使用卷积神经网络预测复合结构损伤的新方法
Laurent Mezeix1, Ainhoa Soldevila Rivas2, Antonin Relandeau2
1Faculty of Engineering, Burapha University, 169 Long-Hard Bangsaen Road, Chonburi 20131, Thailand.
Materials (Basel, Switzerland)
|November 25, 2023
概括
人工智能,特别是深度学习,可以预测纤维增强聚合物 (FRP) 复合材料的冲击损伤. 一个聚合卷积神经网络 (CNN) 模型显示了加速高精度复合设计的巨大潜力.
科学领域:
- 材料科学 材料科学 材料科学
- 机械工程 机械工程
- 计算科学 计算科学
背景情况:
- 虚拟测试和有限元方法 (FEM) 对于预测复合航空结构损坏至关重要.
- 复合影响分析的FEM是计算密集型的,需要大量的专业知识.
- 人工智能为高效的复合材料损害评估提供了一个有希望的替代方案.
研究的目的:
- 开发和评估深度学习方法,用于预测纤维增强聚合物 (FRP) 复合材料的冲击损伤.
- 探索卷积神经网络 (CNN) 架构对于这个预测任务的有效性.
- 展示AI在加速复合结构设计过程中的潜力.
主要方法:
- 开发了一种使用CNN模型的深度学习方法.
- 数据来源于文献和FEM模拟,增强以将数据集大小从149个实例增加到2725个实例.
- 两个CNN架构被聚合并与一个CNN模型进行比较.
主要成果:
- 综合CNN模型的性能优于单个CNN架构.
- 该模型在长度测量方面达到0.15毫米的精度.
- 平均分层表面误差为56mm2,对分层存在的预测有7%的误差率.
结论:
- 聚合的CNN模型显示出强大的潜力,可以准确预测复合材料中的冲击损伤.
- 这种人工智能驱动的方法可以显著加快航空复合结构的设计周期.
- 该方法为传统的基于FEM的虚拟测试提供了更有效的替代方案.


