[发明专利]一种基于深度学习的短纤维增强复合材料宏观性能预测法

权利要求书

1.一种基于深度学习的短纤维增强复合材料宏观性能预测法，其特征包括以下步骤：

1)使用基于代表性体积单元的数值仿真法建立纤维分布图像对应宏观性能的训练样本集；

考虑代表性体积单元的周期性，使用随机吸附法建立代表性体积单元并生成纤维分布图像，施加周期性边界条件，采用有限元仿真计算材料的宏观拉伸性能E和剪切性能G，建立纤维分布图像对应宏观性能的样本集，并通过图像的旋转、对称变换扩充样本；

2)将训练样本进行数据预处理；

为节省内存空间，加快训练过程的收敛速度，对于1)中的样本集做标准化处理，具体将纤维分布图转换为二值图像，将宏观性能的值映射到[0,1]区间；

3)搭建、训练卷积神经网络；

在2)的基础上给定初始网络结构参数，选择损失函数，使用批随机梯度下降法训练样本，计算代理模型精度，迭代网络结构参数更新直到模型过拟合，加入Dropout参数，直到测试误差达到最小。

2.根据权利要求1所述一种基于深度学习的短纤维增强复合材料宏观性能预测法，其特征在于：

A.所述1)中计算材料宏观性能的均质化公式如式(1)所示，α，β取值范围为{1,2}，当α，β取值相同时，E₁₁和E₂₂表示宏观拉伸性能，当α，β取值不同时，E₁₂＝E₂₁表示宏观剪切性能；

B.所述1)中将将纤维分布图像旋转90度后，得到扩充2倍的样本集，再经过沿x，y，原点对称得到扩充8倍的样本集。

3.根据权利要求1所述一种基于深度学习的短纤维增强复合材料宏观性能预测法，其特征在于：

所述2)中对数据预处理方法是，将纤维分布图转换为单通道的0，1二值图像，将输出的宏观拉伸模量集合{E_i}/剪切模量集合{G_i}按(2)式进行归一化：

其中max{*}运算表示求样本集中的最大值，min{*}表示求样本集中的最小值。

4.根据权利要求1所述一种基于深度学习的短纤维增强复合材料宏观性能预测法，其特征在于：

A.所述3)中搭建、训练卷积神经网络方法是：设置网络初始参数，包括卷积核大小Kernel Size、网络层数Layer Deep和特征图个数Feature Map，搭建网络；设置损失函数loss如式(3)，其中y_i为真实样本，为预测值，为真实样本的平均值，使用批随机梯度下降法训练网络，直到收敛，分别计算样本在训练数据集的收敛误差loss_train和测试数据集上的收敛误差loss_test；

B.所述3)中迭代网络结构参数的方法是：设置代理模型精度阈值T，若loss_testloss_trainT，则网络出于欠拟合状态，表明模型复杂度不够，按照式(4)更新网络结构参数，直到模型达到过拟合；

C.所述3)中当模型达到过拟合，确定最优Dropout^*参数的方法如式(5)所示。