L型构件残余应力的预测方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及复合材料技术领域，特别涉及一种L型构件残余应力的预测方法、装置、设备及介质。其中，该方法包括：获取待预测的L型构件的一个一维输入参数集合；将所述一维输入参数集合转换为RGB图像，并将所述RGB图像输入到训练好的残余应力预测模型中，得到所述待预测的L型构件的残余应力；其中，所述残余应力预测模型是利用样本L型构件已知的样本一维输入参数集合和样本残余应力分别作为输入样本集和输出样本集进行训练得到的。本方案，能够解决L型构件残余应力的测试方法效率低下的问题，实现对L型构件残余应力的快速预测。对L型构件残余应力的快速预测。对L型构件残余应力的快速预测。

【技术实现步骤摘要】
L型构件残余应力的预测方法、装置、设备及介质


[0001]本专利技术涉及复合材料
，特别涉及一种L型构件残余应力的预测方法、装置、设备及介质。

技术介绍

[0002]L型碳纤维复合材料构件一般采用热压固化成型方式，由于成型面为曲面，容易产生压力分布不均和树脂多维流动现象，使得在曲面的圆角处存在较大的残余应力，而残余应力会降低复合材料的机械强度，甚至造成分层失效。因此，对复合材料构件的残余应力分布进行预测和分析，从而针对性的进行优化是保证复合材料构件高性能精确成型的关键。
[0003]相关技术中，一般需要通过大量的物理实验来测试L型构件的残余应力，并通过局部铺层顺序的修改以及模具的补偿来减少变形。然而，这种方法不仅效率低下而且成本高，且仅适用于简单几何的零件。
[0004]因此，亟需提供一种L型构件的残余应力的预测方法、装置、设备及介质来解决上述技术问题。

