基于机器学习的多冲击载荷下三维编织复合材料裂纹扩展行为预测方法及相关设备

摘要: 本发明涉及复合材料结构损伤评估与寿命预测,具体而言,涉及基于机器学习的多冲击载荷下三维编织复合材料裂纹扩展行为预测方法及相关设备。背景技术:1、三维编织复合材料...
基于机器学习的多冲击载荷下三维编织复合材料裂纹扩展行为预测方法及相关设备

本发明涉及复合材料结构损伤评估与寿命预测,具体而言,涉及基于机器学习的多冲击载荷下三维编织复合材料裂纹扩展行为预测方法及相关设备。

背景技术:

1、三维编织复合材料以穿插交织的三维编织结构为增强相,具有较高的比强度、比模量以及优异的整体性、抗分层能力和冲击损伤容限,是飞行器轻量化结构设计中的重要先进材料。然而,飞行器结构件在服役过程中易受到工具跌落、砂石撞击和维护碰撞等低速冲击载荷作用。材料在多次冲击载荷的作用下,内部会产生基体开裂、界面脱粘、微裂纹萌生与扩展等损伤,并逐渐形成复杂的累积损伤,最终可能导致结构刚度退化甚至突发失效,严重威胁装备运行安全。因此,快速预测三维编织复合材料重复冲击后的裂纹扩展形态,对飞行器结构安全评估和损伤预警具有重要意义。

2、目前,复合材料裂纹扩展预测主要采用物理试验、有限元分析、代表性体积单元方法以及损伤力学模型等数值模拟方法。传统多冲击损伤研究高度依赖重复性物理冲击试验,存在试样损耗大、试验周期长、设备损耗严重等问题,且难以全程捕捉裂纹累积扩展的全动态演化过程。而传统有限元等数值仿真方法,由于三维编织复合材料空间交织结构复杂、各向异性显著,人工构建复杂的损伤本构与演化方程不仅建模难度大、参数标定繁琐,而且在处理多冲击载荷的累积耦合效应时,往往需要逐步迭代计算,耗时严重、效率较低,难以精准刻画非线性累积裂纹的扩展规律,无法适应工程中快速评估和批量预测的需求。

3、近年来,随着机器学习技术的发展,数据驱动方法为复合材料损伤预测提供了新途径,但现有机器学习方法大多属于参数数据到损伤指标的数值预测,评估维度过于单一。这些方法仅能实现冲击参数到损伤面积、裂纹长度、剩余强度等单一标量指标的映射,只能在数值上量化损伤程度,无法直观反映裂纹的空间分布、扩展方向与贯通趋势。此外,现有研究多集中于单次冲击或单一损伤模式,对重复冲击下损伤累积效应考虑不足。

4、综上所述,现有技术存在物理试验成本高且工况受限、传统数值仿真建模复杂且计算效率低、以及现有机器学习预测维度单一无法表征裂纹空间扩展特征等诸多缺陷,难以高效、精准地完成多冲击载荷下三维编织复合材料累积裂纹扩展行为的全面预测,严重制约了复合材料结构的安全状态精细化评估与寿命预测设计。

技术实现思路

1、针对现有技术中存在的问题,本发明提供基于机器学习的多冲击载荷下三维编织复合材料裂纹扩展行为预测方法及相关设备,旨在摆脱传统试验测试依赖于复杂力学建模约束,实现多冲击累积损伤工况下复合材料裂纹扩展规律的快速、高精度、泛化性强的智能预测,满足航空航天、防护装备等复合材料构件的安全评估与寿命预测工程需求。

2、本发明是通过以下技术方案来实现:

3、基于机器学习的多冲击载荷下三维编织复合材料裂纹扩展行为预测方法,包括:

4、获取三维编织复合材料在不同冲击条件下的原始裂纹图像数据集以及对应的冲击工况参数;

5、采用自适应阈值分割算法对原始裂纹图像数据集进行图像分离处理,提取二值化裂纹图像作为真实标签图像,并根据二值化裂纹图像的像素统计结果获取对应的真实裂纹面积标签;

6、将冲击工况参数作为输入变量,将真实裂纹面积标签作为输出变量,训练adaboost回归预测模型以建立参数与面积的映射关系,得到裂纹面积预测模型;

