结合深度学习与数值模拟的复合材料损伤评估方法
本发明属于复合材料结构损伤评估,具体是结合深度学习与数值模拟的复合材料损伤评估方法。
背景技术:
1、复合材料因其高比强度、高比模量及可设计性等优异性能,已被广泛应用于航空航天、风电叶片、船舶舰艇及轨道交通等领域的承力结构中。然而,复合材料结构在制造及服役过程中不可避免地会产生各类内部损伤,如低速冲击引起的分层、基体开裂及纤维断裂等。这些损伤往往表面不可见,却在服役载荷下会持续扩展,导致结构承载能力大幅下降,严重威胁结构安全。因此,准确评估复合材料结构的初始损伤状态并预测其剩余强度,是保障结构安全运维的关键技术需求。
2、目前,复合材料损伤评估主要依赖两种技术路径:一类是基于无损检测的评估方法,如超声c扫描、工业ct及红外热成像等,能够较为准确地获取损伤的几何形貌与空间位置信息,但难以直接量化损伤对结构力学性能的影响程度;另一类是基于有限元数值仿真的评估方法,能够基于hashin失效准则、puck准则等失效理论开展渐进损伤推演,预测结构在载荷作用下的损伤演化与最终失效,但仿真精度高度依赖于初始损伤参数(包括损伤位置、范围及刚度折减程度等)的准确输入。若初始损伤参数设定偏离实际状态,仿真结果将与真实情况产生显著偏差。
技术实现思路
1、本发明旨在至少解决现有技术中存在的技术问题之一;为此,本发明提出了结合深度学习与数值模拟的复合材料损伤评估方法,用于解决现有技术中由于无损检测图像与有限元仿真数据之间物理量纲不一致导致仿真评估结果与真实状态偏差大的技术问题。
2、为实现上述目的,本发明的第一方面提供了结合深度学习与数值模拟的复合材料损伤评估方法,包括:
3、收集目标复合材料的初始仿真数据,并采集目标复合材料的实测损伤图像,建立仿真损伤场图像与实测损伤图像之间的跨模态映射模型,将实测损伤图像转换为具有仿真风格表征的损伤场分布数据;
4、依据损伤场分布数据与初始仿真数据对跨模态映射模型进行修正优化得到修正损伤数据,对实测损伤图像与修正损伤数据分别进行多尺度特征提取,并进行关联融合得到损伤特征-损伤因子之间的映射关系;
5、基于映射关系获取实测损伤图像中的初始损伤参数,将初始损伤参数映射导入有限元仿真模型完成模型真实损伤初始化,基于hashin失效准则开展精细化渐进损伤数值仿真推演得到损伤拓展数据;
6、基于损伤拓展数据对初始损伤参数进行区域误差对比,迭代修正初始损伤参数并应用至有限元仿真模型。
7、优选的,所述依据损伤场分布数据与初始仿真数据对跨模态映射模型进行修正优化得到修正损伤数据,包括:
8、以初始仿真数据对应的真实力学损伤场样本为真值约束基准,将实测损伤图像转换得到的损伤场分布数据与仿真真值损伤场,开展像素级形貌匹配与单元级数值比对;
9、分别量化计算损伤轮廓偏差、损伤因子数值误差与损伤区域重合度误差,对三类损失约束项进行加权融合构建综合损失函数,以综合损失函数作为模型优化目标,依据误差反向反馈机制迭代更新跨模态映射模型的特征映射权重与模态转换参数。
10、优选的,所述对实测损伤图像与修正损伤数据分别进行多尺度特征提取,并进行关联融合得到损伤特征-损伤因子之间的映射关系,包括:
11、分别对实测损伤图像与修正损伤数据进行多层级下采样与特征解构,提取多尺度下实测损伤图像的视觉特征以及修正损伤数据的力学损伤数据,对两组多尺度特征进行维度对齐与跨模态关联配准,采用特征拼接融合与权重自适应分配机制,对匹配后的多尺度特征进行深度耦合,基于融合后的复合损伤特征,构建像素级、单元级的一对一关联映射约束,建立稳定且可量化的损伤视觉特征与力学损伤因子的对应映射关系。
12、优选的,所述基于映射关系获取实测损伤图像中的初始损伤参数,包括:
13、将实测损伤图像的多尺度损伤特征输入已建立的损伤特征-损伤因子映射关系中,完成图像特征到力学损伤参数的跨域映射转换,定量解算得到各图像区域对应的损伤类型、损伤坐标位置、损伤几何范围以及对应单元初始损伤因子,整合所有损伤量化参数得到完整的初始损伤参数。
14、优选的,所述基于hashin失效准则开展精细化渐进损伤数值仿真推演得到损伤拓展数据,包括:
