（FEM+Deep Learning论文）基于深度学习的2.5D编织复合材料高温下离轴拉伸损伤预测分析

英文标题: Data-driven deep learning models for predicting off-axis tensile damage of 2.5D woven composites at elevated temperatures

中文标题: 数据驱动深度学习模型预测高温下2.5D编织复合材料的离轴拉伸损伤作者单位:

• • 江苏大学机械工程学院，中国镇江
• •  段氏大学计算工程研究所，越南胡志明市
• • 谢菲尔德大学机械、航空航天与土木工程学院，英国谢菲尔德
• • 南京航空航天大学航空宇航结构力学与控制国家重点实验室，中国南京

一：原文重要内容

摘要

虽然有限元(FE)模拟已被证明在预测纤维增强复合材料在机械载荷下的损伤方面是有效的，但它仍然耗时且资源密集，使其不太适合需要广泛参数分析的任务。本研究引入了采用预测器-解码器架构的深度学习模型，该模型可以基于温度和离轴角度直接预测2.5D编织复合材料在高温和离轴拉伸载荷耦合作用下的损伤状态。结果表明，这些在综合损伤数据集上训练的深度学习模型不仅实现了比FE模拟快约10^4倍的预测速度，而且在十个测试案例中平均预测误差减少了约30%。深度学习辅助的损伤分析揭示，离轴角度通过改变载荷分布影响组分损伤，而温度通过降低基体性能影响损伤。本研究突显了数据驱动深度学习模型在预测具有复杂微观结构的纺织复合材料损伤方面的巨大潜力，这对加速优化设计和实现相关复合结构的在线健康监测至关重要。

结论

传统的有限元方法虽然在预测纤维增强复合材料在机械载荷下的损伤状态方面是有效的，但在执行和计算方面成本很高。对于需要广泛参数分析的任务，如优化设计和在线健康监测，仅依靠有限元模拟可能不切实际。本研究构建了具有预测器-解码器架构的深度学习模型，作为有限元模拟的替代方案。这些模型仅需温度和离轴角度等关键参数作为输入，就能实时且准确地预测2.5D编织复合材料在高温和离轴拉伸载荷耦合作用下的损伤状态。基于获得的结果，可以得出以下结论：

1. 1. 通过整合组分材料的多种损伤场景，构建了综合损伤数据集。与仅包含单一损伤场景的数据集相比，在综合损伤数据集上训练的深度学习模型在十个测试案例中的平均预测误差约降低了30%。
2. 2. 在综合损伤数据集上训练的深度学习模型能够对整个参数空间内的绝大多数情况做出相对准确的预测。其预测速度比有限元模拟快近10^4倍。
3. 3. 深度学习模型对不同离轴角度和温度的预测揭示，离轴角度主要通过改变主方向上的离轴拉伸载荷分量来影响组分材料的损伤。相比之下，温度通过降低树脂基体的性能来影响损伤。

本研究表明，数据驱动深度学习模型在预测具有复杂微观结构的纺织复合材料损伤方面显示出显著潜力。这些模型对加速这些材料及相关结构的优化设计和实现在线健康监测至关重要。

原文所用方法与技术总结

1. 1. 有限元(FE)模拟技术：
• • 使用TexGen软件进行2.5D编织复合材料的参数化建模
• • 通过ABAQUS/Standard求解器和UMAT子程序实现考虑温度影响的渐进损伤模型
• • 采用体素网格离散化单元模型并实现周期性边界条件
2. 2. 热力耦合分析方法：
• • 使用顺序耦合热-力学分析方法，包括两个分析步骤：温度升高过程和离轴拉伸过程
• • 应用平面应变转换矩阵将单轴离轴位移载荷转换为等效多轴主位移载荷
3. 3. 数据集构建技术：
• • 采用拉丁超立方抽样在温度范围(25°C-200°C)和离轴角度范围(0°-90°)内选取120个样本点
• • 样本划分为训练集(100例)、验证集(10例)和测试集(10例)
• • 构建综合损伤数据集，整合纬纱、加强经纱和树脂基体的多种损伤场景
4. 4. 深度学习方法：
• • 设计并实现预测器-解码器架构的深度学习模型
• • 预测器部分：采用具有四个输入神经元的前馈神经网络
• • 解码器部分：包含4个残差块和4个转置卷积层
• • 使用均方误差作为损失函数，结合Adam优化器进行模型训练
• • 对数据进行预处理，包括图像缩放、裁剪和特征提取与标准化
5. 5. 模型评估和分析方法：
• • 定性分析：对比预测损伤图像与标签图像
• • 定量分析：计算所有测试案例预测图像的预测误差(MSE值)
• • 使用箱线图比较在综合损伤数据集和单一损伤数据集上训练的模型性能
• • 分析离轴角度和温度对组分材料损伤的影响机制

