论文| 基于深度迁移学习方法的连续纤维复合材料均质性能预测_疲劳_复合材料_非线性_航空_航天_汽车_理论_材料

论文| 基于深度迁移学习方法的连续纤维复合材料均质性能预测

2小时前浏览5

Zefei Wang a b, 王森 b, Changwen Ma a, Zhuoyun Yang a

https://doi.org/10.1016/j.compscitech.2025.111050

摘要

基于代表性体积单元的均质化方法可以有效缓解复合材料中显着尺度差异带来的计算挑战。在连续纤维复合材料（CFC）的结构设计中，必须考虑各种可变参数以满足实际应用的需求。本文提出了一种基于深度迁移学习的CFC等效特性快速预测方法。首先，通过广泛的数值模拟模型研究了纤维体积分数和纤维分布随机性对等效性能的影响。接下来，利用残差卷积神经网络（ResNet）来处理 CFC 横截面图像和材料属性的多模态输入，旨在学习它们与其等效属性之间的高度非线性关系。最后，为了确保训练后的模型能够快速适应机械性能从性能空间的一个小区域过渡到另一个区域的复合材料，采用迁移学习方法来微调模型的特定部分。该方法能够以更短的训练时间和更少的样本来预测各种复合材料的等效性能，从而支持复合材料的多尺度仿真分析和结构设计。

图文摘要

使用迁移学习方法预测复合材料等效性能：基于CNN模型的复合材料等效性能预测和实验验证过程。

介绍

在航空航天、汽车工程、能量吸收和其他先进结构应用领域，连续纤维增强聚合物复合材料因其高刚度、高比强度、耐腐蚀和疲劳耐久性等优异性能而得到越来越多的应用。1]、[2]、[3]、[4]]。在这些材料中，碳纤维增强聚合物复合材料因其卓越的机械性能和轻质特性而成为最突出的连续纤维复合材料类型之一，使其成为结构设计的首选[5]。预测连续纤维复合材料在弹性变形阶段的均匀等效性能是工程设计的基础，需要综合考虑材料性能和结构参数[[6],[7],[8]]。材料性能的变化包括纤维类型、基体材料和界面处理方法的变化[[9]、[10]、[11]]，而结构参数的变化主要涉及纤维体积分数和纤维束直径的调整[12,13] ]。

传统的均质化方法主要包括代表体积元（RVE）法、理论推导法和数值模拟法。其中，RVE方法因其能够基于微观尺度建模反映宏观力学行为而被广泛用于预测复合材料的等效性能[14,15]。在RVE建模过程中，纤维排列对预测结果影响很大。研究表明，重新排列的 RVE 模型（Re-RVE）在捕捉材料的真实随机性质方面优于六边形排列和正方形排列模型，从而在预测复合材料的力学行为方面提供更高的准确性[[16]，[17]， [18]、[19]]。然而，Re-RVE 模型的高保真度是以有限元模型复杂性和计算费用增加为代价的。此外，功能梯度纤维体积复合材料的研究给 RVE 建模带来了额外的挑战 [20]，因为纤维体积分数的变化和跨区域的微观结构变化需要详细的局部结构观察和建模。这不可避免地增加了工作量和计算负担。

随着机器学习技术的快速进步，基于深度学习的方法越来越多地引入复合材料的设计和分析中，以提高研究效率和预测精度[[21]、[22]、[23]、[24]、 [25]，[26]]。卷积神经网络（CNN）在图像处理领域，特别是在特征提取和模式识别领域表现出了显着的优势。CNN可以有效地处理大量复合材料横截面图像，显着减少均匀化等效性能计算所需的时间，提高计算效率[[27],[28],[29]]。此外，迁移学习作为一种有效的机器学习技术，可以重用预训练模型中的知识，从而减少对新样本的大量训练数据的依赖，提高模型的适应性和实用性[[30]，[31]， [32]、[33]、[34]、[35]、[36]、[37]]。近年来，迁移学习在复合材料领域取得了重大进展。例如，李等人。[31]利用深度迁移学习来构造复合材料层压板的允许负载空间，提高了设计精度和成本效率。郭等人。[32]开发了一种基于Cycle GAN和U-Net-id的创新流程，突破了纤维增强复合材料微观结构分析的时空分辨率极限。同样，程等人。[33]采用全卷积网络来提高 RVE 分析、材料识别和缺陷表征的速度和效率。然而，尽管机器学习方法在特定设计空间中表现良好，但当应用于更广泛的设计变量时，它们的泛化能力仍然有限[34]。这种限制在连续纤维增强复合材料的研究中尤其明显，其中获得足够的训练数据来覆盖广泛的设计变量几乎是不可行的。

