[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

摘要

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。

主权项

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方法，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。