【技术实现步骤摘要】
本专利技术涉及复合结构，尤其涉及一种基于机器学习的斑图型抗穿透复合结构的设计方法以及图灵斑图型复合结构。
技术介绍
1、在日常生产中，随着安全意识的提升，对人员、物资以及设施安全性和防护性能需求也逐渐增加。
2、抗穿透防护结构在人们日常生活及各种工程领域也有了更加广泛的应用，这些抗穿透结构不仅仅用于保护各种类型的设备和基础设施免受自然灾害和恶意攻击的损害也同样普遍的应用在人们日常生活中，就比如摩托车头盔、汽车挡风玻璃等。
3、基于上述的需求，研究人员设计了多种结构来提升结构的抗穿透性能，例如重叠结构、堆叠螺旋结构、层状结构等，而在以上复合结构中，软硬材料相间叠合的结构往往有着更规则的排列组合，这种结构在受到载荷冲击时，通过裂纹扩展和层间的剪切来消耗能量，以达到抗冲击的目标。
4、为了提高结构的抗穿透性能，现有的研究人员尝试了诸多方式，而图灵斑图便是其中一种，图灵斑图是一种自然界中常见的非线性动态演化现象，其图案是一种由化学反应或物理过程产生的空间模式，这些模式通常由局部相互作用和耗散机制驱动，而不是外部力场作用引起的，利用图灵斑图复杂的几何图案来设计软硬材料相间的互锁拓扑形式能够提高软硬相间复合结构裂纹扩张路径的几何复杂度，从而增加该复合结构的整体韧性，对抗穿透和抗冲击复合结构的设计有着重大意义。
5、但是，由于图灵斑图的图案本身就是多种多样的，再加上材料叠合过程会受到诸如几何形状、宽度、厚度、旋转角度等多种参数的影响，因此在探究图灵斑图与单层材料结合成复合材料的过程中，会在不同的
6、为了克服上述问题，本专利技术提出了一种基于机器学习的斑图型抗穿透复合结构的设计方法，以及通过该方法设计的一种图灵斑图型复合结构。
技术实现思路
1、本专利技术实施例所要解决的技术问题在于，提供一种基于机器学习的斑图型抗穿透复合结构的设计方法，包括以下步骤：
2、步骤s1：通过调整bz震荡反应、gray scott模型、le模型三种斑图模型生成图灵斑图图像，并将生成的图灵斑图图像转换成二值高精度像素图像，进而生成表示图灵斑图区域内部和区域外部的二值矩阵数字图片；
3、步骤s2：将步骤s1生成的二值矩阵数字图片赋予几何尺寸进行三维化，并根据二值矩阵的数值分别赋予软硬材料构并构建出含有两种材料的抗穿透单层结构几何实体和相应的几何数据矩阵，并基于步骤s1所述的图灵斑图图像将所述抗穿透单层结构分为训练集和测试集；
4、步骤s3：基于s2中的训练集，对训练集的斑图型抗穿透单层和多层结构进行有限元分析，构建出学习目标数据矩阵组，将目标的力学属性作为监督信号，帮助机器学习模型学习到输入特征与输出目标之间的映射关系；
5、步骤s4：构建机器学习模型，将所述训练集的单层结构参数和多层结构参数分别作为机器学习模型的输入，以步骤s3学习目标的几何数据矩阵组作为目标，进行多轮训练并优化机器学习模型输入特征与学习目标之间的映射关系，获得设计斑图型抗穿透复合结构的机器学习模型；
6、步骤s5：将测试集的单层复合结构和多层复合结构进行有限元分析，计算该结构的目标力学性能，同时将所述测试集的单层结构参数和多层结构参数分别作为所述机器学习模型的输入参数，进而预测其力学性能，将步骤s4所得机器学习模型预测的目标力学性能和有限元分析计算得到的力学性能对比，验证机器学习模型的泛化能力；
7、步骤s6：通过步骤5所述的机器学习模型，预测得到基于图灵斑图的单层复合结构和多层复合结构的力学性能，并根据预测结果设计出拥有更高抗穿透能力的斑图型单层抗穿透结构和多层复合结构。
8、其中，所述步骤s1中生成的图灵斑图图像总数大于10000。
9、其中，所述步骤s2的训练集和测试集的数量比为7：3。
10、其中，步骤s4、s5所述的单层结构参数包括：单层结构的数据矩阵、结构软硬材料属性；步骤s4、s5所述的多层结构参数包括：多层结构的数据矩阵、结构软硬材料属性以及叠合形式。
11、其中，所述单层结构参数以及多层结构参数中的结构软硬材料属性包括：密度、弹性模量、泊松比和屈服强度；所述多层结构参数中的叠合形式包括：叠合层数、每层厚度和每层角度。
12、此外，本专利技术还提出了一种基于上述设计方法得来的图灵斑图型复合结构，所述图灵斑型复合结构由多个单层板壳状结构相互螺旋叠合形成，所述多个单层板壳结构之间由均质薄层相互连接，所述各单层板壳状结构由弹性模量大小不同即软硬不同的两种材料按照灵斑图模型相互嵌合而成。
13、其中，所述图灵斑图模型类型可以为bz震荡反应、gray scott模型、le模型等模型中的任一种或者几种。
