🎯 深度学习统一模型预测平纹编织复合材料在高低周疲劳加载下残余刚度的学术解析

📌 一：文献信息

DOI： https://doi.org/10.1016/j.ijfatigue.2025.109035

论文标题

• • 英文：A deep learning unified model for predicting the residual stiffness of plain weave composites under combined high and low cycle fatigue loading
• • 中文：预测平纹编织复合材料在高低周疲劳复合加载下残余刚度的深度学习统一模型

作者单位

哈尔滨工业大学航天科学与力学系 (Harbin Institute of Technology, Department of Astronautic Science and Mechanics)

主要技术

1. 1. 创新性疲劳加载谱设计：设计了高低周疲劳复合(CCF)加载谱，揭示了高周疲劳对损伤累积的显著加速作用
2. 2. 改进的潜变量学习策略：基于注意力机制的潜变量动态演化学习策略，有效捕获疲劳刚度退化的非线性动态特征
3. 3. 深度学习统一模型(DLU)：整合LSTM、注意力机制、β-VAE和Neural ODE的多层次预测框架
4. 4. 残余刚度外推预测：通过潜变量解耦实现对新加载条件下刚度演化的完全外推预测

📌 二：问题域

研究背景的技术必要性

现代航空发动机复合材料风扇叶片在服役过程中承受多元耦合载荷：

• • 离心力：低频疲劳载荷（主载荷）
• • 振动与侧向风载：高频疲劳载荷（耦合载荷）

传统研究局限于单一恒幅疲劳，无法描述实际服役环境下的复杂疲劳行为。

核心问题的数学本质

CCF加载下的疲劳刚度退化问题本质上是一个高维非线性动态系统建模问题：

其中：

• •  ：归一化系统刚度
• •  ：低周、高周疲劳载荷参数
• •  ：材料退化参数向量
• •  ：随机扰动项

创新点的理论突破边界

1. 1. 从经验模型到数据驱动：突破传统现象学模型对特定载荷条件的依赖
2. 2. 从单一载荷到复合载荷：建立CCF载荷下的统一预测框架
3. 3. 从重构到外推：实现基于有限观测数据的全程刚度演化预测

技术路线架构逻辑

📌 三：理论基础重构

关键术语深层内涵

1. 潜变量动态演化 (Latent Variable Dynamic Evolution)

• • 数学本质：在连续时间域上建模潜在物理量的演化规律
• • 物理意义：材料内部损伤状态的抽象表征及其时间演化
• • 技术优势：将复杂的疲劳损伤过程映射到低维可操作空间

2. 注意力机制条件建模 (Attention-based Conditional Modeling)

• • 理论基础：通过Query-Key-Value机制实现载荷条件与潜变量的动态关联
• • 技术创新： 来自潜变量， 来自载荷向量，实现条件依赖的表征学习

3. β-变分自编码器增强正则化

• • 数学框架：
• • 参数调节： 控制潜空间正则化强度，平衡重构精度与表征解耦度

有限元-神经网络耦合的数学基础

传统有限元方法在疲劳分析中的局限：

• • 计算复杂度： 矩阵运算，无法处理长时间序列
• • 本构关系限制：依赖预定义的材料退化模型

神经网络的优势：

• • 函数逼近能力：万能逼近定理保证复杂非线性映射的学习能力
• • 端到端学习：直接从数据学习载荷-刚度映射关系

📌 四：数学模型解析

核心数学框架

1. LSTM门控机制的物理意义

f_n = σ(W_f · [h_{n-1}, x_n] + b_f)  # 遗忘门：决定历史损伤信息的保留
i_n = σ(W_i · [h_{n-1}, x_n] + b_i)  # 输入门：决定当前载荷对损伤的贡献
C_n = f_n ⊗ C_{n-1} + i_n ⊗ \tilde{C}_n  # 损伤状态更新

2. β-VAE损失函数的设计依据

• • 重构损失：确保生成刚度与实验数据的一致性
• • KL散度项：约束潜变量分布接近先验分布
• • β参数：控制解耦程度， 增强潜变量独立性

3. Neural ODE连续时间建模

积分形式：

物理解释：潜变量 代表材料内部损伤状态， 描述损伤演化速率

注意力机制的数学实现

多头注意力：

其中：

📌 五：实现架构剖析

数据流信息传递机制

阶段1：编码器训练

1. 1. 输入层：  归一化处理
2. 2. LSTM层：时序特征提取 
3. 3. 重参数化： ，其中
4. 4. 注意力层：
5. 5. Neural ODE：
6. 6. 解码器：

训练策略的数学合理性

1. 余弦退火学习率调度

优势：

• • 初期快速收敛：
• • 后期精细调节：
• • 避免局部极值：周期性震荡

2. Dropout正则化策略

• • 位置：LSTM和注意力机制后
• • 比率：0.3
• • 作用：防止过拟合，提高泛化能力

模型验证的统计学基础

交叉验证策略：

• • 训练集：85%数据（3个完整载荷条件 + 1个部分载荷条件）
• • 测试集：15%数据（剩余载荷条件）
• • 评估指标：RMSE、MAE、MAPE

统计显著性：5次独立计算验证预测稳定性

📌 六：图表解析

图1：试样几何设计解析

• • 尺寸：200mm×25mm×4.45mm（长×宽×厚）
• • 铝制夹持片：50mm×25mm×2mm，避免应力集中
• • 水刀切割技术：确保边缘质量，减少缺陷影响

