基于点级敏感度的复合材料构件固化变形自适应预测方法

摘要: 本发明属于复合材料精密制造与智能质量预测,尤其涉及一种纤维增强复合材料构件的固化变形预测方法,特别适用于碳/石英混杂铺层复合材料构件的固化变形自适应预测。背景技...
基于点级敏感度的复合材料构件固化变形自适应预测方法

本发明属于复合材料精密制造与智能质量预测,尤其涉及一种纤维增强复合材料构件的固化变形预测方法,特别适用于碳/石英混杂铺层复合材料构件的固化变形自适应预测。

背景技术:

1、纤维增强复合材料凭借高比强度、高比模量、可设计性强、耐腐蚀及抗疲劳等优异性能,已成为航空航天、高端装备、新能源、轨道交通等领域实现结构轻量化与性能升级的核心材料。固化成型是纤维增强复合材料构件制备的核心工艺环节,成型过程中树脂发生交联固化反应,伴随温度场、应力场与化学收缩的多物理场耦合作用,构件脱模后会产生不可忽略的固化变形。固化变形直接影响构件的形位精度、装配合格率与结构力学性能,严重时会导致构件报废。因此,精准预测不同铺层构型与工艺参数下的构件固化变形分布,是优化铺层设计、调控工艺参数、降低试制成本、缩短产品研发周期的核心前提。

2、目前,复合材料固化变形预测技术主要分为基于机理的有限元仿真法与数据驱动预测法两大类。

3、有限元仿真法基于固化动力学与热粘弹性本构理论,构建多物理场耦合的固化过程数值模型,能够从机理层面反映固化变形的演化规律,是目前工程中应用较为广泛的预测手段。但该方法在实际应用中存在明显短板:一方面,仿真计算依赖精细化网格划分与精准的材料本构参数,单构型完整固化过程仿真往往耗时数小时至数天,计算效率极低,难以支撑工艺参数的多方案快速迭代优化;另一方面,仿真结果高度依赖建模人员的工程经验,网格划分方式、边界条件设置、材料参数选取的差异,会导致仿真结果出现显著偏差,结果一致性与可重复性较差,难以满足快速研发的需求。

4、随着人工智能与大数据技术的发展,数据驱动的固化变形预测方法逐渐成为研究热点。该类方法基于历史实测数据或仿真数据训练机器学习模型,直接建立输入参数与变形量之间的非线性映射关系,预测速度远高于传统有限元仿真,为工艺快速迭代提供了新的解决思路。但现有数据驱动方法在工程应用中仍存在三大核心缺陷:

5、其一,现有方法大多采用人工分区方式,将构件表面划分为中心区、边缘区、角区等若干区域,基于区域级特征构建预测模型。分区规则完全依赖人工经验设定,主观性强,无法适配不同尺寸、不同铺层构型的构件,泛化适应性差;且区域级粒度较粗,无法实现逐点精细化预测,边角等应力集中、变形风险高的区域预测误差普遍偏大,难以满足高精度工程应用要求。

6、其二,针对碳纤维与石英纤维混杂的铺层构型,现有方法普遍采用统一的特征输入方案,未考虑两类纤维材料力学特性的本质差异。碳纤维复合材料呈强各向异性,固化变形主要由铺层参数主导,空间坐标特征的边际贡献低,引入反而会形成冗余信息干扰模型对主规律的学习;石英纤维复合材料近似各向同性,固化变形受空间边界约束影响显著,缺失坐标特征则无法准确捕捉变形的空间分布规律。统一特征方案无法兼顾两类材料的变形特性,导致混杂铺层构型下模型鲁棒性与泛化能力不足。

7、其三,现有预测模型大多采用均等样本权重进行训练,未对高变形风险的敏感点位进行针对性的拟合强化,模型对变形极值区域的拟合能力不足,难以满足工程应用中对高风险区域的精度管控需求。

8、综上,现有技术难以同时兼顾预测精度、构型适配性与计算效率,开发一种点级精细化、适配混杂材料构型、兼顾高精度与高效率的复合材料固化变形预测方法,是本领域亟待解决的技术问题。

技术实现思路

1、本发明的目的在于克服现有技术的不足,提供一种基于点级敏感度的复合材料构件固化变形自适应预测方法,解决现有技术中人工分区主观性强、混杂构型特征方案适配性差、高风险区域预测精度不足、仿真计算效率低的问题。

2、为实现上述目的,本发明采用的技术方案如下:

3、步骤s1:多源变形数据集构建与预处理

4、采集不同铺层构型下复合材料构件的固化变形数据,构建“实测+仿真”融合数据集;对所有数据执行标准化预处理,得到包含构件表面全部网格坐标点变形量的标准样本集。具体地,包括以下步骤:

