一种基于细观物理约束图神经网络的三维编织复合材料等效压缩性能预测方法及系统

摘要: 本发明属于复合材料性能预测与人工智能建模,具体涉及一种基于细观物理约束图神经网络的三维编织复合材料等效压缩性能预测方法及系统。背景技术:1、三维编织复合材料因其...
一种基于细观物理约束图神经网络的三维编织复合材料等效压缩性能预测方法及系统

本发明属于复合材料性能预测与人工智能建模,具体涉及一种基于细观物理约束图神经网络的三维编织复合材料等效压缩性能预测方法及系统。

背景技术:

1、三维编织复合材料因其优良的整体性、抗分层能力和损伤容限,被广泛应用于航空航天、交通运输和高端装备等领域。压缩性能是三维编织复合材料结构设计和服役安全评估中的关键力学指标,其准确预测对于材料设计、工艺优化和结构性能评价具有重要意义。

2、现有三维编织复合材料压缩性能预测方法主要包括经验公式法、参数化细观建模法、有限元均匀化方法以及基于机器学习的代理模型方法。其中,经验公式法通常依赖编织角、纤维体积分数等宏观参数,难以反映真实制造过程中纱线截面变形、局部堆积、波曲和间隙分布等细观结构差异;参数化有限元方法虽然能够建立细观模型,但建模过程复杂、计算成本高,并且常依赖理想化几何假设;现有机器学习代理模型多以宏观工艺参数或仿真结果作为输入和标签,难以直接利用真实ct图像中蕴含的细观结构信息,预测结果的物理可解释性和泛化能力仍存在不足。

3、因此,亟需一种能够直接利用三维编织复合材料真实ct细观结构、同时兼顾物理约束和数据驱动建模能力的等效压缩性能预测方法,以提高预测精度、模型稳定性和物理可信度。

技术实现思路

1、发明目的:本发明的目的在于提供一种基于细观物理约束图神经网络的三维编织复合材料等效压缩性能预测方法及系统,以解决现有方法依赖宏观参数输入、理想化参数建模或仿真代理标签,难以充分表征真实细观结构对压缩性能影响的问题。

2、技术方案:为实现上述目的,本发明采用一种基于细观物理约束图神经网络的三维编织复合材料等效压缩性能预测方法,包括以下步骤:

3、(1)获取三维编织复合材料试样,对所述试样进行计算机断层扫描,获得多层ct切片;

4、(2)对所述ct切片中的纱线截面轮廓进行标注,获得包含纱线编号和纱线截面边界点集的轮廓标注文件;

5、(3)根据所述轮廓标注文件提取每束纱线在每层ct切片中的细观几何特征,所述细观几何特征至少包括纱线截面质心坐标、纱线截面积、等效椭圆长半轴、等效椭圆短半轴和等效椭圆主轴方向;

6、(4)以每个纱线截面为节点建立节点集合,根据同一ct切片内纱线之间的邻近关系以及相邻ct切片间纱线的连续关系构建边集合,获得三维编织复合材料细观图结构数据;

7、(5)将所述细观图结构数据与由真实压缩实验获得的抗压模量和抗压强度关联,建立细观图结构压缩性能数据库;

8、(6)构建物理约束图神经网络,将所述细观图结构数据作为输入,输出预测抗压模量和预测抗压强度;

9、(7)使用所述细观图结构压缩性能数据库训练所述物理约束图神经网络,获得训练后的等效压缩性能预测模型;

10、(8)将待预测三维编织复合材料试样的ct细观图结构数据输入所述训练后的等效压缩性能预测模型,获得所述待预测三维编织复合材料试样的等效抗压模量和抗压强度。

11、进一步的,所述细观图结构压缩性能数据库的每个样本表示为,其中,为第个试样的纱线截面节点特征集合,为第个试样的纱线截面边集合及边特征集合,为第个试样的全局物理描述符集合,为第个试样的真实压缩实验标签;所述真实压缩实验标签为,其中,为第个试样的实验抗压模量,为第个试样的实验抗压强度。

12、进一步的,步骤(3)中,所述根据轮廓标注文件提取每束纱线在每层ct切片中的细观几何特征,包括:

