[发明专利]建立纤维增强树脂基复合材料孔隙问题的表征与评价模型的方法

说明书

技术领域：

本发明涉及纤维树脂基复合材料孔隙问题的表征与评价的技术，具体涉及一种利用显微镜法和神经网络技术对复合材料内的孔隙进行表征并对孔隙对复合材料力学性能的影响进行评价。

背景技术：

纤维增强树脂基复合材料与金属材料相比具有比强度、比模量高和良好的抗疲劳等特点，在航空、航天领域中得到了广泛的应用。国外第四代军机复合材料的结构重量系数已达到27～28％。未来以F-22为目标的背景机复合材料用量比例需求为35％左右。但是，复合材料加工过程产生的孔隙缺陷也越来越受到人们的重视，这是因为在加工过程中孔隙的产生几乎是不可避免的，尤其是在复合材料构件形状的突变处，而且，孔隙的存在对力学性能会产生不利影响。由此可见，对复合材料内孔隙问题进行表征和综合评价是非常必要的，这对保证复合材料结构的可靠性，防止意外事故的发生有重大意义。

目前，复合材料孔隙率的检测方法主要包括密度法、显微照相法以及超声波检测法等。显微照相法是目前孔隙率检测方法中精度较高的，可以测定孔隙的形状和分布情况，由于其检测的是局部断面的孔隙率，只能按统计方法求得试件整体的孔隙率。

复合材料的性能表征主要通过实验和理论分析两种手段进行研究。前者需要花费大量人力、物力，而后者由于复合材料可设计性的自由度大，影响因素多，利用传统的数学建模方法来研究结构、工艺与性能之间的关系，尚存在许多困难，而简化求解问题的数学和力学模型，往往使得模型本身存在较大的局限性，很难建立准确的预报模型。相比之下，人工神经网络技术在复合材料性能建模方面显示出明显的优越性，因此得到了越来越广泛的应用。神经网络不需要明确问题的力学机理就可以学习系统复杂的内在关系，因而特别适合那些力学机理尚不明确且非线性程度强的问题。

尽管孔隙率对复合材料性能的影响已经得到了广泛的研究，但是还没有一个能够预测孔隙对复合材料力学性能(如层间剪切强度)影响的精确模型。有很多人采用经验方法来建立孔隙率和力学性能(如强度和刚度)之间的定量关系。这种方法揭示了一般趋势，但是各个文献所报道的数据相差比较大。还有些人提出了分析计算模型(Mori-Tanaka)来预测孔隙对复合材料弹性性能的影响。但是这些模型仅仅考虑了孔隙率，而忽略了孔隙的微观结构。近年来，人们认识到在评价孔隙对复合材料力学性能影响时孔隙的微观结构也是非常重要的。采用不同的材料体系、铺层方式和加工过程制备的复合材料结构中的孔隙具有不同的尺寸、形状和分布。因此，在复合材料制备工艺不同时，含有相同孔隙率的复合材料结构力学性能的降低差别很大。

然而，复合材料的性能表征主要通过实验和理论分析两种手段进行研究。前者需要花费大量人力、物力，而后者由于复合材料可设计性的自由度大，影响因素多，利用传统的数学建模方法来研究结构、工艺与性能之间的关系，尚存在许多困难，而简化求解问题的数学和力学模型，往往使得模型本身存在较大的局限性，很难建立准确的预报模型。

发明内容：

为了解决现有技术中，复合材料的性能表征很难建立准确的预报模型的问题，本发明提供了一种建立纤维增强树脂基复合材料孔隙问题的表征与评价模型的方法。

本发明包括以下步骤：

一、采用光学显微镜和图像分析方法获得同铺层的纤维增强树脂基复合材料层压板的孔隙的形貌特征参数；

二、对含不同孔隙率的纤维增强树脂基复合材料进行力学性能测试，获得力学性能参数；

三、将步骤一获得的孔隙的形貌特征参数及对应的铺层作为输入参数，将步骤二获得的纤维增强树脂基复合材料板的力学性能参数作为输出参数，建立所有输入参数与输出参数之间的对应关系，获得若干个训练数据对；每个训练数据对中包括一组输入参数和与其对应的输出参数；

四、建立神经网络模型，根据步骤三获得的若干个训练数据对所述神经网络模型进行训练、优化和测试，进而获得对纤维增强树脂基复合材料孔隙问题的表征与评价模型。

本发明利用显微镜分析获得孔隙的形貌特征与复合材料层压板性能之间的对应关系，然后采用神经网络方法对所获得的各个参数及其对应关系进行分析，并获得了用于评价复合材料层压板的孔隙的形貌特征对其性能的影响的神经网络模型。本发明的评价方法，在分析过程中不但考虑孔隙率对复合材料性能的影响，还考虑了孔隙的尺寸和形状对复合材料性能的影响。而且该种方法在大量的试验数据的支持下可以发展成大的复合材料综合评价系统，并可预测一定缺陷水平下的复合材料的性能，为复合材料的设计、制造和检验，提供基础数据支持。