《COMPOSITES SCIENCE AND TECHNOLOGY》:Coupled framework of machine learning and finite element for developing the outstanding carbon fiber reinforced polymer composites
编辑推荐:
摘要碳纤维增强聚合物(CFRP)复合材料对于制造具有高承载能力和轻量化的结构至关重要,但其力学性能取决于相互作用的設計变量,如纤维含量、形状和长度。这些因素通常通过昂贵的测试和仿真来确定,这些测试和仿真需要很高的计算成本,甚至带来极高的挑战。在这项工作中,我们引入了一种机器学
摘要
碳纤维增强聚合物(CFRP)复合材料对于制造具有高承载能力和轻量化的结构至关重要,但其力学性能取决于相互作用的設計变量,如纤维含量、形状和长度。这些因素通常通过昂贵的测试和仿真来确定,这些测试和仿真需要很高的计算成本,甚至带来极高的挑战。
在这项工作中,我们引入了一种机器学习(ML)和有限元方法(FEM)的耦合框架,用于预测和逆向设计横向和纵向拉伸载荷下的力学性能。FEM用于生成广泛的设计-响应空间,并使用生成对抗网络(GAN)来增强数据集以提高覆盖率,基于互信息的选择识别了最具信息量的特征。训练好的ML回归模型实现了高精度(R2 ≥ 0.9912),并与独立实验数据表现出高度一致性。通过SHapley加性解释(SHAP)进行模型可解释性分析,揭示杨氏模量主要由体积分数决定,其次是纤维的形状和长度,提供了与设计相关的见解,而非黑盒拟合。除正向力学性能预测外,贝叶斯优化(BO)与训练好的机器学习模型相结合,实现了目标驱动的逆向微观结构设计。所得的最佳微观结构候选方案进一步通过FEM仿真进行验证。研究结果表明,FEM-GAN-ML-BO框架能够高效地预测、分析和逆向设计CFRP复合材料。该框架减少了大量实验试验和大规模数值仿真的需求,从而有助于工程用高性能复合材料的发展。
引言
碳纤维增强聚合物(CFRP)复合材料因其轻质、高强度和耐用性的优势组合而广泛应用于各种行业[1], [2], [3], [4]。由于其卓越的强度重量比,CFRP复合材料作为金属部件的替代品,在汽车行业和航空航天行业中得到广泛应用[5], [6], [7]。传统上,CFRP复合材料是通过树脂传递模塑和手糊成型等制造工艺生产的。复合材料的微观结构变化,如体积分数、纤维形状、长度、类型和基体成分的变化,会显著影响复合材料的力学行为[8], [9]。然而,对所有这些因素进行实验评估可能既费时又昂贵,特别是当涉及多个变量时。因此,需要高效的计算和数据驱动方法来加速CFRP复合材料的分析、预测和设计优化。
计算机技术的进步促进了FEM在分析复合材料力学性能方面的应用[10], [11], [12]。它通过创建和离散化复合材料的代表性体积单元(RVE)来模拟其行为,随后从仿真结果中推导出整体材料性能[13], [14], [15]。高保真有限元建模提供了复合材料各种性能的可靠和精确预测。然而,一个主要限制是执行高准确度3D FEM仿真的巨大计算成本。
近年来,FEM与ML的整合为复合材料科学领域开辟了新可能性[16], [17], [18], [19], [20]。ML方法基于FEM仿真数据进行训练,构建具有高精度和强泛化能力的预测框架[21], [22], [23], [24], [25]。例如,Zhang等人[26]提出了一种合并FEM和ML的混合方法,用于预测CFRP复合材料的力学行为。他们的结果表明人工神经网络(ANN)技术优于其他方法。Zhao等人[27]同时使用FEM和分子动力学仿真生成数据,然后用这些数据训练支持向量机(SVM)、随机森林(RF)和ANN技术,以预测碳纤维增强聚合物(CFRP)的力学性能。Ren等人[28]使用SVM、RF和ANN技术,基于FEM仿真数据预测针织CFRP的力学行为。Huang等人[29]利用线性回归、集成学习和ANN方法,基于包含纤维形状和体积分数FEM生成的数据预测CFRP的力学行为。Li等人[30]开发了一种ML方法,使用FEM仿真获得的数据预测CFRP的力学行为。
