基于机器学习的圆柱壳局部轴向压缩下界屈曲设计载荷预测研究学术报告

一、 研究团队与发表信息

本研究由浙江大学能源工程学院先进装备研究所的林新一、焦鹏（通讯作者）、徐黄洋、李新爽、陈志平共同完成。研究成果以题为“A machine learning-driven prediction of lower-bound buckling design load for cylindrical shells under localized axial compression”的学术论文形式，发表于国际期刊 Thin-Walled Structures 第209卷（2025年），文章识别码为112960。

二、 研究背景与目标

学术领域： 本研究属于结构工程与计算力学交叉领域，具体聚焦于薄壁结构（特别是圆柱壳）的稳定性分析与设计方法，并引入了人工智能（机器学习）技术作为创新工具。

研究背景与动机： 薄壁圆柱壳因其优异的承载效率，在航空航天、核工程及土木工程等领域应用广泛。屈曲是其主要的失效模式。为确保安全，设计过程中必须确定其屈曲载荷的“下界”（lower-bound），即考虑各种初始缺陷（如几何形状不完美、载荷偏心等）影响后，结构能够安全承受的最低载荷。传统设计规范（如NASA SP-8007、DASt-013、EN 1993–1–6）主要基于大量均匀轴向压缩试验数据，通过引入“折减因子”（Knockdown Factor, KDF，定义为实际屈曲载荷与理想屈曲载荷之比）来考虑缺陷敏感性，从而给出保守的设计载荷。

然而，实际工程中许多圆柱壳承受的是局部轴向压缩（例如运载火箭的捆绑式助推器），而非理想的均匀压缩。研究表明，局部压缩下的屈曲行为及缺陷敏感性可能与均匀压缩情况存在显著差异。沿用均匀压缩下的KDF模型进行局部压缩设计，虽然安全，但可能过于保守，未能充分利用结构的承载潜力，不利于实现结构的轻量化设计目标。因此，发展一种能够精确、高效预测局部轴向压缩下圆柱壳屈曲下界载荷的方法，具有重要的理论与工程意义。

研究目标： 本研究旨在开发一种数据驱动的预测模型，以准确预测薄壁圆柱壳在局部轴向压缩下的下界屈曲设计载荷。具体而言，研究采用人工神经网络（Artificial Neural Network, ANN）作为机器学习模型，以克服传统经验公式在拟合多参数、复杂非线性问题时的局限性，从而建立一个能够综合考虑几何参数、材料参数及局部载荷范围的新型预测框架。

三、 研究详细工作流程

本研究的工作流程系统性地融合了数值模拟、理论方法和机器学习，主要包含以下几个关键步骤：

1. 理论基础与数据生成方法：修正的能量势垒法 研究的数据基础来源于修正的能量势垒法（Modified Energy Barrier Approach, MEBA）。MEBA是传统能量势垒法（EBA）的改进版本，用于处理非均匀压缩或材料进入弹塑性变形时，屈曲可能在能量势垒降至零之前发生的情况。其核心流程通过有限元软件（如Abaqus）模拟实现： * 步骤A： 对理想（无缺陷）圆柱壳进行局部轴向压缩下的屈曲分析，通过载荷-位移曲线获得其理想临界屈曲载荷Ncr。 * 步骤B： 在施加不同水平轴向载荷N（通常取Ncr的40%至80%）的同时，在壳体的特定位置施加一个横向“探针力”Fp，并记录Fp与横向位移up的关系曲线（Fp-up曲线）。随着轴向载荷N增大，Fp-up曲线会经历三个阶段：单调增加（无屈曲风险）、出现峰值（Fpmax）和谷值（Fpmin）（有能量势垒）、仅有峰值无谷值（极易屈曲）。 * 步骤C： 提取不同N下的Fp-up曲线的峰值点（Fpmax）和谷值点（Fpmin），分别绘制Fpmax-N和Fpmin-N关系线。MEBA的关键修正在于：不再寻找Fp=0对应的N，而是首先从步骤A获得的理想屈曲载荷Ncr出发，在Fpmax-N线上找到对应的Fpcr值；然后，在Fpmin-N线上，找到Fpmin = Fpcr时对应的轴向载荷N，该载荷即被预测为考虑缺陷影响的下界屈曲设计载荷N_design。相应的折减因子ρ_KDF = N_design / Ncr。