技术实现思路

[0005]本专利技术实施例提供了一种L型构件残余应力的预测方法、装置、电子设备及存储介质，能够实现对L型构件残余应力的快速预测。
[0006]第一方面，本专利技术实施例提供了一种L型构件残余应力的预测方法，包括：获取待预测的L型构件的一个一维输入参数集合；将所述一维输入参数集合转换为RGB图像，并将所述RGB图像输入到训练好的残余应力预测模型中，得到所述待预测的L型构件的残余应力；其中，所述残余应力预测模型是利用样本L型构件已知的样本一维输入参数集合和样本残余应力分别作为输入样本集和输出样本集进行训练得到的。
[0007]第二方面，本专利技术实施例还提供了一种L型构件残余应力的预测装置，包括：获取单元，用于获取待预测的L型构件的一个一维输入参数集合；转换单元，用于将所述一维输入参数集合转换为RGB图像，并将所述RGB图像输入到训练好的残余应力预测模型中，得到所述待预测的L型构件的残余应力；其中，所述残余应力预测模型是利用样本L型构件已知的样本一维输入参数集合和样本残余应力分别作为输入样本集和输出样本集进行训练得到的。
[0008]第三方面，本专利技术实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
[0009]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
[0010]本专利技术实施例提供了一种L型构件残余应力的预测方法、装置、电子设备及存储介质，首先获取L型构件的一维输入参数集合，并将一维输入参数集合转换为RGB图像，之后利用L型构件已知的样本一维输入参数集合和样本残余应力分别作为输入样本集和输出样本集对残余应力预测模型进行训练，训练得到的残余应力预测模型能够对实现L型构件残余应力的快速预测，无需进行多次物理实验对L型构件的残余应力进行测试，提高了工作效率，降低了成本。
附图说明
[0011]为了更清楚地说明本专利技术实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0012]图1是本专利技术一实施例提供的一种L型构件残余应力的预测方法流程图；图2是本专利技术一实施例提供的一种电子设备的硬件架构图；图3是本专利技术一实施例提供的一种L型构件残余应力的预测装置的结构图。
具体实施方式
[0013]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0014]请参考图1，本专利技术实施例提供了一种L型构件残余应力的预测方法，该方法包括：步骤100，获取待预测的L型构件的一个一维输入参数集合；步骤102，将一维输入参数集合转换为RGB图像，并将RGB图像输入到训练好的残余应力预测模型中，得到待预测的L型构件的残余应力；其中，残余应力预测模型是利用样本L型构件已知的样本一维输入参数集合和样本残余应力分别作为输入样本集和输出样本集进行训练得到的。
[0015]本实施例中，首先获取L型构件的一维输入参数集合，并将一维输入参数集合转换为RGB图像，之后利用L型构件已知的样本一维输入参数集合和样本残余应力分别作为输入样本集和输出样本集对残余应力预测模型进行训练，训练得到的残余应力预测模型能够实现对L型构件残余应力的预测，如此无需进行多次物理实验对L型构件的残余应力进行测试，极大提高了L型构件的生产效率，降低了生产成本。
[0016]为了保证残余应力预测模型具备精准的预测能力，需要通过已知样本数据集对其进行训练，并且当训练集的数据量越多，则越有利于保证残余应力预测模型预测的准确性。然而，在实际工程中，由于L型构件的实际固化过程缓慢，并且对L型构件的残余应力的测试成本较高，难以获得大量的训练数据，因此，本实施例中以一维参数集合作为提交文件，利用Abaqus软件对L型构件的固化过程进行模拟，从而获得大量的残余应力数据，如此得到了充足的样本对残余应力预测模型进行训练，从而保证了该预测模型预测的准确性。
[0017]需要说明的是，为了更好的模拟L型构件固化过程中不确定性参数影响，首先利用
Python程序中的随机函数，随机形成多个一维参数集合作为Abaqus软件的提交文件，将提交文件输入到Abaqus软件，并在软件中设置预设的L型构件的固化反应约束条件，如此能够使得与每个提交文件相对应的材料在预设约束条件下进行固化模拟，通过对L型构件模型中的不同位置的样本数据进行提取，得到与一维参数集合相对应的残余应力数据集，并将该一维参数集合和测试得到的残余应力数据集作为训练样本集对残余应力预测模型进行训练，如此能够避免大量的物理实验对L型构件的残余应力进行测试，极大提高了工作效率。
[0018]同时，本实施例中的预设约束条件包括复合材料的热物性参数、力学性能参数和固化动力学模型；其中，热物性参数包括L型构件的密度、比热容、导热系数、树脂密度、纤维体积含量、单位质量树脂的固化反应放热、化学收缩率；力学性能包含纤维的弹性模量、剪切模量和泊松比。
[0019]下面描述图1所示的各个步骤的执行方式。
[0020]针对步骤100：在本专利技术一个实施例中，一个输入参数集合包括一个L型角度、一个固化升温速率、一个保温时间和多个铺层角度。
[0021]在本实施例中，在L型构件的实际固化过程中，由于L型构件的残余应力的产生机理十分复杂，并且一般涉及较多的影响参数，因此，本实施例中通过挑选对残余应力影响较大的多个参数，利用Python程序中的随机函数对多个参数进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种L型构件残余应力的预测方法，其特征在于，包括：获取待预测的L型构件的一个一维输入参数集合；将所述一维输入参数集合转换为RGB图像，并将所述RGB图像输入到训练好的残余应力预测模型中，得到所述待预测的L型构件的残余应力；其中，所述残余应力预测模型是利用样本L型构件已知的样本一维输入参数集合和样本残余应力分别作为输入样本集和输出样本集进行训练得到的。2.根据权利要求1所述的方法，其特征在于，一个所述输入参数集合包括一个L型角度、一个固化升温速率、一个保温时间和多个铺层角度。3.根据权利要求2所述的方法，其特征在于，所述将所述一维输入参数集合转换为RGB图像，包括：将所述一维输入参数集合中一个L型角度、一个固化升温速率、一个保温时间和每个铺层角度分别转换为所述RGB图像中的一行或一列；其中，L型角度、固化升温速率、保温时间和铺层角度所对应的图像像素值互不相同且互不成比例，不同铺层角度所对应的图像像素值互成比例；基于L型角度、固化升温速率、保温时间和铺层角度的总个数，确定所述RGB图像的列数或行数，以使所述RGB图像为正方形图像。4.根据权利要求1所述的方法，其特征在于，所述残余应力预测模型包括依次连接的编码网络、过渡网络和解码网络，其中：所述编码网络用于对输入的RGB图像进行3
×
3卷积操作和下采样操作，以提取所述RGB图像的特征信息；所述过渡网络用于采用不同膨胀系数的空洞卷积对由所述编码网络输出的RGB图像的特征信息进行卷积操作；所述解码网络用于对由所述过渡网络输出的RGB图像的特征信息依次进行3
×
3卷积操作、上采样操作和1
×
1卷积操作，得到残余应力。5.根据权利要求4所述的方法，其特征在于，所述编码网络包括多个编码层，每个所述编码层均包括依次连接至少两个卷积层和一个特征拼接层，每个所述卷积层均包括一个3
×
3的卷积核、一个归一化层和一个激活函数，所述特征拼接层用于对第一个所述卷积层的输入特征和最后一个所述卷积层的输出特征进行特征拼接...

【专利技术属性】
技术研发人员：叶金蕊，刘凯，张保柱，郭浩，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：