基于机器学习的陶瓷基平纹机织复合材料纱线选型方法

本发明涉及一种纱线选型方法，具体为一种基于机器学习的陶瓷基平纹机织复合材料纱线选型方法，属于陶瓷基复合材料性能预测与结构优化。

背景技术：

1、陶瓷基复合材料具有耐高温、低密度、高比强度和抗氧化等优点，在航空航天、热防护结构、发动机热端部件等领域具有重要应用价值。其中，陶瓷基平纹机织复合材料由于经纱和纬纱交织形成稳定的周期性细观结构，其宏观力学性能与纱线束宽厚比、纱线间距、纤维体积分数以及载荷工况等因素密切相关。准确预测不同几何参数下材料的强度、弹性模量和损伤起始应力，是进行材料结构设计和工程选型优化的重要基础。

2、目前，陶瓷基平纹机织复合材料性能获取主要有实验测试和有限元仿真两种方式。第一种方式：实验测试精度较高，但试样制备成本高、周期长，且难以覆盖大量几何参数组合；第二种方式：有限元仿真能够揭示材料细观损伤演化过程，但建模复杂、计算耗时长，当需要对大量单胞结构参数和载荷工况进行遍历分析时，计算效率较低。此外，传统参数化分析方法通常只能获得有限设计点下的性能结果，难以实现不同目标性能要求下的快速反向选型。

技术实现思路

1、本发明的目的就在于为了解决现有技术中陶瓷基平纹机织复合材料性能获取成本高、有限元仿真周期长、不同几何参数与载荷工况下性能预测效率低，以及难以根据目标性能要求进行单胞结构参数反向选型优化的问题而提供一种基于机器学习的陶瓷基平纹机织复合材料纱线选型方法，该方法能够结合有限元仿真数据与机器学习模型，实现陶瓷基平纹机织复合材料性能快速预测，并可根据目标强度、模量及损伤起始应力要求进行单胞几何参数反向优化的方法，对于降低实验与仿真成本、提高材料设计效率和实现智能化选型具有重要意义。

2、本发明通过以下技术方案来实现上述目的：一种基于机器学习的陶瓷基平纹机织复合材料纱线选型方法，该纱线选型方法包括以下步骤：

3、步骤一、建立陶瓷基平纹机织复合材料的细观单胞模型和渐进损伤模型；

4、步骤二、批量建立不同几何参数组的细观单胞模型，并对所述细观单胞模型在不同载荷工况下进行有限元仿真，获得样本数据库，同时，将所述样本数据库划分为训练集、验证集和测试集；

5、步骤三、基于训练集构建陶瓷基平纹机织复合材料的性能预测神经网络模型，利用验证集对性能预测神经网络模型优化，并利用测试集对优化后的性能预测神经网络模型进行性能评估；

6、步骤四、将经过性能评估的优化后的性能预测神经网络模型作为性能预测代理模型，采用nsga-ii多目标遗传算法进行反向优化，建立陶瓷基平纹机织复合材料的纱线选型优化模型，并基于纱线选型优化模型得到pareto最优解集。

7、作为本发明再进一步的方案：步骤一中，细观单胞模型为经纱和纬纱以及包裹的基体构成的单胞模型。

8、作为本发明再进一步的方案：单胞模型的参数通过以下公式计算得到：

9、1）单胞模型中纱线之间沿高度方向的间隙f为：

10、

11、2）单胞模型中纱线截面的圆弧半径r为：

12、

13、3）单胞模型中纱线横截面面积s为：

14、)

15、4）单胞模型中纱线直线段的长度l为：

16、

17、5）单胞模型中纱线直线段的倾角为：

18、

19、6）单胞模型中纤维体积含量vf为：

20、

21、其中，，分别为单胞的长度和高度，a、b分别为纱线横截面的长轴和短轴，为纱线中纤维的敛集率。

22、作为本发明再进一步的方案：渐进损伤模型的纱线部分采用改进型三维hashin强度准则判定纱线的损伤起始；渐进损伤模型的基体部分采用最大主应力准则判定基体材料的损伤起始。

23、作为本发明再进一步的方案：步骤二中，细观单胞模型采用纱线束横截面的宽度和厚度之比为几何参数一k，纱线束之间的间距为几何参数二s；采用单轴拉伸、单轴压缩、面内剪切三种载荷模式为载荷工况。

24、作为本发明再进一步的方案：步骤二中，采用参数化建模软件texgen批量生成不同几何参数组合下的细观单胞模型，对生成的细观单胞模型进行几何稳定性筛选，并对满足筛选条件的细观单胞模型进行体素化离散，生成用于有限元仿真的体素化单胞有限元模型。

25、作为本发明再进一步的方案：步骤三中，性能预测神经网络模型采用mlp回归模型；mlp回归模型的输入参数包括：纱线束宽厚比k、纱线束间距s、纤维体积分数vf、载荷工况；mlp回归模型的输出参数包括：强度、弹性模量、损伤起始应力。

