融合自编码与深度学习蜂窝材料力学响应预测方法及系统与流程

摘要: 本技术涉及材料力学性能分析,具体涉及一种融合自编码与深度学习蜂窝材料力学响应预测方法及系统。背景技术:1、蜂窝夹芯复合材料因其轻质、高比强度、高比刚度及优异的能...
融合自编码与深度学习蜂窝材料力学响应预测方法及系统与流程

本技术涉及材料力学性能分析,具体涉及一种融合自编码与深度学习蜂窝材料力学响应预测方法及系统。

背景技术:

1、蜂窝夹芯复合材料因其轻质、高比强度、高比刚度及优异的能量吸收能力,在航空航天、轨道交通、汽车碰撞安全防护等领域得到广泛应用。蜂窝材料在服役过程中通常承受复杂的多轴载荷,尤其是面外剪切-压缩联合加载工况,其力学响应的准确预测对于结构设计与性能优化至关重要。

2、目前,蜂窝材料力学行为的获取主要依赖于三类方法:

3、(1)实验测试方法:通过准静态压缩、动态冲击及剪切-压缩联合加载实验获取力-位移曲线和变形模式。该方法结果可靠,但存在试件制备成本高、测试周期长、难以获取全场变形信息等缺陷,且对于多工况参数化分析需求,实验成本呈指数级增长,此外,实验方法难以分离联合加载下的法向与剪切响应分量,限制了其对本构模型验证的深度。

4、(2)理论解析方法:基于超级折叠单元理论,采用六边形蜂窝结构轴向平均压溃应力解析。然而,解析方法通常依赖于理想化几何假设(如完美周期六边形、均匀壁厚),难以处理实际蜂窝存在的几何不规则性、壁厚不均匀性及材料非线性。

5、(3)有限元数值模拟方法:通过ls-dyna、abaqus等显式动力学软件建立精细化的蜂窝有限元模型,能够准确捕捉结构的渐进折叠、屈曲及失效过程。但精细化模型的单元数量可达数十万,单次仿真耗时数小时至数十小时,难以满足设计空间探索、参数敏感性分析及多目标优化对海量仿真数据的需求。

6、因此,亟需一种可以实现对蜂窝材料在复杂载荷下力学行为的高精度、高效率预测方法。

技术实现思路

1、为了解决上述技术问题,提出了本技术。本技术的实施例提供了一种融合自编码与深度学习蜂窝材料力学响应预测方法及系统。

2、根据本技术的一个方面,提供了一种融合自编码与深度学习蜂窝材料力学响应预测方法,包括:基于蜂窝结构的几何参数,构建蜂窝有限元模型库;其中,所述蜂窝有限元模型库中包含多个分别与不同的几何参数组合对应的蜂窝有限元模型;对所述蜂窝有限元模型进行各向异性力学特征体素化处理,生成多通道体素图;构建并训练物理约束的三维卷积自编码器,并采用所述三维卷积自编码器提取所述多通道体素图的低维潜在空间向量;构建并训练能量守恒约束的多任务长短期记忆神经网络,并以所述低维潜在空间向量为所述多任务长短期记忆神经网络的输入,预测所述蜂窝有限元模型的力-位移-能量时间序列;构建并训练网格变形预测网络,并以所述低维潜在空间向量、时间步及节点初始坐标为输入,预测节点位移矢量;基于所述力-位移-能量时间序列和所述节点位移矢量,生成所述蜂窝有限元模型的力学响应结果。

3、在一实施例中,所述对所述蜂窝有限元模型进行各向异性力学特征体素化处理,生成多通道体素图包括:确定所述蜂窝有限元模型的整体空间包围盒,并基于设定的体素分辨率将所述整体空间包围盒的节点坐标映射至体素空间,得到体素索引;计算各节点的集中质量,并采用叠加法将所述集中质量累加至对应体素,得到基础质量体素图;构建各向异性力学特征张量体素图;其中,所述各向异性力学特征张量体素图包括:面外压缩刚度贡献因子、第一面外剪切刚度贡献因子、第二面外剪切刚度贡献因子、局部屈曲强度因子、质量分布修正因子及初始几何缺陷特征;将所述基础质量体素图与所述各向异性力学特征张量体素图进行通道拼接,形成所述多通道体素图。

4、在一实施例中,所述构建各向异性力学特征张量体素图包括:基于所述蜂窝结构的几何参数、蜂窝面外等效模量、蜂窝面外剪切模量、基材流动应力、胞壁长度和双层壁与单层壁的分布,计算所述面外压缩刚度贡献因子、所述第一面外剪切刚度贡献因子、所述第二面外剪切刚度贡献因子、所述局部屈曲强度因子、所述质量分布修正因子和所述初始几何缺陷特征。