为了解决上述挑战，本研究旨在研究基于 ResNet 的机器学习模型在预测单向纤维增强复合材料的均质等效性能中的应用。具体而言，首先使用均质化方法计算代表性体积单元的等效性能，重点分析随机纤维分布、纤维体积分数和纤维直径变化对这些性能的影响。随后，采用ResNet-36模型来捕获和训练纤维截面图像与等效特性之间的非线性关系。为了克服小样本条件下的性能限制，本研究引入了一种迁移学习方法[[35]、[36]、[37]]来评估其在减少对大量训练数据集的需求方面的有效性。与现有方法相比，本研究的主要创新点如下：

(1)残差网络与迁移学习的融合：如图1所示。通过引入ResNet-36模型与迁移学习相结合，增强了小样本条件下的预测精度和泛化能力，有效解决了对大训练的依赖用于复合材料设计的传统深度学习方法的数据集。（2）高效的RVE模型构建：利用深度学习技术，从纤维截面图像中自动提取关键特征，显着减少了手动识别纤维位置和直径的工作量，从而提高了RVE模型构建的效率和准确性。(3)对可变纤维体积分数梯度复合材料的适用性：该方法不仅适用于纤维分布均匀的复合材料，而且可以有效解决具有梯度纤维体积分数的复合材料的微观结构变化，扩展了机器学习方法在设计中的适用性复杂的复合材料。

结果表明，基于 ResNet 的模型可以准确预测复合材料的等效性能。同时，迁移学习方法保持了较高的预测精度，同时显着减少了对训练样本的需求。此外，本研究还分析了关键参数的敏感性，为连续纤维增强复合材料的高效设计和优化提供了新的技术手段。

来源：ABAQUS仿真世界

《Mechanics of Solid Polymers》5 弹性/超弹性

以下是第五章内容大纲：5弹性/超弹性5.1引言2105.2线性弹性2115.2.1各向同性弹性2115.2.2各向异性弹性2155.2.3正交各向异性弹性2165.2.4横向各向同性弹性2175.3各向同性超弹性2185.3.1连续介质力学基础2195.3.2单轴压缩与双轴拉伸的类似性225与双轴拉伸5.3.3纯剪切与平面张力的类似性2265.3.4储存能量对I1和I2的依赖性2295.3.5自由连接链模型2325.3.6新胡克模型2365.3.7Mooney-Rivlin模型2435.3.8Yeoh模型2505.3.9I1和I2模型的多项式2545.3.10八链模型2595.3.11Ogden模型2615.3.12Gent模型2635.3.13Hogan与Saccomandi模型2685.3.14Knowles模型2745.3.15响应函数超弹性2775.3.16扩展管模型2815.3.17BAM模型2755.4各向同性超弹性模型的预测能力总结2775.5各向异性超弹性2815.5.1广义Fung模型2825.5.2基于不变量的各向异性2825.5.3Bischoff各向异性八链模型2835.5.4Bergstrom各向异性八链模型2855.5.5Holzapfel-Gasser-Ogden模型2875.6超弹性泡沫模型2895.6.1Blatz-Ko泡沫模型2895.6.2超泡沫模型2925.7Mullins效应模型2925.7.1Ogden-RoxburghMullins效应模型2925.7.2Qi-BoyceMullins效应模型2965.8在聚合物建模中使用超弹性2965.8.1实验测试2985.8.2Drucker稳定性2995.8.3材料参数的确定3005.8.4超弹性的局限性2985.9超弹性代码示例2975.10练习304参考文献3045.1引言线性弹性和超弹性是两种易于使用且计算高效的本构模型。在这里，如果一个本构模型易于校准并且能够对与校准条件不同的其他加载条件提供稳健的预测，则被认为是可用的。这两类模型都能有效预测不同聚合物的力学行为。接下来的章节将讨论这两类模型背后的理论，以及它们如何应用于聚合物力学问题。需要注意的是，尽管本章讨论的超弹性模型对橡胶材料最为有效，但它们也是线性和非线性粘弹性以及粘塑性模型的重要组成部分或基础。因此，超弹性理论具有重要意义，并将在本章中详细讨论。本章的最后几部分介绍了传统超弹性模型的扩展，这些扩展能够预测各向异性非线性超弹性行为，以及对Mullins效应的预测，该效应通常在弹性体、热塑性弹性体（TPE）及其他类似弹性材料中观察到。来源：ABAQUS仿真世界