2. 参数化建模与样本数据集构建 为训练ANN模型，需要生成大量涵盖不同设计参数的样本数据。研究建立了圆柱壳的有限元参数化模型，输入参数包括： * 6个几何参数： 长度L、半径R、厚度t，以及衍生参数长径比L/R、径厚比R/t、无量纲参数ω = L/√(Rt)。 * 3个材料参数： 弹性模量E、泊松比ν、屈服强度Rel。 * 1个载荷参数： 局部压缩角度θ（模拟四个对称分布的局部载荷区域，当θ=45°时即为全周均匀压缩）。

采用拉丁超立方抽样（Latin Hypercube Sampling, LHS）方法，在上述参数合理范围内（基于工程实际和常用金属材料）生成了500组不同的参数组合。对每一组参数，均通过上述MEBA流程进行有限元计算，最终获得其对应的下界屈曲载荷N_design和折减因子ρ_KDF。这500个样本构成了机器学习的数据集。值得注意的是，其中有52个样本因θ值极端（过小或接近45°），导致Fp-up曲线无法提供足够的峰值/谷值点（即多数曲线处于第一阶段或第三阶段），使得MEBA预测失效，这些样本在后续分析中被剔除，有效样本数为448个。

3. 数据驱动预测建模：人工神经网络的开发 * 模型架构与输入输出： 研究构建了两个独立的ANN模型，分别用于预测N_design和ρ_KDF。模型输入为上述10个参数（6几何+3材料+1载荷）。输出分别为N_design或ρ_KDF。采用单隐藏层结构，通过试验确定隐藏层神经元数量为10个，激活函数为ReLU，损失函数为均方误差（MSE）。 * 数据预处理与划分： 将448个有效样本随机划分为训练集（70%）、验证集（15%）和测试集（15%）。所有输入特征在训练前进行了标准化处理，以加速网络收敛并提高稳定性。 * 针对“下界”预测的调整： 为确保预测结果的保守性（即预测值倾向于略低于真实下界），研究对两个网络采用了不同的策略：对于预测N_design的网络，在最终输出上乘以一个安全系数（研究中取0.9）；对于预测ρ_KDF的网络，则通过修改损失函数，对预测值大于目标值的情况施加更大的惩罚，从而在训练过程中引导网络输出偏保守的结果。 * 训练与评估： 网络使用训练集进行训练，验证集用于调优超参数和防止过拟合，测试集用于最终评估模型的泛化能力。通过监测训练和验证损失曲线、回归图以及误差分布直方图来评估模型性能。

四、 主要研究结果

1. 数据集特征与参数影响分析 对500个样本的MEBA计算结果进行分析，揭示了关键规律： * 局部压缩角度θ的影响： θ对屈曲行为有显著影响。统计发现，θ值过小（<25°）或接近均匀压缩（43°~45°）时，大量样本的Fp-up曲线处于第一阶段或第三阶段，导致MEBA预测失效，提示在实际应用MEBA时应避免极端θ值。更重要的是，ρ_KDF值随θ减小而呈现增大趋势。这意味着在较小的局部压缩范围下，圆柱壳对缺陷的敏感度降低，实际承载潜力相对于理想载荷的折减更小。这直接证明了考虑θ参数对于挖掘结构轻量化潜力的必要性。 * 与传统模型的对比： 将MEBA计算出的ρ_KDF与Jiao（2021）基于均匀压缩假设的模型预测值进行对比，发现对于大量样本，均匀模型给出的ρ_KDF更为保守。这定量地表明，忽略局部压缩效应会低估结构的真实承载能力。 * 参数敏感性分析： 通过皮尔逊相关系数（PCC）和随机森林特征重要性分析发现，对于输出N_design，厚度t、载荷角θ和弹性模量E影响最显著；对于输出ρ_KDF，载荷角θ、长径比L/R和无量纲参数ω影响最大。这为ANN模型的特征选择提供了依据，并确认了引入θ参数的重要性。

2. 人工神经网络模型性能评估 * Net-N_design模型： 在测试集上，该模型的预测值与MEBA目标值线性回归的斜率接近1，相关系数高。约67%的样本预测相对误差在±5%以内，87%在±10%以内，最大正误差为17%（经0.9安全系数修正后，整体误差分布集中于-20%至0%之间，中心约在-10%），表明模型具有良好的拟合与泛化能力，且输出具有保守性。 * Net-ρ_KDF模型： 由于损失函数的调整，其预测值系统性略低于目标值（回归线平行且低于y=x线）。在测试集上，54%的样本误差在±5%以内，87%在±10%以内，最大正误差为17%。该模型预测更为保守，几乎不会高估ρ_KDF。 * 与现有设计规范对比： 在测试集上，将ANN预测结果与NASA SP-8007、Almroth-99、TH以及Jiao的均匀压缩模型进行对比。如图20所示，这些传统模型由于未考虑θ，其预测的ρ_KDF普遍更为保守。ANN模型（尤其是Net-ρ_KDF）的预测值更接近MEBA基准，且大多略低于基准，在保证预测为“下界”的同时，显著提高了预测精度，平均而言，ANN给出的ρ_KDF比传统设计规范高出0.3~0.6。