5、步骤s11:多源数据采集

6、仿真数据通过多物理场耦合仿真软件建立固化过程模型,输入铺层参数(每层材料类型、铺设角度、铺设顺序)与工艺参数(升温速率、降温速率、保温时间、固化压力),批量输出构件表面41×41网格各坐标点的固化变形量;实测数据通过三维坐标测量仪采集固化后构件表面网格点的实际坐标,与理论型面对比提取变形量,结合图像识别技术完成坐标点自动匹配。

7、数据集覆盖16种典型铺层构型,包含碳纤维/石英不同配比、角度组合、铺设顺序,工艺参数范围为:升温速率1~5℃/min、降温速率1~5℃/min、保温时间60~100min、固化压力500~900kpa,数据集以单个网格坐标点为独立训练样本,经清洗后共包含约2.7万个有效坐标点样本。

8、步骤s12:数据对齐与清洗

9、首先执行坐标对齐:将所有样本的网格坐标统一映射至[0,400]×[0,400]的标准坐标系,消除构件尺寸、装夹位置差异带来的坐标偏移;

10、其次执行异常值剔除:采用四分位距(iqr)法对单个构型内所有网格点的变形量进行裁剪,计算变形量的上四分位数q3、下四分位数q1,四分位距iqr=q3-q1,剔除超出[q1-1.5×iqr,q3+1.5×iqr]范围的极端异常点,避免离群样本干扰模型训练;

11、最后执行缺失值补全:对少量缺失的坐标点采用双线性插值法补全变形量,保证每个构型均包含完整的41×41网格数据。

12、步骤s13:数值标准化处理与特征体系构建

13、对所有工艺、铺层类输入特征采用min-max归一化处理,将数值映射至[0,1]区间,消除不同量纲对模型训练的影响;变形量标签保留原始物理量值,用于后续精度评估与工程应用。

14、本发明的输入特征分为三大类,分别为全局基础特征、敏感度特征、空间边界衍生特征,其中:

15、全局基础特征:铺层总层数、碳纤维占比、0°铺层占比、90°铺层占比、±45°铺层占比、铺层对称系数;工艺特征包括升温速率、降温速率、保温时间、固化压力;

16、敏感度特征:对应坐标点的点级敏感度指数;

17、空间边界衍生特征:即空间特征,归一化

x坐标、归一化y坐标、坐标点距构件四条边界的归一化距离、距最近角点的归一化距离、边界点位二值标识(坐标点距构件任意边界的归一化距离小于0.1时标记为1,否则标记为0)。

18、碳纤维主导构型仅采用全局基础特征与敏感度特征作为输入,石英主导/混杂构型采用全部三类特征作为输入。

19、步骤s2:数据驱动的点级敏感度指数计算

20、基于全部训练样本,计算全局统一的点级敏感度指数,用于所有层组模型的训练权重分配。

21、本发明不采用传统人工分区方式,而是直接对每个坐标点独立计算变形敏感程度,从根本上消除人工分区的主观性与适应性不足问题。

22、分别计算每个坐标点经步骤s12异常值剔除后的形变序列(即经异常值剔除后的形变序列,指同一坐标点在全部训练样本中的变形值组成的序列)的均值、标准差、最大值;对三项指标分别进行全局最大值归一化后,按预设权重加权求和,得到点级敏感度指数。三项指标的权重系数分别为ω1、ω2、ω3,具体地,点级敏感度指数s(x,y)的计算公式为:

23、

24、其中:为该坐标点经iqr异常剔除后的变形绝对值均值,反映该点变形的平均严重程度;为对应变形序列的标准差,反映该点变形在不同工艺条件下的波动稳定性;为对应变形序列的最大值,反映该点的极端变形风险;分母项dmax、、分别为构件表面全部坐标点对应统计量的全局最大值,用于归一化处理,使三项指标统一至[0,1]量纲;,,为三项指标的权重系数,满足++=1,且,,≥0。

25、权重,,的确定是特征构造层面的核心问题--若等权分配(即===1/3),则隐含假设均值、标准差、最大值三类属性对变形风险的贡献完全相同,缺乏理论依据。实际上,不同铺层构型下三类属性的主导程度存在显著差异:碳纤维主导构型中铺层参数决定变形主规律,极值风险往往集中在特定铺层角度组合下;石英主导构型中边界约束主导变形分布,波动稳定性(标准差)可能更为关键。因此,本发明在特征层面采用贝叶斯自适应优化方法,以数据驱动方式自动确定最优权重配比

26、

27、其中为留一构型交叉验证的拟合优度,优化采用optuna框架中的t(tree-structured parzen estimator)采样器,搜索空间为:,[0,1],=1--;该优化过程在特征构造层面解决了“用什么指标、如何加权”的问题,使敏感度指数的定义本身具备数据自适应性。