尽管FEM-ML整合用于CFRP复合材料的研究日益增多,但相对较少的研究以全面的方式处理了这一主题。大多数现有研究主要关注正向预测。然而,在实际材料设计中,逆向问题往往更为重要,即确定达到特定目标性能所需的纤维体积分数、纤维形状和纤维长度的适当组合。此外,FEM生成的数据集相对有限,这可能限制机器学习模型的预测精度和泛化能力。数据增强方法,如生成对抗网络(GAN),提供了一种扩展可用设计空间的方法。此外,虽然一些研究考察了纤维体积分数变化的影响,但它们通常忽略了纤维体积分数、形状和长度对CFRP复合材料力学性能的综合影响。
在这项研究中,我们提出了一种整合ML和FEM的混合框架,用于预测和逆向设计CFRP复合材料的力学性能。FEM用于生成ML模型的初始训练数据集,而GAN用于增加数据集。数据使用最小-最大缩放技术进行归一化,并应用互信息选择属性以检测最相关的特征。该框架还考察了不同纤维体积分数、形状和长度对复合材料力学性能的影响。采用SHAP分析评估各种输入属性对模型预测结果的影响。然后将贝叶斯优化应用于该模型,对纵向杨氏模量进行目标导向的逆向设计,所得最优解通过FEM独立验证以确认其物理可靠性。有限元模型(FEM)结果与先前文献中报告的结果之间的吻合支持了所提方法的有效性。
章节摘要
材料与方法
本研究提出了一种结合有限元技术与机器学习模型的框架。FEM用于建模CFRP复合材料的力学性能,使用ABAQUS 2023仿真软件[31], [32], [33], [34]。ML模型通过数据驱动方法用于预测CFRP复合材料的力学行为[35], [36], [37]。贝叶斯优化用于CFRP复合材料的逆向设计。图1展示了FEM的集成方法
使用机器学习预测CFRP杨氏模量和抗拉强度
本节介绍了用于预测CFRP杨氏模量和抗拉强度的机器学习工作流程。数据集按80%训练和20%测试的比例划分,固定随机种子为42,模型应用于FEM生成和GAN增强的数据集。基于互信息的特征选择用于识别最具影响力的变量并降低计算成本。然后通过网格搜索优化超参数,模型
耦合框架的优势
作为CFRP复合材料,强度和模量被认为是主要的力学性能,因为它们与航空航天、汽车和先进结构等工程应用中的刚度和承载能力直接相关。这两个参数可以描述复合材料的弹性行为和失效响应,这对于计算评估应用所需的性能至关重要。此外,密度也是主要关注的问题,因为
结论
本研究提出了一种混合有限元方法-生成对抗网络-机器学习-贝叶斯优化(FEM-GAN-ML-BO)框架,用于预测和逆向设计CFRP复合材料的力学性能。有限元分析表明,纤维体积分数、纤维长度和形状显著影响CFRP复合材料的力学性能。横向杨氏模量在短纤维中最高,而纵向杨氏模量
CRediT作者贡献声明
Jitang Fan:写作 – 审阅与编辑,验证,监督,项目管理,方法论,调查,概念化。Md. Jamal Uddin:写作 – 原稿撰写,验证,方法论,调查,概念化
利益冲突声明
? 作者声明他们没有已知的竞争性财务利益或个人关系,这些可能影响本论文中报告的工作。
致谢
作者感谢国家自然科学基金委员会(项目编号:11602024)的财务支持。
Md. Jamal Uddin|Jitang Fan