7、构建多特征融合条件生成对抗网络,所述多特征融合条件生成对抗网络包含条件编码模块、生成器和判别器;

8、将冲击工况参数通过条件编码模块映射为条件特征,并将条件特征输入至生成器以输出预测裂纹图像;利用判别器对预测裂纹图像与对应的真实标签图像进行真伪判别,基于多损失联合函数交替更新所述生成器和判别器的网络参数直至模型收敛,得到裂纹分布形态预测模型;

9、获取待测三维编织复合材料的冲击工况参数,输入至裂纹面积预测模型和裂纹分布形态预测模型中,输出预测裂纹面积数值与裂纹分布形态图像。

10、优选地,所述采用自适应阈值分割算法对原始裂纹图像数据集进行图像分离处理,提取二值化裂纹图像作为真实标签图像,包括:

11、将所述原始裂纹图像数据集中的图像转换为单通道灰度图;

12、利用otsu最大类间方差法,计算所述单通道灰度图的类间方差,将使类间方差取得最大值的灰度值作为最优分割阈值;

13、将所述单通道灰度图中灰度值低于所述最优分割阈值的像素赋值为1作为裂纹损伤像素,将灰度值高于所述最优分割阈值的像素赋值为0作为基体背景像素,生成黑白二分类的二值化裂纹图像作为所述真实标签图像;

14、统计所述二值化裂纹图像中所述裂纹损伤像素的总数量,将所述裂纹损伤像素的总数量确定为对应冲击工况参数下的所述真实裂纹面积标签。

15、优选地,裂纹面积预测模型的,具体建立过程包括:

16、将所述冲击工况参数作为输入变量,将所述真实裂纹面积标签作为输出变量输入adaboost回归预测模型中,

17、对所述adaboost回归预测模型中的训练样本赋予初始样本权重;通过adaboost算法对所述训练样本执行迭代学习,在每次迭代过程中根据上一轮弱学习器的预测误差分布更新所述样本权重;

18、将多轮迭代后的多个弱学习器输出结果进行加权求和,输出训练收敛的所述裂纹面积预测模型;

19、所述adaboost回归预测模型的输出表示为:;其中,为裂纹损伤面积。

20、优选地,所述生成器包括下采样编码模块和上采样解码模块的u-net架构;

21、所述生成器中内嵌有条件批归一化模块和注意力机制模块,所述条件批归一化模块用于使冲击工况参数持续调控网络中间特征,所述注意力机制用于强化网络对裂纹主干区域及局部扩展区域的特征表达能力;

22、所述判别器采用条件patchgan架构,所述判别器的输入端接收第一样本组合与第二样本组合;其中,所述第一样本组合由所述真实标签图像与所述条件特征拼接构成,所述第二样本组合由所述预测裂纹图像与所述条件特征拼接构成;所述判别器将输入的所述第一样本组合与所述第二样本组合划分为局部图像区块进行输出判别。

23、优选地,所述冲击工况参数包括编织角度、冲击能量和冲击次数;

24、在将所述冲击工况参数作为输入变量之前,对所述冲击工况参数进行归一化处理,获取归一化输入向量:;

25、式中,为归一化后的编织角度,为归一化后的冲击能量,为归一化后的冲击次数。

26、优选地,所述获取三维编织复合材料在不同冲击条件下的原始裂纹图像数据集,包括: 获取采用四步法三维编织工艺与真空辅助树脂传递模塑工艺制备的具备不同编织角度的三维编织复合材料试样;沿所述三维编织复合材料试样的厚度方向施加低速冲击载荷,在同一冲击能量下执行1至5次重复冲击; 采集每次冲击后所述三维编织复合材料试样表面的裂纹图像,生成所述原始裂纹图像数据集。

27、优选地,所述多损失联合函数的计算公式如下:

28、

29、式中,为总损失,为用于减小预测图像与真实图像之间整体像素偏差的像素重建损失,为用于增强裂纹轮廓和边界区域一致性的边缘损失,为用于提高预测图像与真实图像在高层结构特征上相似性的感知损失,为用于约束生成图像接近真实裂纹图像分布的对抗损失,、、和分别为各损失项的权重系数。

30、基于机器学习的多冲击载荷下三维编织复合材料裂纹扩展行为预测系统,包括:

