基于机器学习的CFRP压力容器纤维缠绕路径优化方法技术

本发明专利技术属于压力容器技术领域，具体涉及一种基于机器学习的CFRP压力容器纤维缠绕路径优化方法。建立CFRP压力容器的有限元分析模型，分析压力容器在规定内压下的单元失效情况，对复合材料压力容器的纤维缠绕路径进行变换后，将产生新的缠绕结构代表体积单元RVE，对新路径进行有限元分析，提取其路径特征产生的RVE结构信息及单元信息建立数据库，将该数据库作为训练神经网络，以纤维路径作为输入层，单元失效总数作为输出层，将神经网络的输出作为优化目标，最大化减少单元失效数量，并对最优化的纤维路径模型进行对比验算，即可得到最优化的纤维缠绕路径。本发明专利技术提供了一种少实验、低成本、高效率的结构优化方法并提高结构的力学性能。的力学性能。的力学性能。

【技术实现步骤摘要】
基于机器学习的CFRP压力容器纤维缠绕路径优化方法


[0001]本专利技术属于压力容器
，具体涉及一种基于机器学习的CFRP压力容器纤维缠绕路径优化方法。

技术介绍

[0002]近年来，储氢作为CFRP压容器的重要用途之一，其研发和生产受到越来越多的关注，国外已将IV型容器推向了应用，因此国内对于CFRP压力容器的研发和生产迫在眉睫。目前应用广泛的CFRP压力容器在结构上分为内衬和复合材料缠绕层两部分，其相较于传统的全金属压力容器，其重量更轻、性能更好，并且应用范围更加广泛。
[0003]对于CFRP压力容器，碳纤维复合材料层是主要的承压结构，内衬结构的承压性能相较于复合材料层几乎可以忽略不计，因此复合材料缠绕层的性能直接影响压力容器整体的产品质量。然而，素有“黑色黄金”之称的碳纤维价格昂贵，导致CFRP压力容器的成本较高，因此大量实验验证性能的方法不满足经济性要求。另外，碳纤维复合材料缠绕层的铺层顺序和铺层角度具有不确定性，不同的铺层顺序和铺层角度产生的RVE结构也不尽相同，可能产生的应力集中情况也不尽相同，从而导致在消耗相同碳纤维量时，压力容器的爆破压也不尽相同。
[0004]CFRP压力容器纤维缠绕顺序影响产品最终的爆破压性能，目前虽然可以通过理论计算出复合材料缠绕层螺旋缠绕和环向缠绕的厚度与缠绕层数，然而对于缠绕铺层的顺序并没有明确的规定，采用手动穷举的方法进行验证明显是不可取的。为了能够消耗更少碳纤维便能达到爆破压的要求，需要找到应力集中最小的RVE结构(缠绕结构代表体积单元)，即对应的最优化纤维缠绕路径。专利“一种基于机器学习的复合材料储氢容器铺层角度设计方法”中使用机器学习的方法寻求最优化的纤维缠绕角度方案，但未考虑内衬尺寸变化、铺层顺序对爆破压的影响，该优化方法具有较大局限性。

