西等人于2019年提出了物理信息神经网络。该框架将物理信息明确编码到数据驱动的模型中,确保网络输出符合实验数据及物理定律的要求。这一方法从根本上解决了人工神经网络在多参数逆向识别中存在的物理一致性差、数据依赖度高以及参数耦合难以处理等问题。物理信息神经网络为快速获取多参数提供了新的解决方案。此外,该框架所采用的自动微分技术能够有效替代长期以来被广泛用于本构关系表征、材料参数及模量场反演等的有限元法与有限差分法。例如,罗伊等人[23]开发了一种融入物理原理的深度神经网络,用于处理非关联的Drucker-Prager弹塑性本构模型,显著提高了连续介质力学中非关联弹塑性解的预测精度。在另一项研究中,罗等人[24]采用逐步式物理信息神经网络框架,解决了超弹性材料的大变形问题,证明了其在捕捉整体力学响应方面的预测性能优于传统机器学习方法。李等人[25]将层合板的一阶剪切变形理论嵌入损失函数中,用于逆向识别线性力学参数。哈吉加特等人[26]利用多网络模型识别各向同性材料中的弹性模量与泊松比,证明了迁移学习能够加快网络重新训练时的收敛速度。范德海登等人[27]将应力势与物理信息神经网络相结合,用于确定非均匀样品中的材料性质及夹杂物几何形态。陈和顾[28]基于物理信息神经网络开发了一种弹性成像算法,用于重建非均匀材料的杨氏模量场。卡马利等人[29]则利用融合了应变数据、应力边界条件及控制方程的物理信息神经网络框架,同时识别了线性弹性问题中弹性模量与泊松比的空间分布。除了传统的固体力学领域外,基于物理信息神经网络的方法还被积极拓展到各种新兴且复杂的应用场景中。在弹塑性力学领域,罗伊和古哈[30]提出了一种数据驱动的、受物理约束的深度学习框架,用于解决冯·米塞斯塑性问题,证明了迁移学习能够显著加速训练过程。在线性连续介质弹性领域,罗伊等人[31]开发了一种高效且稳健的基于物理信息神经网络的计算框架,能够精确求解Airy应力问题及Kirchhoff-Love板问题。在流体力学领域,博斯和罗伊[32]进一步提出了用于大涡模拟中亚格子尺度湍流模型的嵌入不变性网络架构,强调了在网络设计中同时融入物理原理与不变性特性对于获得更优预测性能的重要性。这些进展共同表明,基于物理信息神经网络的复合材料多参数逆向识别方法不仅在理论上具有合理性,还具有重要的实用价值。需要指出的是,复合材料的剪切行为主要由聚合物基体决定,而聚合物基体本身就具有显著的剪切非线性特性。厚壁复合材料在承受剪切载荷时会出现剪切非线性现象[33],尤其是在大变形及循环载荷作用下。持续的剪切变形积累可能导致聚合物基体中出现微裂纹、截面脱粘及其他形式的损伤,最终引发层间剪切失效。层间剪切失效是厚壁复合结构的主要失效模式之一。了解层间材料的力学行为,如剪切非线性参数,对于准确预测复合结构的失效模式及疲劳寿命至关重要[34]。因此,设计一种创新的逆向方法来获取包括剪切非线性参数在内的本构参数显得极为重要。考虑剪切非线性参数后,力学参数的逆向识别便转变为一个大规模搜索问题,这给参数组合的“爆炸式”优化带来了巨大挑战,同时也对复合材料的多参数逆向识别提出了更为严格的要求。由于有限元模型中存在剪切非线性效应,通过有限元模型更新法进行参数逆向识别时会产生过高的计算成本,且容易得到次优解。为应对上述挑战,本研究提出了一种精确高效、基于物理信息深度学习的框架,该框架首次实现了通过单次实验获取的全场应变数据,同时确定多个本构参数——尤其是厚壁复合材料中的面外剪切非线性特性。该框架构建了一个改进型的多目标损失函数,将描述材料内部力学行为的平衡微分方程、描述剪切非线性的主要本构方程(即Ramberg-Osgood模型)以及相关的边界条件作为物理增强约束明确纳入其中,同时将变形场作为数据驱动项。通过基于梯度的优化机制最小化该损失函数,即可得到近似真实力学响应的材料参数。