5、在一实施例中,所述构建并训练物理约束的三维卷积自编码器包括:构建初始自编码器;其中,所述初始自编码器包括编码器网络和解码器网络;基于通道重建损失、物理一致性损失和潜在空间正则化损失,构建物理约束损失函数;基于所述物理约束损失函数对所述初始自编码器进行训练,得到所述三维卷积自编码器。

6、在一实施例中,所述构建并训练能量守恒约束的多任务长短期记忆神经网络包括:构建初始神经网络;其中,所述初始神经网络包括lstm层序列和多任务输出层;基于力值、位移、能量预测的均方误差和能量守恒约束项,构建能量守恒约束的多任务损失函数;基于所述多任务损失函数对所述初始神经网络进行训练,得到所述多任务长短期记忆神经网络。

7、在一实施例中,所述构建并训练网格变形预测网络包括:构建初始预测网络;所述初始预测网络包括残差连接的多层感知机架构;基于平滑约束,构建变形预测损失函数;基于所述变形预测损失函数对所述初始预测网络进行训练,得到所述网格变形预测网络。

8、在一实施例中,所述基于所述力-位移-能量时间序列和所述节点位移矢量,生成所述蜂窝有限元模型的力学响应结果包括:基于所述力-位移-能量时间序列和所述节点位移矢量,生成所述蜂窝有限元模型的力-位移曲线、能量吸收曲线及不同时刻的变形构型图。

9、在一实施例中,所述融合自编码与深度学习蜂窝材料力学响应预测方法还包括:获取蜂窝结构的实验模态数据及压缩实验数据;计算所述实验模态数据对潜在空间各维度的灵敏度指标;基于所述实验模态数据、所述压缩实验数据和仿真数据之间的误差,构建联合损失函数;基于所述联合损失函数和所述灵敏度指标,微调所述三维卷积自编码器和所述多任务长短期记忆神经网络的参数。

10、在一实施例中,所述基于所述联合损失函数和所述灵敏度指标,微调所述三维卷积自编码器和所述多任务长短期记忆神经网络的参数包括:固定所述三维卷积自编码器的前2层参数和所述多任务长短期记忆神经网络中与所述灵敏度指标无关的参数,仅更新所述三维卷积自编码器的后2层、所述多任务长短期记忆神经网络中与所述灵敏度指标对应的连接权重以及输出层参数。

11、根据本技术的另一个方面,提供了一种融合自编码与深度学习蜂窝材料力学响应预测系统,包括:模型库构建模块,用于基于蜂窝结构的几何参数,构建蜂窝有限元模型库;其中,所述蜂窝有限元模型库中包含多个分别与不同的几何参数组合对应的蜂窝有限元模型;体素图生成模块,用于对所述蜂窝有限元模型进行各向异性力学特征体素化处理,生成多通道体素图;编码器构建模块,用于构建并训练物理约束的三维卷积自编码器,并采用所述三维卷积自编码器提取所述多通道体素图的低维潜在空间向量;神经网络构建模块,用于构建并训练能量守恒约束的多任务长短期记忆神经网络,并以所述低维潜在空间向量为所述多任务长短期记忆神经网络的输入,预测所述蜂窝有限元模型的力-位移-能量时间序列;变形网络构建模块,用于构建并训练网格变形预测网络,并以所述低维潜在空间向量、时间步及节点初始坐标为输入,预测节点位移矢量;响应结果生成模块,用于基于所述力-位移-能量时间序列和所述节点位移矢量,生成所述蜂窝有限元模型的力学响应结果。

12、本技术提供的一种融合自编码与深度学习蜂窝材料力学响应预测方法及系统,基于蜂窝结构的几何参数,构建蜂窝有限元模型库;其中,蜂窝有限元模型库中包含多个分别与不同的几何参数组合对应的蜂窝有限元模型;对蜂窝有限元模型进行各向异性力学特征体素化处理,生成多通道体素图;构建并训练物理约束的三维卷积自编码器,并采用三维卷积自编码器提取多通道体素图的低维潜在空间向量;构建并训练能量守恒约束的多任务长短期记忆神经网络,并以低维潜在空间向量为多任务长短期记忆神经网络的输入,预测蜂窝有限元模型的力-位移-能量时间序列;构建并训练网格变形预测网络,并以低维潜在空间向量、时间步及节点初始坐标为输入,预测节点位移矢量;基于力-位移-能量时间序列和节点位移矢量,生成蜂窝有限元模型的力学响应结果;将蜂窝材料的力学本征信息融入体素图,使深度学习模型能够学习到材料的方向依赖特性,并且体素化的特征提取适应于非结构化网格数据,能够处理实际蜂窝中普遍存在的几何不规则性,同时采用多任务学习架构,同步预测力-位移曲线、能量吸收历程及网格变形演化,从而可以提高蜂窝材料力学性能评估的准确性和全面性。