技术实现思路

[0005]本专利技术的目的在于提供一种基于机器学习的CFRP压力容器纤维路径优化方法，其目的在于提供少实验、低成本、高效率的结构优化方法并提高结构的力学性能。
[0006]实现本专利技术目的的技术解决方案为：一种基于机器学习的CFRP压力容器纤维缠绕路径优化方法，包括如下步骤：
[0007]步骤(1)：建立CFRP压力容器的有限元分析模型；
[0008]步骤(2)：对有限元分析模型施加载荷并添加边界条件，确定失效形式；
[0009]步骤(3)：定义纤维缠绕路径，获取一组样本数据：将CFRP压力容器的扩孔半径r、封头轮廓函数h、缠绕顺序s作为变量，分析模型的失效形式和失效单元总数量，得到一组样本数据；
[0010]步骤(4)：更新纤维缠绕路径，建立数据库：不断更新扩孔半径r、封头轮廓h和铺层顺序s，即纤维缠绕路径不断更新，从而不断更新RVE结构，有限元分析模型不断更新，按照
步骤(3)分析得到每一组纤维缠绕路径对应的失效形式和失效单元总数量，得到随参数r、h、s更新而更新的RVE结构的样本数据，即建立了数据库；
[0011]步骤(5)：建立神经网络模型：将CFRP压力容器的纤维缠绕路径作为输入量，将容器失效形式和失效单元总数作为神经网络的预测结果；
[0012]步骤(6)：通过数据库完成神经网络的训练，获取训练完成后的神经网络；
[0013]步骤(7)：根据步骤(6)中训练完成的神经网络，对CFRP压力容器的纤维缠绕路径进行优化，将神经网络的预测结果作为优化目标，最少化单元失效数量，CFRP压力容器失效单元数量最少时对应的纤维路径，即为最优化的纤维缠绕路径。
[0014]进一步的，步骤(1)的有限元分析模型的建立具体为：确定技术指标和内衬，在内衬上进行碳纤维复合材料缠绕层的建模。
[0015]进一步的，步骤(2)中失效形式具体为：数据样本用(V
i
，Q
i
)表示，其中V
i
代表第i种RVE结构，Q
i
代表第i种RVE结构单元失效总数量。
[0016]进一步的，步骤(2)中判断是否失效采用Hashin破坏准则，当纤维发生拉伸失效或压缩失效时，此单元被判断为失效单元。
[0017]进一步的，步骤(4)具体为：影响输入层RVE结构V
i
的参数有扩孔半径、封头轮廓和缠绕铺层顺序，分别为(r
i
，h
i
，s
i
)，其中缠绕角度由r
i
和h
i
共同决定；当i＝0时，扩孔半径r0＝35mm，将螺旋缠绕和环向缠绕按照层数分别标记为(L1，L2，
……
，L
12
)、(H1，H2，
……
，H
17
)，建立L与H之间的关系，遍历出L和H排列的所有结果；当r
i
变化时，所对应的铺层顺序将重新排列，其中r
i
∈(r0,R)，R为筒身段纬度圆半径；不同参数中RVE结构组成了样本数据，根据样本数据，进行机器学习，以失效单元总数量Q
i
为预测结果，寻找单元失效数量Q
i
最少时的RVE结构V
i
即CFRP压力容器最优化纤维路径。
[0018]进一步的，将CFRP压力容器的扩孔半径r以0.5mm递增，最大值为筒身段半径130mm，缠绕顺序s以对螺旋缠绕层和环向缠绕层且以排列组合的方式进行更新，RVE结构根据扩孔半径r和缠绕顺序s的更新而更新，同时纤维路径更新，使用更新后的新路径对有限元模型进行相应的更新，得到具有不同纤维路径的模型。
[0019]进一步的，步骤(6)“通过数据库完成神经网络的训练，获取训练完成后的神经网络”具体为：
[0020]将采集到的数据样本划分为训练集t1和测试集t2，使用神经网络对训练集进行训练，训练完成后，使用测试集对训练好的神经网络进行测试，验证预测结果的准确性，神经网络中包含RVE结构V和失效单元总数量Q的对应关系，即f：V
→
Q；该神经网络基于V和Q的映射关系对所有纤维路径下的RVE结构进行搜索并预测，预测结果为失效单元的总数量，据此可以得到不同RVE结构所对应的失效单元总数量。
[0021]本专利技术与现有技术相比，其显著优点在于：
[0022](1)本专利技术将高效率的机器学习方法应用于扩孔半径、封头轮廓、铺层顺序复杂多变的CFRP压力容器复合材料缠绕层，相较于现有实验仿真手段，能够更加迅速地、低成本地完成缠绕路径优化，相较于理论验证和试验验证具有明显的优势。
[0023](2)本专利技术的优化方法采用扩孔半径、封头轮廓和铺层顺序的更新，实现了多种RVE结构爆破压的预测，并寻求出最优化的扩孔半径、封头轮廓和铺层顺序。CFRP压力容器复合材料缠绕层铺层顺序的变化以及扩孔处理，导致纤维缠绕角度和纤维缠绕路径不断变
化，同时由于存在纤维交叉起伏和纬度圆半径变化等细微差别，其结果导向为产生不同的RVE结构，由于RVE结构的特征更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的CFRP压力容器纤维缠绕路径优化方法，其特征在于，包括如下步骤：步骤(1)：建立CFRP压力容器的有限元分析模型；步骤(2)：对有限元分析模型施加载荷并添加边界条件，确定失效形式；步骤(3)：定义纤维缠绕路径，获取一组样本数据：将CFRP压力容器的扩孔半径r、封头轮廓函数h、缠绕顺序s作为变量，分析模型的失效形式和失效单元总数量，得到一组样本数据；步骤(4)：更新纤维缠绕路径，建立数据库：不断更新扩孔半径r、封头轮廓h和铺层顺序s，即纤维缠绕路径不断更新，从而不断更新RVE结构，有限元分析模型不断更新，按照步骤(3)分析得到每一组纤维缠绕路径对应的失效形式和失效单元总数量，得到随参数r、h、s更新而更新的RVE结构的样本数据，即建立了数据库；步骤(5)：建立神经网络模型：将CFRP压力容器的纤维缠绕路径作为输入量，将容器失效形式和失效单元总数作为神经网络的预测结果；步骤(6)：通过数据库完成神经网络的训练，获取训练完成后的神经网络；步骤(7)：根据步骤(6)中训练完成的神经网络，对CFRP压力容器的纤维缠绕路径进行优化，将神经网络的预测结果作为优化目标，最少化单元失效数量，CFRP压力容器失效单元数量最少时对应的纤维路径，即为最优化的纤维缠绕路径。2.根据权利要求1所述的方法，其特征在于，步骤(1)的有限元分析模型的建立具体为：确定技术指标和内衬，在内衬上进行碳纤维复合材料缠绕层的建模。3.根据权利要求2所述的方法，其特征在于，步骤(2)中失效形式具体为：数据样本用(V
i
，Q
i
)表示，其中V
i
代表第i种RVE结构，Q
i
代表第i种RVE结构单元失效总数量。4.根据权利要求3所述的方法，其特征在于，步骤(2)中判断是否失效采用Hashin破坏准则，当纤维发生拉伸失效或压缩失效时，此单元被判断为失效单元。5.根据权利要求4所述的方法，其特征在于，步骤(4)具体为：影响输入层RVE结构V
i
的参数有扩孔半径、封...

【专利技术属性】
技术研发人员：冯君，张楠，史骥，宋梅利，陈杨，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：