为进一步提升计算的稳定性与可靠性,该框架还采用基于迁移学习的策略对预训练的正向PINN模型进行微调,从而构建出逆向识别框架。此外,该框架在捕捉剪切非线性响应方面与有限元分析结果高度一致,显示出其作为替代模型用于表征其他复杂本构行为(如弹塑性响应及粘弹性响应)的潜力。通过对复合梁进行模拟三点弯曲实验,验证了该框架在确定本构参数方面的精度、效率及泛化能力。与传统的基于有限元模型更新法的逆向方法相比,该模型在精度上有了显著提升,平均相对误差降低了约7倍,计算效率则提高了约5.7倍。综合评估表明,该框架对网络架构具有较强鲁棒性,即使使用全连接网络也能实现简单高效的训练。此外,精心设计的损失函数凸显了数据驱动组件与物理约束组件的互补作用,只有二者共同发挥作用,才能实现参数的可识别性及精确预测。本文的其余部分安排如下:第2节介绍基于物理信息神经网络的复合材料多参数逆向识别框架的构建方法;第3节利用三点弯曲复合梁实验来表征复合材料的剪切非线性力学响应,并评估所提出的多参数逆向识别方法的性能;第4节探讨初始参数猜测值、神经网络架构、激活函数、配置采样策略以及损失函数各组成部分对预测精度与计算效率的影响;第5节分析了该框架的不足之处、改进建议以及未来的研究方向;最后,第6节总结了本研究的主要结论。片段内容:复合材料的物理方程 复合材料的力学行为由一系列基本的物理方程所支配,这些方程对于描述其应力-应变关系至关重要。这些方程包括平衡微分方程、边界条件以及描述材料在各种载荷作用下响应的本构方程。平衡微分方程的表达式为σij,j+fi=0,其中σij(i, j = 1, 3)表示柯西应力分量,fi为相应的外力分量。厚壁复合层合板的模拟三点弯曲实验 为验证所提出的逆向识别框架,使用商业有限元软件Abaqus构建了一个二维有限元模型,用于模拟三点弯曲梁的受力情况。该试样为单向复合层合板,尺寸为8厘米×1厘米,其弹性及非线性剪切参数(见表1)代表了典型的厚壁复合材料的力学特性。边界条件要求底部为固定支座(所有平动自由度均被固定),同时限制压头在顶部仅能进行垂直运动。初始参数猜测对PINN性能的影响:3.3节中报告的识别结果是基于一个经过精心选择的初始猜测值;然而,这种逐点验证方式无法确保整体稳定性。为严格量化初始化的敏感性,设计了四组系统性测试案例:前三组将各参数设定为参考值以下,而第4组则采用刻意夸大的过高估计值(见表2)。表2中,以红色标出的收敛参数表示与真实值的匹配程度最高。展望与未来方向:本研究提出了一种新型的物理信息神经网络,能够通过单次实验同时识别多个本构参数。该框架的可靠性和有效性已通过仿真实验以及与现有方法的详细对比得到验证。不过,仍存在一些局限性,也需要进一步研究。目前的实现方案采用了分层优化策略,用于调整网络参数。结论:本研究提出了一种稳健可靠的物理信息深度学习框架,它首次实现了利用单次实验获取的全场应变数据,同时确定复合材料的多种本构参数,包括剪切非线性参数。主要贡献和研究发现如下:(1)创新性整合:该框架引入了一种改进的多目标损失函数,该函数明确嵌入了基于物理原理的约束条件。CRediT作者贡献声明:张毅:撰写——审稿与编辑、研究工作;曹博源:方法论、形式分析;刘光岩:撰写——初稿、监督、资源协调、项目管理、方法论、资金申请、概念设计;张凯:撰写——审稿与编辑、研究工作。利益冲突声明:作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。致谢:本研究得到了中国国家重点研发计划(项目编号2023YFB4704600)以及北京市科学技术委员会和中关村科学园管理委员会的资助(项目编号Z231100006023011)。
生物通微信公众号
生物通新浪微博
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