14、其中，所述各单层板壳状结构中的图灵斑图的扩散区域填充为软材料，未扩散到的区域填充为硬材料，硬材料和软材料的弹性模量之比至少是2：1。
15、其中，所述连接单层板壳状结构之间的均质薄层可以由所述软材料构成，也可以由弹性模量为软材料1～2倍的第三种材料构成，厚度可以是所述是和该均质薄层相接的单层板壳状结构厚度的5％～20％。
16、其中，所述的多层板壳状结构至少由三层单层板壳状结构叠合形成。
17、实施本专利技术实施例，具有如下有益效果：①本专利技术提供了一种抗穿透复合结构，由于设计了不同模型、不同扩散时间的图灵斑图并填充软材料，这使得该结构再收到较大载荷产生裂纹时，裂纹的扩散路径大幅地增加从而可以耗散更多的能量；另一方面，由于结构是多层旋转设计，这种结构增加了裂纹扩展时偏转的次数，从而增加耗散的能量，使结构整体的抗穿透能力大幅提升。
18、②本专利技术提供的一种基于机器学习的斑图型抗穿透复合结构的设计方法，其设计过程中具有多种可调整的结构参数，既可以调整单层板的参数，又可以调整各单层板之间的参数，具有丰富和灵活的参数调整维度，能更方便地探究不同参数调整对单层、多层结构的结构参数影响，可以满足日常生活防护、国防防爆、航空航天抗冲击防护等实际需求。③本专利技术提供了一种抗穿透复合结构的设计方法，在设计斑图型单层结构时结合有限元分析和机器学习算法，不仅实现预测各种斑图型单层复合结构和多层复合结构的力学性能，而且可以实现对指定力学性能的优化，进而提升单层复合结构和多层复合结构的抗冲击能力。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的斑图型抗穿透复合结构的设计方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种基于机器学习的图灵斑图型抗穿透复合结构的设计方法，其特征在于，所述步骤S1中生成的图灵斑图图像总数大于10000。
3.根据权利要求1所述的一种基于机器学习的图灵斑图型抗穿透复合结构的设计方法，其特征在于，所述步骤S2的训练集和测试集的数量比为7：3。
4.根据权利要求1所述的一种基于机器学习的图灵斑图型抗穿透复合结构的设计方法，其特征在于，
5.根据权利要求4所述的一种基于机器学习的图灵斑图型抗穿透复合结构的设计方法，其特征在于，
6.一种图灵斑图型复合结构，其特征在于，所述图灵斑型复合结构由多个单层板壳状结构相互螺旋叠合形成，所述多个单层板壳结构之间由均质薄层相互连接，所述各单层板壳状结构由弹性模量大小不同的两种材料按照一种或多种图灵斑图模型相互嵌合而成。
7.根据权利要求5所述的一种图灵斑图型复合结构，其特征在于，所述图灵斑图模型类型可以为BZ震荡反应、Gray Scott模型、LE模型等模
8.根据权利要求5所述的一种图灵斑图型复合结构，其特征在于，所述各单层板壳状结构中的图灵斑图的扩散区域填充为软材料，未扩散到的区域填充为硬材料，所述硬材料和所述软材料的弹性模量之比至少是2：1。
9.根据权利要求7所述的一种图灵斑图型复合结构，其特征在于，所述连接单层板壳状结构之间的均质薄层可以由所述软材料构成，也可以由弹性模量为软材料1～2倍的第三种材料构成，厚度可以是所述是和该均质薄层相接的单层板壳状结构厚度的5％～20％。
10.根据权利要求5所述的一种图灵斑图型复合结构，其特征在于，所述的多层板壳状结构至少由三层单层板壳状结构叠合形成。
...【技术特征摘要】
1.一种基于机器学习的斑图型抗穿透复合结构的设计方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种基于机器学习的图灵斑图型抗穿透复合结构的设计方法，其特征在于，所述步骤s1中生成的图灵斑图图像总数大于10000。
3.根据权利要求1所述的一种基于机器学习的图灵斑图型抗穿透复合结构的设计方法，其特征在于，所述步骤s2的训练集和测试集的数量比为7：3。
4.根据权利要求1所述的一种基于机器学习的图灵斑图型抗穿透复合结构的设计方法，其特征在于，
5.根据权利要求4所述的一种基于机器学习的图灵斑图型抗穿透复合结构的设计方法，其特征在于，
6.一种图灵斑图型复合结构，其特征在于，所述图灵斑型复合结构由多个单层板壳状结构相互螺旋叠合形成，所述多个单层板壳结构之间由均质薄层相互连接，所述各单层板壳状结构由弹性模量大小不同的两种材料...
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。