28、步骤s3:基于碳纤维占比的自适应特征选择

29、本发明针对碳纤维与石英纤维的力学特性差异,构建碳纤维占比驱动的自适应特征选择机制。碳纤维增强复合材料具有极强的各向异性,沿纤维方向(纵向)与垂直纤维方向(横向)的力学性能差异悬殊:纵向拉伸强度达876±36mpa,而横向仅17.9±3.3mpa,相差近50倍;纵向热膨胀系数约-0.1×10-6/℃,横向则高达+35×10-6/℃。因此,碳纤维主导构件的固化变形主要由铺设参数(层数、角度、顺序)决定,空间坐标特征的边际贡献较低,引入反而可能引入冗余信息干扰模型学习。

30、石英纤维复合材料呈现近似各向同性特征,其各向异性比不超过1.4:1,材料强度较低(拉伸强度1~3gpa),通常采用平衡编织结构。因此,石英主导构件的变形行为更接近各向同性薄板,主要受空间边界条件控制--自由边和角落区域因约束较弱,变形量通常是中心区域的2~3倍。归一化坐标特征能够提供有效的空间先验信息,显著提升模型对变形空间分布的捕捉能力。

31、基于上述机理,所述碳纤维占比rc为碳纤维铺层总层数与构件总铺层数的比值,计算公式为:

32、

33、设定碳纤维占比阈值为0.45,该阈值通过多组不同分界值的对比实验确定,为兼顾两类构型预测精度的最优分界值;若rc>0.45,判定为碳纤维主导构型,采用无坐标特征的建模方案,避免冗余空间信息干扰铺设参数的主导规律学习;若rc≤0.45,判定为石英主导或混杂构型,引入归一化坐标与空间边界衍生特征,补充空间边界约束先验信息;所述空间边界衍生特征的具体构成见步骤s13的空间特征清单。

34、步骤s4:引入连续样本权重的预测模型训练

35、基于点级敏感度指数,为每个坐标点样本分配连续损失权重,使模型训练时自动提升对高敏感点位的拟合权重。坐标点(x,y)对应的样本损失权重 w 计算公式为:

36、

37、其中,为权重缩放系数,控制敏感度对样本权重的调节幅度。的取值直接影响模型训练时高敏感点位的梯度更新强度:小则权重差异化不足,高风险区域难以获得有效强化;过大则可能扭曲原始数据分布,导致过拟合。最优与具体数据集的敏感度分布特性密切相关。为此,本发明在权重层面采用贝叶斯自适应优化方法,在特征层确定的{w1,w2,w3}基础上,以相同目标函数搜索最优:

38、

39、搜索区间[0.1,2.0]覆盖了从“几乎不强化高敏感点”(α→0)到“高敏感点权重为低敏感点3倍”(α=2.0时高敏感点权重最高可达1.0+2.0=3.0)的完整调控范围,试验次数20次。

40、进一步地,本发明在模型层面采用贝叶斯自适应优化方法,在前述优化结果的基础上,以留一构型交叉验证拟合优度为目标,对预测模型的超参数进行寻优,提升模型的泛化性能。

41、步骤s5:待预测构型多点变形快速预测

42、输入待预测铺层构型的工艺参数,计算碳纤维占比并匹配对应特征方案与训练模型,逐点输出构件表面全部网格坐标的变形预测值,包括以下步骤:

43、步骤s51:输入参数预处理

44、输入待预测构型的铺层参数(每层材料类型、铺设角度、铺设顺序)与工艺参数(升温速率、降温速率、保温时间、固化压力),自动计算总层数、碳纤维占比、角度统计量等衍生参数。

45、步骤s52:特征与模型自动匹配

46、根据计算得到的碳纤维占比rc,执行自适应特征选择规则,生成对应维度的输入特征集;同时根据总层数与碳纤维占比类型,匹配对应层组的对应类型已训练预测模型。

47、步骤s53:逐点变形预测输出

48、将生成的特征集输入匹配的预测模型,批量计算网格所有坐标点的变形预测值,输出完整的型面变形分布结果;可快速完成单构型完整预测。

49、与现有技术相比,本发明具有以下有益效果:

50、采用点级敏感度权重的精细化训练机制,可精准捕捉构件不同位置的变形差异,显著提升边缘、角落等应力集中区域的预测精度,改善了应力集中区域预测误差偏大的问题。

51、提出数据驱动的点级敏感度指数,完全替代传统人工分区方式,结合连续样本权重实现从区域级到点级的精细化训练调控,由数据自动识别高变形风险点位,无需人工设定分区规则,彻底消除人工分区的主观性与构型适配性差的问题,强化模型对高变形风险区域的拟合能力。

52、基于碳纤维与石英材料的力学特性差异,构建碳纤维占比驱动的自适应特征选择机制,针对碳纤维主导构型剔除冗余空间特征、针对石英主导构型补充空间先验信息,适配不同材料配比的铺层构型,显著提升模型在混杂铺层构型下的鲁棒性与泛化能力。

53、预测效率大幅提升,相较于传统有限元仿真效率实现数量级提升,可支撑工艺参数的多方案快速迭代优化,有效降低试制成本与研发周期。