一种基于深度学习对CFRP自冲铆接成形过程的预测方法技术

本发明专利技术公开了一种基于深度学习对CFRP自冲铆接成形过程的预测方法，建立了一种新的深度学习框架，通过向模型中输入冲头行程位移百分比就能够快速预测SPR连接成形过程不同位移百分比下的模型结果，从而得到对应的截面形状，即从输入不同位移百分比预测采用SPR连接从刺入上板到完成铆接过程中碳纤维复合材料的分层与上表面损伤、铝合金的变形以及铆钉所处位置动态变化过程，提高了分析效率，相比于传统的有限元方法，深度学习方法可以避免复杂的物理模型和计算过程，提高预测的准确性和效率。率。率。

【技术实现步骤摘要】
一种基于深度学习对CFRP自冲铆接成形过程的预测方法


[0001]本专利技术涉及自冲铆接
，更具体的是，本专利技术涉及一种基于深度学习对CFRP自冲铆接成形过程的预测方法。

技术介绍

[0002]随着轻量化材料在车身结构中应用越来越广泛，多材料混合结构对连接技术提出了挑战。车身采用轻质材料代替传统钢材是实现汽车轻量化有效的途径之一，在汽车制造中，铝合金、钛合金、复合材料等新的轻型材料被广泛应用，碳纤维增强复合材料(CFRP,Carbon Fiber Reinforced Polymer)因具有高的比强度和比刚度，在新能源汽车和高端汽车上得到应用。多材料混合车身结构设计中，CFRP需要与金属框架连接形成完整的车身结构，对CFRP与金属的连接技术提出了挑战。SPR(自冲铆接)作为一种新型机械连接技术，它可以在不需要预制孔的情况下，将CFRP和金属进行有效连接。SPR具有连接效率高、成本低、可靠性好等优点，接头具有高强度和良好的密封性。
[0003]自冲铆属于机械内锁连接，从接头外部不能了解基板和铆钉的变形过程。为了解接头的成形机理，目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习对CFRP自冲铆接成形过程的预测方法，其特征在于，包括如下步骤：步骤一、采集冲头行程位移百分比；步骤二、建立预测模型；其中，所述预测模型包括生成器和判别器；所述生成器的第1、3、5、7、9层均为卷积残差块，第2、4、6、8层均为转置残差块，第10层为激活函数层；所述判别器的第1
‑
4层均为卷积层、批标准化层和整流层组成，第5层为卷积层；步骤三、以多个不同冲头行程位移百分比下的碳纤维复合材料与合金自冲铆接图像对所述预测模型进行训练，获得基于深度学习的条件生成对抗网络；步骤四、将随机噪声和冲头行程位移百分比输入所述基于深度学习的条件生成对抗网络中，获得预测的截面分割及上表面损伤图像。2.如权利要求1所述的基于深度学习对CFRP自冲铆接成形过程的预测方法，其特征在于，所述卷积残差块包括依次连接的卷积层、批标准化层、整流层、卷积层和批标准化层。3.如权利要求2所述的基于深度学习对CFRP自冲铆接成形过程的预测方法，其特征在于，所述转置残差块包括平行设置的转置卷积调整通道和依次连接的转置卷积层、批标准化层和整流层；其中，所述转置卷积调整通道的卷积核尺寸为1
×
1，所述转置卷积层的卷积核尺寸为3
×
3。4.如权利要求1所述的基于深度学习对CFRP自冲铆接成形过程的预测方法，其特征在于，所述生成器的目标函数为：式中，V(G)为生成器G的最小二乘损失，E
c,z
为条件信息为c且随机噪声为z时的期望，D(G(c,z),c)为判别器D给出生成数据G(c,z)和条件信息为c是真实数据的概率，λ为正则化系数，F(G)为正则化项。5.如权利要求...

【专利技术属性】
技术研发人员：刘洋，吴庆军，代祎琳，
申请(专利权)人：青岛理工大学，
类型：发明
国别省市：