[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

说明书

本发明公开一种基于深度学习的短纤维增强复合材料宏观性能预测方法。包括使用随机吸附法生成代表性体积单元、基于数值仿真的均质化方法计算材料宏观性能，建立纤维分布图像对应宏观性能的训练样本集，在此基础上搭建、训练卷积神经网络等过程。本发明结合深度学习在图像识别领域的优势，使用卷积神经网络提取特征，拟合样本分布，实现纤维分布图像与宏观性能的准确快速响应关系，有效解决传统机器学习方法作为代理模型对纤维分布信息特征提取不全、训练精度较低的问题。此外，考虑当网络层数加深，训练样本较少可能带来的过拟合，采用纤维分布图像的旋转、对称变换扩充样本，有效提高训练精度，并使模型在样本空间外一定范围内保持良好的鲁棒性。

技术领域

本发明属于复合材料结构设计领域，涉及短纤维复合材料力学分析方法与深度学习理论，具体涉及一种基于深度学习的短纤维增强复合材料宏观性能预测方法。

背景技术

技术背景：

短纤维增强复合材料由于其良好的力学性能和物理性能，被广泛地应用于航空航天等国防工业领域。不同工程领域对复合材料的力学性能要求不同，准确的宏观性能预测模型是材料设计及结构设计的基础。众所周知，不确定性因素广泛存在于实际的材料结构之中。受加工工艺(热处理、压力成型)和外界环境变化(温度、气压、辐射)的影响，短纤维复合材料细观结构参数会产生不确定性波动，且随着短纤维分布越散乱无序，不确定性的分散性越强，对材料宏观性能传递的误差越大^[1-3]。这种不确定性如果不加以分析考虑，某些程度上会误导材料设计，降低复合材料结构件在使用过程中的安全性和可靠性。因此，研究材料微结构参数的不确定性对宏观性能的影响对于指导复合材料设计具有非常深远的意义。

当前研究考虑参数不确定性的材料宏观性能预测方法是在经典的夹杂复合材料性能预测方法的基础上结合不确定性分析的数学方法展开的。其中预测短纤维增强复合材料宏观性能的方法主要有以下几类：1基于Eshelby夹杂理论发展出的一系列等效夹杂法，包括稀疏法、Mori-Tanaka方法、自恰法、微分法、广义自恰法等。2基于 RVE的数值仿真法：将复合材料假设成周期性分布的代表性体积单元(RVE)，通过施加周期性边界条件求解边值问题得到每个单元节点的应力应变，最后通过平均场方法得到材料的有效性能，并将此有效性能等效为复合材料的宏观性能^[4-6]。不确定性数学分析方法主要有以下几类：Taylor级数展开法、摄动法、蒙特卡洛法等。其中前两者要求宏观性能是微结构参数的解析表达式，通过假设微结构参数的分布规律并将表达式在各个参数均值附近展开计算不确定性的误差传递。后者则需要大量的模拟测试来统计结果的分布特性。

纵观上述夹杂复合材料性能预测方法，等效夹杂法对于体积分数不高的单相椭球夹杂有较准确的预测结果，并可以得到解析的表达式，常用于结合级数展开或摄动法进行不确定性分析。但当夹杂形状不规则、方向位置随机性大、体积分数高时，等效夹杂法预测精度较低。基于RVE的有限元法虽然克服了上述缺点，但每次计算时间相对较长，特别是当结合蒙特卡洛法做大量的模拟实验时会耗费很大的计算资源，效率较低^[7-9]。从简化计算时间，提高计算效率的角度来讲，可以设计代理模型代替有限元预测材料宏观性能。当模型输入参数维度较少，非线性程度较低时，通过取代表性的样本点，传统代理模型可以在样本较少的情况下取得较好的效果。但对于纤维分布不均，方向不一甚至随机分布的材料模型来说，人工提取特征很容易因为提取特征较低级导致参数过多模型庞大无法计算或特征太高级导致信息不全面。

发明内容

本发明要解决的技术问题为：克服传统代理模型的不足，对于纤维分布图像等具有复杂特征的输入，采用卷积神经网络提取特征，拟合样本分布；对于可能出现的样本量不足的问题，提出了一种扩充样本集方法。

本发明解决上述技术问题采用的技术方案为：一种基于深度学习的短纤维增强复合材料宏观性能预测方法。包括以下步骤：

步骤1：生成深度学习所需要的训练样本和测试样本，步骤2到步骤6为生成样本的过程。