[发明专利]一种基于神经网络的复材固化应力计算方法

说明书

本发明公开了一种基于神经网络的复材固化应力计算方法，通过构造不同参数下的复材固化应力数据矩阵，建立基于神经网络的复材固化应力数学模型，可以得到不同固化参数下的复材固化应力曲线，计算结果表明，该模型不仅能对复材固化应力随时间变化趋势进行准确描述，且可以准确描述不同固化参数对复材固化应力的影响，是一种快速准确的复材固化应力计算方法。

技术领域

本发明属于复材固化应力计算领域，具体涉及一种基于神经网络的复材固化应力计算方法。

背景技术

复合材料结构固化成型时受环境温度、增强相体积分数、铺层方式等多参数影响，在固化成型后复材结构中产生不可忽略的残余应力。该残余应力会引起复材结构变形，使其偏离理论形状，导致复材结构装配或安装失败；同时，复材结构本身的残余应力在工作状态下与外界载荷进行耦合叠加，使复材结构发生二次变形，严重的则产生应力集中，导致产品裂纹形成，影响复材结构服役寿命。因此对复材结构展开残余应力技术研究，降低有害残余应力，预测不同成型环境下的应力分布趋势和数值十分必要。

目前获取复材残余应力的方法有理论计算、有限元模拟和实验测量三种，其中复材残余应力理论计算方法发展较为成熟，能比较明确的描述复材残余应力机理，但其材料针对性较强，不同复材种类有不同的残余应力理论，且公式复杂，因此普适性和应用性较差。有限元模拟的方法则可以通过建立复材有限元模型，设定复材固化条件，得到不同工艺条件(如不同固化温度、不同铺层比例、不同体积分数)下的复材残余应力，但每更换一个固化条件，需要重新建立边界条件进行计算，工作量大，且重复性工作多，效率较低。实验测量的方法则可以通过预埋传感器，通过测量应变计算得到复材固化应力，但埋装传感器对复材结构内部造成影响，产生额外测量工作，不适用大批量复材结构应力确定。为快速准确的确定不同工艺参数下复材结构应力变化趋势和数值，提出了一种基于神经网络的复材固化应力计算方法。

发明内容

为解决当前已有技术的不足，本发明提供一种基于神经网络的复材固化应力计算方法。通过采集不同固化参数下复材的固化应力，形成复材固化数据集，然后建立单隐层前馈神经网络，基于复材固化数据集对神经网络进行迭代优化，建立复材结构固化应力模型，基于该模型对新固化参数下的复材应力进行预测计算。

为达到以上目的，本发明采取如下技术方案予以实现：一种基于神经网络的复材固化应力计算方法，包括如下步骤：

步骤一，选取若干组复材固化参数，包括不同固化温度、铺层方式、增强体体积分数、固化时间；

步骤二、通过实验测量或者有限元计算的方法采集不同固化温度、铺层方式、增强体体积分数、固化时间下的复材固化应力数据，并将其整理成复材固化数据集；

步骤三，建立优化的神经网络模型，采用复材固化数据集作为神经网络的训练数据，采用优化算法对神经网络模型的权重和阈值进行迭代优化；以优化后的神经网络模型作为复材结构固化应力模型，将不同固化温度、铺层方式、增强体体积分数、固化时间输入该模型，计算对应的复材固化应力。

建立的神经网络模型包含输入层、隐含层和输出层。

输入层节点数据为固化时间、固化温度、不同铺层方式、增强体体积分数，输出层节点数据为对应于固化时间、固化温度、不同铺层方式、增强体体积分数的固化应力。

隐含层的节点数N_hide为

N_hide＝2n_inp+C

其中，n_inp为输入层节点数，C为0～10的整数。

对神经网络模型的权重和阈值进行迭代优化的具体过程为：