3. 与实验数据的对比验证 * 均匀轴向压缩实验： 选取文献中参数在采样范围内的实验数据进行对比，ANN预测的误差大约在-20%到10%之间。对于参数在采样范围外的55组实验数据，ANN预测虽部分不够保守，但仍具有参考价值。 * 局部轴向压缩实验： 由于相关实验数据稀缺，研究采用了两种方式进行验证。一是直接使用文献[53]中的4组局部压缩实验数据，ANN预测误差约为-11%至10.5%。二是通过将实测几何缺陷引入有限元模型，生成20组具有实际缺陷特征的局部压缩算例。如图22所示，ANN模型的预测值与这些“数值-实验”混合数据点非常接近，且除一个点外均低于实验值，有力验证了ANN模型在局部压缩条件下的可靠性与保守性。

五、 研究结论与价值

本研究成功开发了一种基于机器学习（人工神经网络）的预测模型，用于高效、准确地评估薄壁圆柱壳在局部轴向压缩条件下的下界屈曲载荷。主要结论如下：

1. 方法论有效性： 结合修正的能量势垒法（MEBA）与人工神经网络（ANN），建立了一套从参数化有限元分析到数据驱动建模的完整工作流程，为处理复杂边界条件和多参数影响的屈曲问题提供了新范式。
2. 局部压缩效应量化： 明确了局部压缩角度θ是影响圆柱壳屈曲折减因子ρ_KDF的关键参数。ρ_KDF随θ减小而增大的趋势表明，在局部压缩下，圆柱壳的缺陷敏感性低于均匀压缩情况，这为结构轻量化设计提供了理论依据。
3. 模型性能优越： 所开发的ANN模型（Net-N_design和Net-ρ_KDF）在测试集和实验对比中均表现出良好的精度与保守性。与现有基于均匀压缩的设计规范相比，ANN模型通过考虑θ，能够给出更贴近真实承载能力、同时满足安全下限的预测，平均可提高折减因子0.3~0.6，意味着在相同安全裕度下可显著减轻结构重量。
4. 工程应用价值： 该模型为承受局部轴向压缩的圆柱壳结构（如火箭助推器连接区域）提供了一种更为精确和高效的设计工具。Net-N_design模型可直接输出设计载荷，方便快捷；Net-ρ_KDF模型则通过与理想屈曲载荷结合使用，提供了另一种保守且可靠的选项。二者可结合使用，取平均值或较小值作为最终设计依据。

六、 研究亮点

1. 研究问题新颖且具有重要工程意义： 聚焦于“局部轴向压缩”这一普遍存在但研究相对不足的实际工况，致力于解决传统均匀压缩设计规范过于保守的问题，直击航空航天等领域轻量化设计的核心需求。
2. 方法融合创新： 首次将修正的能量势垒法（MEBA）与人工神经网络（ANN）相结合。MEBA提供了物理意义明确、可高效生成大量训练数据的数值手段；ANN则发挥了其处理高维、非线性关系的强大拟合能力，克服了传统经验公式难以综合考虑多参数（尤其是局部载荷角θ）影响的瓶颈。
3. 系统的数据驱动分析框架： 从参数化抽样、数值模拟、数据规律分析（如θ对曲线阶段和KDF的影响）、特征重要性评估，到针对“下界”预测目标的网络训练策略调整（安全系数与损失函数修改），构建了一个严谨、完整的数据驱动建模范例。
4. 全面的验证体系： 不仅通过内部测试集验证模型精度，还广泛收集了均匀压缩和局部压缩的实验数据（包括直接实验数据和通过实测缺陷构建的数值实验数据）进行外部验证，增强了模型结论的可信度与实用性。

七、 其他有价值的内容

研究中对MEBA应用边界进行了有益探讨。通过分析峰值/谷值点数量与θ的关系，指出了在极端θ值下MEBA可能失效的情况，这对实际应用该方法进行无损检测或数据生成具有指导意义。此外，研究对比了单输出与多任务网络的选择，出于训练复杂度和性能聚焦的考虑，最终采用了两个独立的单输出网络，这一工程化决策思路也具有参考价值。最后，作者展望了未来可通过增加样本数据、引入实验数据、结合物理信息神经网络（PINNs）等方式进一步提升模型的泛化能力，指明了后续研究方向。