31、数据获取模块,用于获取三维编织复合材料在不同冲击条件下的原始裂纹图像数据集以及对应的冲击工况参数;

32、图像分离与标签提取模块,配置为采用自适应阈值分割算法对原始裂纹图像数据集进行图像分离处理,提取二值化裂纹图像作为真实标签图像,并根据二值化裂纹图像的像素统计结果获取对应的真实裂纹面积标签;

33、面积模型训练模块,用于将冲击工况参数作为输入变量,将真实裂纹面积标签作为输出变量,训练adaboost回归预测模型以建立参数与面积的映射关系,得到裂纹面积预测模型;

34、形貌模型训练模块,用于构建多特征融合条件生成对抗网络,所述多特征融合条件生成对抗网络包含条件编码模块、生成器和判别器;将冲击工况参数通过条件编码模块映射为条件特征,并将条件特征输入至生成器以输出预测裂纹图像;利用判别器对预测裂纹图像与对应的真实标签图像进行真伪判别,基于多损失联合函数交替更新所述生成器和判别器的网络参数直至模型收敛,得到裂纹分布形态预测模型;

35、联合预测执行模块,用于获取待测三维编织复合材料的冲击工况参数,输入至裂纹面积预测模型和裂纹分布形态预测模型中,输出预测裂纹面积数值与裂纹分布形态图像。

36、一种计算机设备,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如所述的基于机器学习的多冲击载荷下三维编织复合材料裂纹扩展行为预测方法的步骤。

37、一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如所述的基于机器学习的多冲击载荷下三维编织复合材料裂纹扩展行为预测方法的步骤。

38、与现有技术相比,本发明具有以下有益的技术效果:

39、本发明提供的基于机器学习的多冲击载荷下三维编织复合材料裂纹扩展行为预测方法及系统,通过获取三维编织复合材料在不同冲击条件下的原始裂纹图像数据集以及对应的冲击工况参数,能够克服传统物理试验难以连续捕捉累积损伤演化动态全过程的缺陷,提供可靠的多工况映射物理基准;通过采用自适应阈值分割算法对原始裂纹图像数据集进行分离处理并根据像素统计提取真实裂纹面积标签,能够规避人工固定阈值造成的漏检与失真并自动消除光照与基底纹理干扰,生成高质量的标准化训练监督数据;通过将冲击工况参数与真实裂纹面积标签输入至adaboost回归预测模型以建立映射关系,能够克服传统有限元仿真建模复杂、耗时较长的缺陷,精准表征多冲击载荷的强累积耦合效应,实现累积下非线性裂纹扩展规模的高精度快速定量预测;通过构建包含条件编码模块、生成器和判别器的多特征融合条件生成对抗网络,并将条件特征映射后输入至网络进行真伪判别和多损失联合函数交替更新优化,能够突破现有数据驱动方法仅能输出单一标量数值的评估维度局限,直接端到端逼近重构裂纹的空间分布、不规则扩展边界与连通趋势;通过将待测工况参数输入至训练完成的面积和形貌双模型中联合输出结果,实现了无需制备新试样或执行繁复冲击试验即可同步获取复合材料二维几何形貌与定量受损状况的技术跨越,有效满足了航空航天、防护装备等轻量化复合材料构件在多冲击服役场景下的可视化损伤安全精细评估与快速预警需求。

40、进一步,通过采用otsu最大类间方差法计算单通道灰度图的最优分割阈值实施二分类,能够最大限度凸显裂纹与基体的客观灰度差异,保障面积统计的准度;通过对adaboost模型赋予样本权重并基于上一轮弱分类器误差分布进行动态更新加权求和,能够显著强化对大损伤高误差样本的非线性拟合纠偏能力。

41、进一步,通过在u-net生成器内嵌条件批归一化和注意力机制并采用patchgan进行局部区块判别,能够利用物理参数持续深度调控网络并聚焦捕捉细碎裂纹分支,极大提升了模型输出对于不同工艺及载荷响应特征的鲁棒匹配度。

42、进一步,通过对编织角度、冲击能量和冲击次数执行归一化,能够消除底层物理量纲差异,保障前向映射的稳定;通过融合像素重建、边缘、感知和对抗四大损失项构建联合函数进行约束,能够兼顾微观边界清晰度与全局分布拓扑的一致性,使得预测结果无限贴近真实断裂形貌。