分享自:

基于CGAN深度学习模型的复合材料固化诱导残余应力的快速评估与预测

期刊:Composite StructuresDOI:10.1016/j.compstruct.2023.117827

这篇文档属于类型a,即报告了一项原创研究。以下是基于文档内容的学术报告:


研究作者及机构
本研究的作者包括Xinyu Hui、Yingjie Xu、Jianwen Niu和Weihong Zhang。Xinyu Hui来自西安交通大学机械工程学院,Yingjie Xu、Jianwen Niu和Weihong Zhang则来自西北工业大学陕西省航空航天结构技术重点实验室。该研究于2023年12月20日在线发表在期刊《Composite Structures》上,文章编号为330 (2024) 117827。

学术背景
本研究的主要科学领域是复合材料制造过程中的残余应力分析,特别是固化诱导残余应力(Cure-Induced Residual Stress, CRS)的快速评估与预测。纤维增强聚合物复合材料因其轻质高强的特性,在航空航天、轨道交通等领域得到广泛应用。然而,在制造过程中,复杂的固化环境和材料特性不匹配会导致不可避免的缺陷,如CRS,这些缺陷可能引发结构初始损伤甚至失效。因此,CRS分析对于优化复合材料制造工艺至关重要。

传统的CRS分析方法依赖于有限元(Finite Element, FE)模拟,但这种方法计算成本高且耗时。近年来,数据驱动的人工智能技术,特别是深度学习算法,为替代FE方法提供了新的可能性。本研究提出了一种基于条件生成对抗网络(Conditional Generative Adversarial Network, CGAN)的深度学习模型,旨在快速预测CRS,并显著降低计算成本。

研究流程
本研究的主要流程分为两个部分:固化过程的理论建模和基于CGAN的深度学习策略。

  1. 固化过程的理论建模
    研究首先通过求解热传递、固化动力学、粘弹性、热膨胀和固化收缩等材料行为来评估CRS。具体步骤如下:

    • 热传递:复合材料在固化过程中与热空气、模具和辅助材料进行热交换,温度变化引发树脂的固化反应和放热。研究通过求解非线性热传递问题,获得复合材料的温度和固化度(Degree of Cure, DOC)分布。
    • 固化动力学:固化过程中,树脂的固化反应速率随温度和DOC变化。研究采用差示扫描量热法(Differential Scanning Calorimetry, DSC)描述固化动力学行为,并通过阿伦尼乌斯方程计算反应速率常数。
    • 材料性能演化:树脂的弹性、热膨胀和固化收缩性能在固化过程中发生变化。研究通过线性粘弹性行为描述树脂的力学性能,并引入热膨胀和固化收缩系数计算非机械应变。
    • 数值实现:研究使用AS4/3501-6单向复合材料进行固化过程模拟。通过建立宏观尺度的热传递模型和微观尺度的代表性体积单元(Representative Volume Element, RVE)模型,研究实现了固化过程的数值模拟。
  2. 基于CGAN的深度学习策略
    研究提出了一种基于CGAN的深度学习模型,用于预测CRS。具体步骤如下:

    • 网络架构:CGAN模型由生成器和判别器组成。生成器采用U-Net架构,通过下采样和上采样过程提取和恢复图像信息。判别器则是一个5层卷积二分类模型,用于区分生成图像和真实图像。
    • 数据增强:由于微观结构的随机性,研究通过翻转操作对几何图像和CRS图像进行数据增强,以提高模型的训练性能。
    • 模型训练:研究使用Keras模块和TensorFlow进行模型训练,采用Adam优化器进行参数优化。训练过程中,生成器和判别器通过对抗训练逐渐达到纳什均衡。

主要结果
1. 固化过程模拟结果
- 热传递和固化动力学模拟结果显示,复合材料在固化过程中存在两个放热峰,最大温度超调为17.3°C。 - 微观RVE模型的CRS模拟结果显示,应力主要集中在相邻纤维之间的区域,最大CRS值为53.44 MPa。

  1. CGAN模型预测结果
    • 训练集内的测试结果显示,CGAN模型能够准确捕捉CRS的分布和大小,特别是在相邻纤维间距较小的区域表现出较强的预测能力。
    • 训练集外的测试结果显示,模型在预测未见过的微观结构时表现稍差,但在整体应力分布上仍具有较高的一致性。
    • 定量分析显示,训练集内测试的平均峰值信噪比(Peak Signal to Noise Ratio, PSNR)为33.32 dB,结构相似性指数(Structural Similarity Index, SSIM)为99.33%;训练集外测试的平均PSNR为26.27 dB,SSIM为97.66%。

结论
本研究提出了一种基于CGAN的深度学习模型,能够快速预测复合材料固化过程中的CRS。通过将几何结构和残余应力转化为图像信息进行训练,模型能够基于纤维随机分布的微观结构预测CRS,并捕捉纤维体积分数的变化。该模型在预测精度和泛化能力方面均表现出色,显著提高了CRS评估的效率,为通过结构设计管理CRS提供了新的思路。

研究亮点
1. 重要发现:CGAN模型能够高效预测复合材料固化过程中的CRS,特别是在捕捉应力集中区域方面表现出色。 2. 方法创新:研究首次将CGAN应用于CRS预测,提出了一种基于图像信息的深度学习策略,显著降低了计算成本。 3. 研究对象的特殊性:研究聚焦于微观尺度的CRS分析,考虑了纤维随机分布和纤维体积分数变化对CRS的影响。

其他有价值的内容
研究还探讨了纤维体积分数对CRS的影响,发现纤维体积分数的变化会破坏微观结构的相互作用平衡,增加CRS预测的难度。尽管预测精度有所下降,模型仍能捕捉应力分布的基本形式。为进一步提高模型的适用性,未来需要引入更多几何配置的训练数据,并优化超参数、损失函数和网络结构。


这篇报告详细介绍了研究的背景、流程、结果和结论,突出了研究的创新性和应用价值,为相关领域的研究者提供了重要的参考。

上述解读依据用户上传的学术文献,如有不准确或可能侵权之处请联系本站站长:admin@fmread.com