图2：疲劳加载谱设计解析

设计意图：模拟实际服役环境的复合载荷
创新特征：

• • LCF：0.5Hz频率，包含1秒保载阶段（模拟离心力）
• • CCF：每个LCF周期内嵌入10个HCF子周期，频率0.1Hz
• • 载荷比设计： ，
• • 载荷幅值关系：

技术合理性评估：载荷比设计符合实际航空发动机叶片的载荷特征

图3：刚度退化三阶段特征解析

设计意图：验证CCF载荷对损伤累积的加速效应

数据分析：

• • 第一阶段：快速刚度下降（初始损伤）
• • 第二阶段：稳定退化期（损伤累积）
• • 第三阶段：急剧下降（失效前期）

CCF效应量化：

• • L-72-H-5 vs L-72-H-0：疲劳寿命减少约30%
• • 温升效应：CCF载荷下温度增量更显著
• • 能量耗散：CCF条件下单周期耗散能量增加

图4：温度场演化验证

设计意图：通过红外热像技术验证损伤定位预测
关键发现：

• • 温度集中区域与最终断裂位置一致
• • 验证了表面温度作为损伤累积指标的有效性

图5：损伤变量拟合对比

设计意图：对比传统现象学模型的局限性

统计分析：

• • Wu模型：
• • Shiri模型：
• • 关键问题：不同载荷条件下参数变化显著，缺乏统一性

图8-9：DLU模型架构流程图

设计意图：展示深度学习统一建模的技术路线

技术亮点：

1. 1. 模块化设计：每个组件功能明确
2. 2. 双重预测模式：重构训练 + 外推预测
3. 3. 潜变量解耦：实现物理可解释性

图10：注意力机制效果验证

设计意图：量化注意力机制对模型性能的提升
效果评估：

• • 重构损失：从0.0063降至0.0006（近10倍改善）
• • 技术机理：注意力机制使潜变量更好地关联载荷条件

图11：注意力权重可视化

设计意图：验证模型对不同载荷条件的自适应关注
技术洞察：

• • LCF条件：模型主要关注feature 0（LCF载荷）
• • CCF条件：模型转向关注feature 1（HCF载荷）
• • 验证了注意力机制的物理合理性

图15：外推预测效果验证

设计意图：验证模型在未见载荷条件下的预测能力
性能对比：

• • DLU模型 vs Shiri现象学模型
• • RMSE改善：平均提升3-6倍
• • MAPE改善：从1.5%降至0.3%

图20-24：双轴拉扭疲劳应用验证

设计意图：验证模型在更复杂载荷条件下的适用性
技术成果：

• • 成功处理6种不同拉扭载荷组合
• • 潜变量与载荷参数呈线性关系
• • 部分数据训练即可实现高精度预测

📌 七：技术细节

关键隐含假设

1. 损伤累积可加性假设

• • 假设内容：高低周疲劳损伤可通过潜变量统一表征
• • 技术依据：β-VAE的解耦能力

2. β参数设置（20-30）

• • 单轴载荷：β=20
• • 双轴载荷：β=30（增强解耦）
• • 调节依据：重构精度与正则化的权衡

3. 网络深度限制

• • LSTM层数：2层（避免梯度消失）
• • 全连接层：2层×32神经元
• • 设计原则：简化架构，提高泛化能力

📌 八：方法论迁移

通用建模范式抽象

1. 时序-潜变量-条件建模框架

class UniversalFatigueModel:
    def __init__(self):
        self.feature_extractor = LSTM()  # 时序特征提取
        self.latent_encoder = BetaVAE()  # 潜变量学习
        self.condition_attention = MultiHeadAttention()  # 条件建模
        self.dynamics_model = NeuralODE()  # 连续演化
        self.decoder = MLP()  # 状态重构

2. 多尺度特征融合策略

• • 微观：材料本构关系（潜变量）
• • 介观：载荷历史效应（LSTM记忆）
• • 宏观：边界条件影响（注意力机制）

可复现技术流程

阶段1：数据预处理标准化

1. 1. Min-Max归一化：
2. 2. 时序切片：固定窗口大小的序列构造
3. 3. 载荷编码：分类载荷条件的向量表示

阶段2：模型架构设计

1. 1. 超参数优化：网格搜索 + 贝叶斯优化
2. 2. 正则化策略：Dropout + β调节 + 学习率调度
3. 3. 验证策略：时序交叉验证避免数据泄露

阶段3：训练与评估

1. 1. 损失函数设计：重构损失 + KL散度 + 物理约束
2. 2. 早停策略：验证损失plateau检测
3. 3. 模型选择：多指标综合评估

关注我们的公众号，发现更多复合材料与深度学习的相关知识！