复合材料连接结构疲劳寿命预测方法、装置及存储介质与流程

本技术涉及材料疲劳寿命预测，具体地涉及一种复合材料连接结构疲劳寿命预测方法、装置及存储介质。

背景技术：

1、碳纤维增强树脂基复合材料（cfrp，carbon fiber reinforced plastics）因其高比强度、高比刚度和优异的轻量化潜力，已广泛应用于航空航天、轨道交通和高端装备等领域。连接结构作为复合材料构件中的关键薄弱部位，其服役可靠性直接影响整体结构的安全性与耐久性。常见的复合材料连接形式包括机械连接（通过螺栓等紧固件实现承载传递）、胶接连接（通过结构胶粘剂实现承载传递）以及胶铆混合连接（同时采用胶接和铆接实现承载传递）等。

2、在实际服役过程中，连接结构通常同时受到循环载荷与湿热环境的共同作用。一方面，循环载荷会导致疲劳损伤不断积累；另一方面，湿热环境会引起基材、胶层及界面区域的性能退化，进而改变结构的局部损伤演化过程。由于不同连接构型的承载机制、失效模式和退化路径存在差异，导致其疲劳寿命预测具有显著复杂性。

3、现有疲劳寿命预测方法主要包括以下三类：

4、（1）经验统计方法。此类方法以s-n曲线拟合为代表，通过统计回归建立载荷水平与疲劳寿命之间的经验关系。然而该类方法需对每种构型、每种环境条件分别建立独立模型，存在样本利用效率低、模型迁移能力弱的问题。

5、（2）基于损伤力学的数值模拟方法。此类方法通过建立损伤本构模型和有限元仿真来模拟疲劳损伤演化过程，虽然能够在一定程度上反映损伤机制，但建模与计算成本较高，难以实现复杂工况下的大规模快速预测。

6、（3）常规数据驱动方法。此类方法利用神经网络等机器学习模型建立输入工况参数到疲劳寿命的直接映射关系。然而，常规数据驱动方法通常将不同连接构型独立建模，或采用并列式多任务学习方式进行联合预测，未能有效表征不同构型之间的物理层级依赖关系，因此在小样本场景下容易出现泛化能力不足的问题。

7、上述现有技术忽略了一个关键的物理事实：对于复合材料多构型连接体系，不同构型之间并非相互独立，而是存在明确的层级依赖关系。具体而言，cfrp的疲劳响应主要受基材退化状态控制；胶接连接结构在基材退化基础上进一步受到胶层退化的影响；胶铆混合连接结构则同时受到基材退化、胶层退化及二者耦合作用的影响。该层级因果关系在现有预测方法中未被有效利用，导致不同构型之间共享的退化信息被浪费。

8、因此，亟需一种能够面向复合材料多构型连接体系、显式表征层级退化信息传递关系，并在小样本条件下实现统一寿命预测的技术方法。

技术实现思路

1、本技术实施例的目的是提供一种复合材料连接结构疲劳寿命预测方法、装置及存储介质。

2、为了实现上述目的，本技术第一方面提供一种复合材料连接结构疲劳寿命预测方法，所述方法包括：

3、获取待预测工况下复合材料基材的基础参数；

4、将所述基础参数输入至训练好的层级退化状态传递神经网络得到所述复合材料的疲劳寿命预测值；

5、其中，所述层级退化状态传递神经网络为多层级级联神经网络，所述层级退化状态传递神经网络的层级数量根据复合材料连接构型的物理层级结构确定；所述层级退化状态传递神经网络中的最低层级网络对应所述待预测的复合材料基体材料构型，高层级网络对应待预测的复合材料连接构型，且按物理因果顺序自低层级向高层级依次连接；

6、所述最低层级网络被配置为基于所述基础参数，生成第一退化状态向量和该层级的疲劳寿命预测值；

7、除所述最低层级网络外的每一层级网络被配置为：接收由所述基础参数以及来自其前一层级网络输出的退化状态向量拼接形成的输入，生成本层级网络的退化状态向量和本层级对应的疲劳寿命预测值；前一层级退化状态向量用于编码对应层级的退化状态。

8、在本技术实施例中，所述基础参数包括载荷水平参数和环境老化参数，所述层级退化状态传递神经网络为三层级神经网络，包括第一层级网络、第二层级网络和第三层级网络；所述第一层级网络对应碳纤维增强树脂复合材料基体结构，基于所述载荷水平参数和环境老化参数输出第一疲劳寿命预测值和第一退化状态向量；

9、所述第二层级网络对应胶接连接结构，接收由所述载荷水平参数、环境老化参数和所述第一退化状态向量拼接形成的输入，输出第二疲劳寿命预测值和第二退化状态向量；

10、所述第三层级网络对应胶铆混合连接结构，接收由所述载荷水平参数、环境老化参数、所述第一退化状态向量、和所述第二退化状态向量、拼接形成的输入，输出第三疲劳寿命预测值。

11、在本技术实施例中，所述第一层级网络包括第一编码器网络和两个输出分支，所述载荷水平参数和环境老化参数通过第一编码器网络进行特征提取，分别由第一层级网络的第一输出分支生成所述第一疲劳寿命预测值，和由第一层级网络的第二输出分支生成多维的第一退化状态向量；