13、(3.1)从所述轮廓标注文件中读取每束纱线截面的边界点集,其中为该纱线截面的轮廓点数量,为根据ct图像像素坐标和扫描分辨率换算得到的实际物理坐标;将所述轮廓点按顺时针或逆时针顺序排列,并令,其中为最后一个轮廓点,为初始轮廓点;

14、(3.2)根据所述边界点集计算纱线截面积,计算公式如下:

15、,

16、(3.3)根据所述边界点集计算纱线截面质心坐标,其中表示ct切片层序号,表示该层ct切片中的纱线编号,质心坐标计算公式如下:

17、,

18、(3.4)以所述纱线截面轮廓围成的区域为积分区域,计算该纱线截面的二阶中心矩:

19、,

20、其中,且p,q为自然数,即包括、、,为单个像素对应的实际面积;

21、(3.5)根据所述二阶中心矩构造纱线截面的协方差矩阵,并对所述协方差矩阵进行特征值分解,获得特征值,计算公式如下:

22、,

23、(3.6)基于所述特征值和二阶中心矩确定纱线截面的等效椭圆主轴方向,其公式为:

24、,

25、其中,表示等效矩阵长轴方向与ct切片横向坐标轴之间的夹角;

26、(3.7)根据所述特征值确定等效椭圆长短轴比例,并结合纱线截面积进行面积等效拟合,得到等效椭圆长半轴,和短半轴,其公式为:

27、,

28、,

29、,

30、其中,为等效椭圆的长短轴比例,为防止分母为零的正常数;所述等效椭圆满足面积上与真实纱线截面保持一致;

31、(3.8)将所述主轴方向转换为周期性方向编码和,以消除等效椭圆主轴方向满足时产生的角度不连续问题;

32、(3.9)将第层ct切片的层坐标与所述细观几何特征组合,得到纱线截面节点特征:

33、

34、其中,符号表示经过归一化处理后的特征。

35、进一步的,所述至少包括同层邻近边和层间连续边;所述层间连续边用于表征同一束纱线在相邻ct切片之间的位置变化、轴向取向和空间连续性;所述同层邻近边用于表征同一ct切片内纱线截面之间的接触、间隙和局部堆积关系;对于第层ct切片中第束和第束纱线截面,计算由第束纱线质心指向第束纱线质心的方向角和两束纱线截面的质心距离,根据纱线截面的等效椭圆长半轴、短半轴和主轴方向,计算第束纱线在指向第束纱线方向上的等效半径,并计算两束纱线截面之间的等效间隙,计算公式如下:

36、,

37、,

38、当,判断第束和第束纱线截面存在接触关系;当,判断两束纱线间存在间隙关系;当,不在两束纱线间建立同层邻近边;其中为接触容差阈值,为邻近间隙阈值。

39、进一步的,所述全局物理描述符至少包括平均纱线面积分数、纱线截面积变异系数、纱线平均扁平率、轴向取向因子、纱线波曲指标和局部堆积统计指标中的一种或多种;所述平均纱线面积分数为:

40、,

41、其中为ct切片层数,为第层ct切片中的纱线数量,为第层ct切片的参与统计的整个截面区域面积;所述纱线截面积变异系数为:

42、,

43、所述纱线平均扁平率为:

44、,

45、所述轴向取向因子为:

46、,

47、其中为相邻ct切片中同一束纱线的在高度处的局部轴向方向余弦;所述纱线波曲指标为:

48、,

49、其中,为第层第束纱线截面质心坐标,为相邻ct切片间距,为防止分母为零的正常数;所述局部堆积统计指标由所述的同层邻近边、纱线截面等效间隙和局部面积堆积分数中的一种或多种统计得到,用于表征三维编织复合材料试样内部纱线局部压实程度、接触密集程度及树脂间隙分布状态。

50、进一步的,所述物理约束图神经网络包括节点特征编码模块、边特征编码模块、边特征消息传递模块、全局池化模块、物理描述符融合模块和压缩性能输出模块。

51、进一步的,细观物理约束图神经网络的全局池化模块采用求和池化、平均池化和注意力池化中任意一种;所述性能输出模块采用双头输出结构、多任务共享输出结构、正值约束输出结构、物理基线与残差修正输出结构或不确定性输出结构中任意一种。

