基于人工神经网络的工具开发,用于预测复合层结构的故障
Milica Milic Jankovic1, Jelena Svorcan1, Ivana Atanasovska2
1Faculty of Mechanical Engineering, University of Belgrade, 11120 Belgrade, Serbia.
Biomimetics (Basel, Switzerland)
|August 27, 2025
概括
这项研究引入了生物启发的人工神经网络 (ANN) 来预测复合材料性能,与传统的有限元分析 (FEA) 相比,显著减少了计算时间. 该模型为复合应用提供了快速而准确的结构评估.
科学领域:
- 材料科学
- 机械工程
- 计算科学
背景情况:
- 复合材料提供高强度与重量比, 设计灵活性对于航空航天和汽车行业至关重要.
- 复合材料的异构和分层性质使结构分析和故障预测复杂化,通常需要有限元分析 (FEA) 等计算密集型方法.
研究的目的:
- 开发一种生物启发的机器学习方法,以加快复合材料的结构分析和故障预测.
- 通过使用人工神经网络 (ANN) 模型来减少对计算成本昂贵的FEA的依赖.
主要方法:
- 一个人工神经网络 (ANN) 模型被开发用于预测关键结构参数 (厚度,重量,应力,位移,变形,故障标准).
- 该ANN模型使用堆叠序列和几何作为给定的负载情况的输入.
- 该方法使用特定的复合光束进行验证,将ANN预测与FEA结果进行比较.
主要成果:
- 与FEA结果相比,ANN模型的预测偏差低于15%.
- 该模型将预测时间从小时/天 (FEA) 缩短到几秒钟.
- 开发的方法在保持预测精度的同时显著节省了计算时间.
结论:
- 生物启发的机器学习方法为复合材料的快速结构评估提供了传统FEA的可行替代方案.
- 该方法显示了包括飞机维护在内的更广泛应用的潜力,以提高决策和结构可靠性.
- 对逻辑驱动的ANN模型的进一步改进可能会导致结构完整性评估中的更先进的应用.
