The invention discloses a prediction method for macroscopical properties of short fiber reinforced composites based on deep learning. It includes generating representative volume units by random adsorption method, calculating macroscopic properties by homogenization method based on numerical simulation, establishing training sample sets corresponding to macroscopic properties of fiber distribution images, and building and training convolution neural networks on this basis. The invention combines the advantages of depth learning in the field of image recognition, uses convolution neural network to extract features, fits sample distribution, realizes the accurate and fast response relationship between fiber distribution image and macroscopic performance, and effectively solves the problem that traditional machine learning methods as proxy models are incomplete in extracting fiber distribution information features and are well trained. The problem is relatively low. In addition, considering the over-fitting caused by fewer training samples when the number of network layers is deepened, the rotation and symmetry transformation of fiber distribution images are used to expand the training samples, which effectively improves the training accuracy and keeps the model robust in a certain range outside the sample space.
【技术实现步骤摘要】
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
本专利技术属于复合材料结构设计领域,涉及短纤维复合材料力学分析方法与深度学习理论,具体涉及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。
技术介绍
技术背景:短纤维增强复合材料由于其良好的力学性能和物理性能,被广泛地应用于航空航天等国防工业领域。不同工程领域对复合材料的力学性能要求不同,准确的宏观性能预测模型是材料设计及结构设计的基础。众所周知,不确定性因素广泛存在于实际的材料结构之中。受加工工艺(热处理、压力成型)和外界环境变化(温度、气压、辐射)的影响,短纤维复合材料细观结构参数会产生不确定性波动,且随着短纤维分布越散乱无序,不确定性的分散性越强,对材料宏观性能传递的误差越大[1-3]。这种不确定性如果不加以分析考虑,某些程度上会误导材料设计,降低复合材料结构件在使用过程中的安全性和可靠性。因此,研究材料微结构参数的不确定性对宏观性能的影响对于指导复合材料设计具有非常深远的意义。当前研究考虑参数不确定性的材料宏观性能预测方法是在经典的夹杂复合材料性能预测方法的基础上结合不确定性分析的数学方法展开的。其中预测短纤维增强复合材料宏观性能的方法主要有以下几类:1基于Eshelby夹杂理论发展出的一系列等效夹杂法,包括稀疏法、Mori-Tanaka方法、自恰法、微分法、广义自恰法等。2基于RVE的数值仿真法:将复合材料假设成周期性分布的代表性体积单元(RVE),通过施加周期性边界条件求解边值问题得到每个单元节点的应力应变,最后通过平均场方法得到材料的有效性能,并将此有效性能等效为复合材料的宏观性能[ ...
【技术保护点】
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。
【技术特征摘要】
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。2.根据权利要求1所述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,其特征在于:A.所述1)中计算材料宏观性能的均质化公式如式(1)所示,其中E11和E22表示宏观拉伸性能,E12=E21表示宏观剪切性能。B.所述1)中将将纤维分布图像旋转90度后,得到扩充2倍的样本集,再经过沿x,y,原点对称得到扩充8倍的样本集。3.根据权...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。