12、所述第二层级网络包括第二编码器网络和两个输出分支，所述载荷水平参数、所述环境老化参数和所述第一退化状态向量拼接形成的多维向量经过所述第二编码器网络进行特征提取，分别由第二层级网络的第一输出分支生成所述第二疲劳寿命预测值，和由第二层级网络的第二输出分支生成多维的第二退化状态向量；

13、所述第三层级网络包括第三编码器网络，所述载荷水平参数、所述环境老化参数、所述第一退化状态向量和所述第二退化状态向量拼接得到的多维向量经过所述第二编码器网络进行特征提取，生成所述第三疲劳寿命预测值。

14、在本技术实施例中，所述第一编码器网络、第二编码器网络和第三编码器网络均包含1~3层全连接层，每层包含8~64个神经元，并采用非线性激活函数作为该层的输出变换。

15、在本技术实施例中，所述第一编码器网络、第二编码器网络和第三编码器网络均包含2层全连接层，每层包含16个神经元，并采用tanh激活函数作为该层的输出变换。

16、在本技术实施例中，所述层级退化状态传递神经网络的训练过程包括：

17、获取待训练的层级退化状态传递神经网络和多种复合材料的多构型疲劳寿命数据集；

18、将所述疲劳寿命数据集中的载荷水平参数和环境老化参数输入至所述层级退化状态传递神经网络的最低层级网络，获得第一退化状态向量和第一疲劳寿命预测值；

19、对于所述多层级状态传递模块中除最低层级网络和最高层级网络外的每一中间层级网络，将由所述载荷水平参数、所述环境老化参数以及来自其前一层级网络输出的退化状态向量拼接形成的输入向量输入该中间层级网络，获得每一层级对应的退化状态向量和疲劳寿命预测值；

20、将所述载荷水平参数、所述环境老化参数以及来自最高层级网络的前一层级网络输出的退化状态向量拼接形成的输入向量输入所述多层级状态传递模块的最高层级网络，获得最高层级疲劳寿命预测值；

21、基于所述第一疲劳寿命预测值、各中间层级网络对应的疲劳寿命预测值和最高层级疲劳寿命预测值，在同一优化过程中联合更新每一层级网络的网络参数，以使得各层级网络同时学习对应构型的寿命映射关系以及跨构型共享的退化状态表征，获得训练完成的目标层级退化状态传递神经网络。

22、在本技术实施例中，所述基于所述第一疲劳寿命预测值、各中间层级网络对应的疲劳寿命预测值和最高层级疲劳寿命预测值，在同一优化过程中联合更新每一层级网络的网络参数中网络参数联合更新的方法包括：

23、根据所述第一劳寿命预测值、各中间层级网络对应的疲劳寿命预测值和最高层级疲劳寿命预测值与对应层级的实验寿命对数值y1、y2、y3....yn，按以下联合损失函数计算总损失值l：

24、l=λ1·mse(life1,y1)+λ2·mse(life2,y2)+λ3·mse(life3,y3)....+λn·mse(lifen,yn)；

25、对所述总损失值l进行反向传播，梯度沿所述最高层级网络....、第三层级网络、第二层级网络至第一层级网络的方向级联传递，并在同一优化步骤中，采用adam优化器，配合余弦退火学习率调度策略，对所述第一层级网络、第二层级网络、第三层级网络至最高层级网络的所有网络参数进行同步更新；

26、重复上述步骤，直至所述联合损失函数收敛，获得训练完成的目标层级退化状态传递神经网络。

27、在本技术实施例中，所述λ1=λ2=λ3...=λn=1。

28、本技术第二方面提供一种复合材料连接结构疲劳寿命预测装置，包括：存储器，被配置成存储指令；处理器，被配置成从存储器调用指令以及在执行指令时能够实现复合材料连接结构疲劳寿命预测方法。

29、本技术第三方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行复合材料连接结构疲劳寿命预测方法。

30、本技术复合材料连接结构疲劳寿命预测方法，通过复合材料多构型连接体系中客观存在的"基材退化→胶层退化→混合连接退化"的物理因果链，构建与之对应的级联式神经网络结构。前一层级网络在输出本层级构型寿命预测值的同时，输出表征该层级退化状态的隐含特征向量，并将其定向传递至下一层级网络作为输入的一部分，从而实现跨构型退化信息的共享与传递。

31、与现有技术相比，本发明提供的复合材料多构型疲劳寿命预测方法具有以下显著优点：

32、（1）本发明根据复合材料多构型连接体系中客观存在的层级依赖关系，构建具有退化状态定向传递机制的级联式网络结构。前一层级网络输出的退化状态向量作为后一层级网络输入的一部分，使得高层级构型能够显式利用低层级构型的退化信息，实现跨构型知识共享。这种设计不同于现有独立建模方法中各构型互不关联的方式，也不同于并列式多任务方法中各构型地位对等的方式。

33、（2）本发明将物理因果关系编码于网络拓扑结构本身，信息传递方向与"基材退化→胶层退化→混合连接退化"的物理方向严格一致。与在损失函数中添加物理约束项的方法相比，本发明无需额外设计和调节约束项权重，降低了模型调参难度。

34、（3）本发明可在一个统一模型框架下同时输出多种连接构型在不同载荷水平和湿热老化条件下的疲劳寿命预测结果，避免了独立建模需分别维护多个模型的问题，提高了数据利用效率并降低了重复建模成本。

35、本技术实施例的其他特征和优点将在随后的具体实施方式部分予以详细说明。