[发明专利]一种基于人工智能的复合材料失效高效模拟方法

说明书

本发明提供了一种基于人工智能的复合材料失效高效模拟方法，属于复合材料结构失效分析技术领域。本发明方法包括：将失效准则公式无量纲化，获取独立变量；采用蒙特‑卡洛方法生成独立参数变量的数据集，基于失效准则选取神经网络模型的训练数据集；分别构建预测复合材料损伤起始和裂纹角度的神经网络模型，并进行训练；采用人工神经网络初步判断复合材料损伤起始以及可能失效位置，然后再进一步搜索失效具体位置；在有限元软件ABAQUS中构建失效准则子程序，进行复合材料失效模拟。本发明在确保预测准确率和精度的同时，也提高了计算效率，可实现采用Puck和LaRC05失效准则进行复合材料结构失效行为的高效模拟。

技术领域

本发明属于复合材料结构失效分析技术领域，涉及一种基于人工智能的复合材料失效高效模拟方法。

背景技术

复合材料由于其优异的性能，是一种在多个领域具有巨大潜力的重要结构材料。然而，复合材料结构复杂的失效机理阻碍了它力学性能的充分发挥。在复合材料结构的设计和强度分析中数值仿真方法具有重要作用，可以显著提高结构效率，降低成本和设计周期。在复合材料的模拟中，失效起始准则对于力学行为的精确预测具有重要意义。

目前，已经出现了多代复合材料失效准则，包括较早期的最大应力/应变准则和之后考虑组合应力影响的蔡-希尔、蔡-吴准则等。随着对失效机理的深入研究，提出了基于失效机理的失效准则，如Hashin、Puck、LaRC系列失效准则等。其中，Puck和LaRC05失效准则表现优异，对失效包线的预测更准确。此外，这两个失效准则可以给出基体裂纹的方向，为基体裂纹的模拟提供了工具。然而，为了确定失效指数和断裂角度，需要进行大量的迭代计算，这严重限制了它们在复合结构模拟中的应用。

为了提高计算效率，学者们提出了多种搜索算法以提高计算效率。其中基于黄金分割搜索算法提出了多种搜索算法。针对Puck失效准则通过分析失效指标曲线的特点，提出了选择范围黄金分割搜索(Selective Range Golden Section Search，简称SRGSS)算法(参考文献1：SCHIRMAIER F,WEILAND J,KARGER L,et al.A new efficient and reliablealgorithm to determine the fracture angle for Puck’s 3D matrix failurecriterion for UD composites[J].Composites science and technology,2014,100:19–25.)。针对LaRC05失效准则提出了分类局部黄金分割搜索(Classified Local GoldenSection Search，简称CLGSS)算法(参考文献2：Wang X,Guan Z,et al.An accurate andeasy to implement method for predicting matrix crack andplasticity ofcomposites with an efficient search algorithm for LaRC05 criterion[J].Composites Part A:Applied Science and Manufacturing,2020,105808.)。这些算法在保证计算精度的情况下，将计算时间降低为原来的20％左右，明显提高了计算效率。此外，还有很多基于其他方法提出的搜索算法，在准确率和效率上各有优势。

人工神经网络(ANN)作为近年来兴起的一种深度学习方法，在理论上已被证明能够拟合任何数值公式，擅长处理重复性任务和内部关系尚不明确的问题。近年来，人工神经网络模型逐渐应用于复合材料力学的研究。但是利用人工神经网络模拟复合材料失效的有限元分析时，对判断复合材料结构失效结果仍然存在较大的误差，不适合实际应用。

在Puck和LaRC05失效准则中，失效指标和断裂角的确定需要大量的迭代计算，非常适合使用ANN模型进行预测，以提高采用该失效准则进行复合材料结构失效模拟的效率。

发明内容