15、将映射获取的初始损伤参数批量赋予有限元模型对应网格单元,完成模型真实损伤初始化预置,设置仿真固定载荷步长、边界约束条件与材料本构参数,采用逐级递增的静态载荷加载方式开展迭代仿真计算;
16、基于hashin四模式失效准则,分别判定复合材料纤维拉伸、纤维压缩、基体拉伸、基体压缩失效状态;结合单元渐进刚度退化机制,逐级施加载荷进行迭代仿真计算,求解结构全域应力场、单元损伤因子演化结果,推演得到损伤的全过程演化路径、损伤边界范围及全域损伤分布,整合形成完整损伤拓展数据。
17、优选的,所述基于损伤拓展数据对初始损伤参数进行区域误差对比,迭代修正初始损伤参数并应用至有限元仿真模型,包括:
18、将当前迭代轮次有限元仿真推演输出的损伤拓展数据作为真值的实测损伤图像进行空间坐标配准,以实测损伤图像形心为中心划分等面积增量环形与等角度扇形复合的网格分区,分别计算第个网格分区内损伤拓展数据的损伤面积占比和实测损伤图像的损伤面积占比;
19、构建第轮迭代情况下的整体损失函数:
20、;
21、其中,为网格分区的编号,一共个网格分区,为当前迭代次数,为第次迭代的整体损失值,为各网格分区的权重系数,且,为损伤拓展数据的损伤面积占比,为实测损伤图像的损伤面积占比;
22、增设形状辅助约束项,形状辅助约束项的计算式为:
23、;
24、将总损失函数定义为:
25、;
26、其中,为形状约束的平衡系数,为形状辅助约束项,为总损失值;
27、以预设的收敛条件作为约束设定整体损失函数的迭代终止条件,并采用有限差分法计算整体损失函数对每个初始损伤参数的敏感度,采用自适应矩估计优化算法对初始损伤参数进行修正更新;
28、对更新后的初始损伤参数进行物理边界约束校验,然后将更新后的初始损伤参数重新映射导入有限元仿真模型。
29、优选的,所述以实测损伤图像形心为中心划分等面积增量环形与等角度扇形复合的网格分区,包括:
30、以实测损伤图像的形心为中心,按等面积增量原则向外辐射,将整个感兴趣区域划分为若干个同心环形子区,并按照预设等角度间隔划分若干个扇形子区,通过扇形子区分割环形子区形成环形-扇形复合网格分区。
31、优选的,所述以预设的收敛条件作为约束设定整体损失函数的迭代终止条件,包括:
32、s1:判定当前迭代次数是否达到预设最大迭代次数;是,则终止迭代,输出当前初始损伤参数;否,则跳转至s2;
33、s2:判断相邻两轮迭代损失函数的相对变化率是否小于预设的变化率阈值;是,则终止迭代,输出当前初始损伤参数;否,则跳转至s3;
34、s3:判断当前总损失函数值是否小于预设损失阈值;是,则终止迭代,输出当前初始损伤参数;否,则继续进行迭代更新。
35、与现有技术相比,本发明的有益效果是:
36、1.本发明通过构建跨模态映射模型,解决了传统方法中实测图像与仿真数据因物理量纲不一致而无法直接对比的固有难题,使纯视觉图像能够被赋予力学损伤因子的量化表征能力,为后续跨域参数反演奠定了数据基础;本发明通过环形-扇形复合网格分区策略及中心增强差异化加权,实现了对损伤区域“由中心向外围、由主方向至各方向”的全覆盖精细化评价,克服了传统全局误差评价方法掩盖局部核心损伤失配的缺陷;结合闭环迭代修正机制,使仿真推演结果在分区加权损失函数与形状约束的双重驱动下逐步逼近实测物理真值,显著提升了初始损伤参数反演与剩余强度预测的精度。
37、2.本发明通过以实测损伤图像的形心为基准中心,沿径向按等面积增量原则划分多层同心环形子区以刻画损伤由中心向外围的衰减梯度,沿周向按等角度间隔划分扇形子区以捕捉损伤沿不同方向的各向异性扩展差异,二者叠加形成复合网格分区,并对靠近损伤中心的内层子区赋予更高权重。该策略使迭代优化算法优先保证核心敏感区域的匹配精度,显著提升了初始缺陷位置和等效尺寸的反演收敛速度与准确性。同时,本发明增设了形状辅助约束项,有效避免了仅依赖面积对比可能导致的损伤轮廓畸变问题,保证了反演参数的物理合理性与力学一致性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com