26、作为本发明再进一步的方案：mlp回归模型包括输入层、隐藏层和输出层；其中，隐藏层的激活函数采用relu函数，所述输出层采用线性激活函数；优化后的性能预测神经网络模型性能评估的指标包括决定系数r²、均方根误差rmse和平均绝对误差mae。

27、作为本发明再进一步的方案：mlp回归模型采用贝叶斯优化算法对mlp回归模型的隐藏层层数、各隐藏层节点数、学习率、批处理大小、正则化系数和迭代次数进行超参数寻优。

28、作为本发明再进一步的方案：纱线选型优化模型采用nsga-ii多目标遗传算法对几何参数k、s以及纤维体积分数vf进行反向寻优，获得满足目标强度、目标模量和损伤起始应力要求的pareto最优单胞参数组合。

29、本发明的有益效果是：

30、1）本发明通过有限元仿真构建陶瓷基平纹机织复合材料性能数据库，并利用机器学习模型建立几何参数、载荷工况与材料性能之间的非线性映射关系，能够快速预测不同单胞结构参数下的强度、弹性模量和损伤起始应力，减少重复有限元仿真次数，提高性能预测效率；

31、2）本发明采用贝叶斯优化算法对mlp回归模型进行超参数寻优，能够避免人工调参的盲目性，提高机器学习模型的预测精度和泛化能力；

32、3）本发明基于训练完成的机器学习代理模型建立反向优化模型，能够根据目标强度、目标模量和目标损伤起始应力要求，快速获得满足设计需求的k值、s值和纤维体积分数等单胞几何参数组合，实现陶瓷基平纹机织复合材料纱线结构参数的智能化选型与优化设计；

33、4）本发明能够快速预测陶瓷基平纹机织复合材料在不同载荷下的综合性能，降低实验与仿真成本，提高材料设计和性能评估效率。

1.一种基于机器学习的陶瓷基平纹机织复合材料纱线选型方法，其特征在于，所述陶瓷基平纹机织复合材料纱线选型方法包括以下步骤：

2.根据权利要求1所述的陶瓷基平纹机织复合材料纱线选型方法，其特征在于：步骤一中，所述细观单胞模型为经纱和纬纱以及包裹的基体构成的单胞模型。

3.根据权利要求2所述的陶瓷基平纹机织复合材料纱线选型方法，其特征在于，所述单胞模型的参数通过以下公式计算得到：

4.根据权利要求1所述的陶瓷基平纹机织复合材料纱线选型方法，其特征在于：步骤一中，所述渐进损伤模型的纱线部分采用改进型三维hashin强度准则判定纱线的损伤起始；所述渐进损伤模型的基体部分采用最大主应力准则判定基体材料的损伤起始。

5.根据权利要求1所述的陶瓷基平纹机织复合材料纱线选型方法，其特征在于：步骤二中，所述细观单胞模型采用纱线束横截面的宽度和厚度之比为几何参数一k，纱线束之间的间距为几何参数二s；采用单轴拉伸、单轴压缩、面内剪切三种载荷模式为载荷工况。

6.根据权利要求1所述的陶瓷基平纹机织复合材料纱线选型方法，其特征在于，步骤二中，采用参数化建模软件texgen批量生成不同几何参数组合下的细观单胞模型，对生成的细观单胞模型进行几何稳定性筛选，并对满足筛选条件的细观单胞模型进行体素化离散，生成用于有限元仿真的体素化单胞有限元模型。

7.根据权利要求1所述的陶瓷基平纹机织复合材料纱线选型方法，其特征在于：步骤三中，所述性能预测神经网络模型采用mlp回归模型；所述mlp回归模型的输入参数包括：纱线束宽厚比k、纱线束间距s、纤维体积分数vf、载荷工况；所述mlp回归模型的输出参数包括：强度、弹性模量、损伤起始应力。

8.根据权利要求7所述的陶瓷基平纹机织复合材料纱线选型方法，其特征在于：所述mlp回归模型包括输入层、隐藏层和输出层；其中，所述隐藏层的激活函数采用relu函数，所述输出层采用线性激活函数；所述优化后的性能预测神经网络模型性能评估的指标包括决定系数r²、均方根误差rmse和平均绝对误差mae。

9.根据权利要求7所述的陶瓷基平纹机织复合材料纱线选型方法，其特征在于：所述mlp回归模型采用贝叶斯优化算法对mlp回归模型的隐藏层层数、各隐藏层节点数、学习率、批处理大小、正则化系数和迭代次数进行超参数寻优。

10.根据权利要求1所述的陶瓷基平纹机织复合材料纱线选型方法，其特征在于：步骤四中，所述纱线选型优化模型采用nsga-ii多目标遗传算法对几何参数k、s以及纤维体积分数vf进行反向寻优，获得满足目标强度、目标模量和损伤起始应力要求的pareto最优单胞参数组合。