52、进一步的,所述细观物理约束图神经网络中的物理约束包括节点置换一致性约束、轴向取向单调性约束、波曲强度约束、截面积变异强度约束以及强度-模量失效应变一致性约束中的一种或多种。

53、进一步的,步骤(7)中,所述物理约束图神经网络的训练包括:

54、(7.1)将细观图结构压缩性能数据库划分为训练集、验证集和测试集;

55、(7.2)对节点特征、边特征和全局物理描述符进行归一化处理;

56、(7.3)在训练过程中对纱线节点顺序进行随机置换,获得置换后的图结构样本,并保持其真实压缩实验标签不变;

57、(7.4)将原始图结构样本和置换后的图结构样本输入细观物理约束图神经网络,进行前向传播,获得预测抗压强度和预测抗压模量;

58、(7.5)根据预测结果、真实压缩实验标签, 和物理约束项计算总损失函数,所述总损失函数为:

59、,

60、其中,为实验数据拟合损失,为编号置换一致性损失,为物理单调性损失,为强度-模量失效应变一致性损失,, , 为对应权重系数;所述实验数据拟合损失为:

61、,

62、所述节点置换一致性约束损失为:

63、,

64、其中,为纱线节点编号置换算子,为图结构样本的模型输出,为节点置换后的图结构样本的模型输出;所述物理单调性约束损失为:

65、,

66、所述失效应变物理约束损失为:

67、,

68、其中和;

69、(7.6)基于所述总损失函数进行反向传播并更新网络参数;

70、(7.7)根据验证集预测误差和物理约束违反程度进行模型评价,当验证集损失收敛或达到最大训练迭代次数时,结束训练,保存训练后的等效压缩性能预测模型。

71、有益效果:与现有技术相比,本发明直接利用三维编织复合材料ct切片中的纱线截面轮廓及其空间关系作为模型输入,避免了传统方法仅依赖宏观参数、理想化几何建模或仿真代理标签的问题;通过将纱线截面构建为图结构数据,能够有效表征纱线截面形态、同层邻近关系、层间连续关系、局部堆积和波曲特征;同时在图神经网络训练过程中引入节点置换一致性、轴向取向单调性、波曲强度约束、截面积变异强度约束以及强度—模量失效应变一致性约束,使预测结果更符合材料力学规律。本发明能够提高三维编织复合材料等效抗压模量和抗压强度预测的准确性、稳定性和物理可解释性,并为三维编织复合材料结构设计、工艺优化和性能评价提供支撑。

72、对应该预测方法,本发明还提供了一种基于细观物理约束图神经网络的三维编织复合材料等效压缩性能预测系统,包括以下模块:

73、ct数据获取模块,用于获取三维编织复合材料试样的多层ct切片;

74、轮廓标注解析模块,用于标注并读取纱线截面轮廓,提取每束纱线截面的边界点集和纱线编号;

75、细观特征提取模块,用于根据纱线截面边界点集计算纱线截面质心坐标、截面积、等效椭圆长半轴、等效椭圆短半轴和等效椭圆主轴方向,并生成纱线截面节点特征;

76、图结构构建模块,用于以纱线截面为节点,根据同层纱线截面之间的接触、间隙和局部堆积关系构建同层邻近边,并根据相邻ct切片间纱线截面的匹配和连续关系构建层间连续边;

77、图结构数据库模块,用于将节点特征、边特征、全局物理描述符和真实压缩实验标签关联存储,形成细观图结构压缩性能数据库;

78、细观物理约束图神经网络模块,用于对所述细观图结构数据进行节点编码、边特征编码、边特征消息传递、全局池化、物理描述符融合和压缩性能输出;

79、物理约束训练模块,用于基于真实压缩实验标签训练所述细观物理约束图神经网络,并在训练过程中引入方向周期性约束、接触间隙约束、层间连续性约束、编号置换一致性约束、轴向取向单调性约束、波曲强度约束、输出正值约束和强度—模量失效应变一致性约束中的一种或多种;

80、压缩性能预测模块,用于将待预测三维编织复合材料试样的ct细观图结构数据输入训练后的细观物理约束图神经网络,输出等效抗压模量和等效抗压强度。