二：全局理解

研究背景

1. 1. 复合材料应用的广泛性：纤维增强复合材料由于其优越的综合机械性能，被广泛应用于航空航天工程、汽车制造和基础设施建设等领域。
2. 2. 损伤预测的挑战性：随着纤维增强复合材料在工程中的应用进展，预测其在热-机械载荷下的损伤行为并理解损伤机制对评估剩余强度和增强机械性能至关重要。
3. 3. 有限元模拟的局限性：虽然高保真度有限元模拟能有效预测纤维增强复合材料中的渐进损伤，但其高执行和计算成本限制了其在优化设计和在线健康监测等任务中的应用。
4. 4. 机器学习在固体力学中的应用：将新的机器学习技术应用于固体力学是旨在通过数据驱动方法增强传统力学分析效率的热门研究课题。

核心问题

研究旨在解决以下关键问题：

1. 1. 如何开发一种能够基于外部载荷条件(温度和离轴角度)直接高效预测2.5D编织复合材料内部损伤的方法？
2. 2. 如何构建和训练深度学习模型以实现比传统有限元模拟更快速而又保持准确性的损伤预测？
3. 3. 如何利用深度学习模型分析温度和离轴角度对2.5D编织复合材料损伤机制的影响？

技术路线

创新点表格

三：基础补全

专业术语解析

复合材料相关术语

1. 1. 2.5D编织复合材料：
• • 一种纺织复合材料，由纬纱、加强经纱、粘结经纱和树脂基体组成。
• • "2.5D"表示其具有在厚度方向有一定增强的结构，但不同于完全的3D结构。
• • 纬纱和加强经纱保持直线并沿纬向和经向平行排列，粘结经纱将相邻层的纬纱交织在一起。
2. 2. 离轴拉伸(Off-axis tension)：
• • 指拉伸方向与材料的主轴(经向或纬向)不重合的加载情况。
• • 离轴角度θ定义为离轴方向与X方向(经向)之间的夹角。
• • 离轴拉伸会在材料中产生复杂的拉-剪耦合应力状态。
3. 3. 渐进损伤模型(Progressive damage model)：
• • 一种描述材料损伤从起始到发展直至最终失效的全过程的模型。
• • 通常包括损伤起始准则、损伤演化规律和损伤本构模型三部分。
• • 考虑温度影响的渐进损伤模型还需包括温度对材料属性的影响。
4. 4. 微观尺度模型(Mesoscale model)：
• • 介于宏观尺度(整体结构)和微观尺度(纤维/基体界面)之间的模型。
• • 在此尺度下，复合材料被视为由纱线和基体组成，可以观察各组分的相互作用。
• • 适合研究复合材料的损伤机制和局部应力分布。

深度学习相关术语

1. 1. 预测器-解码器架构(Predictor-decoder architecture)：
• • 一种深度学习架构，由预测器和解码器两部分组成。
• • 预测器：将数值参数(如温度、离轴角度)转换为中间表示(特征图)。
• • 解码器：将特征图重构为输出图像(如损伤分布图)。
2. 2. 残差块(Residual block)：
• • 深度神经网络中的基本构建单元，通过引入跳跃连接(skip connection)解决深层网络的梯度消失问题。
• • 结构：两组卷积、批归一化和ReLU激活操作，以及一个跳跃连接。
• • 计算公式： ，其中 是需要学习的残差映射， 是输入。
3. 3. 转置卷积(Transposed convolution)：
• • 也称为反卷积或分数步长卷积，用于增加特征图的空间维度。
• • 在解码器中用于将低分辨率特征图上采样到高分辨率输出图像。
• • 每一层转置卷积操作通常会使特征图的尺寸增加一倍。
4. 4. 均方误差(Mean Squared Error, MSE)：
• • 深度学习中常用的损失函数，用于度量预测值与真实值之间的差异。
• • 计算公式： ，其中 是预测图像， 是标签图像。

工程/物理问题的直观类比

1. 1. 复合材料的微观结构与损伤机制：
• • 类比：一座由主梁(纱线)和连接材料(基体)组成的桥梁。
• • 当桥梁承受不同方向的力时，主梁和连接材料受力不同，可能在不同位置产生损伤。
• • 温度升高相当于连接材料(基体)质量下降，使结构更易在连接处失效。
2. 2. 深度学习预测损伤的过程：
• • 类比：医生通过观察患者的症状(温度、离轴角度)诊断内部损伤(组分损伤)。
• • 医生需要经过大量案例(数据集)的训练才能准确诊断。
• • 诊断过程分为初步判断(预测器)和详细分析(解码器)两步。
3. 3. 残差块在神经网络中的作用：
• • 类比：高速公路上的匝道系统，允许信息既可以通过主路(深层网络)，也可以通过快速通道(跳跃连接)传递。
• • 这种设计确保即使深层网络难以训练，信息仍能有效传递，类似于交通即使在主路拥堵时仍可通过快速通道到达目的地。
4. 4. 转置卷积的上采样过程：
• • 类比：显微镜下对模糊图像的逐步放大和清晰化过程。
• • 每次放大(上采样)都会增加图像的细节，但需要额外信息(学习到的特征)来确保细节的准确性。

四：数学模型与算法逻辑

平面应变转换矩阵

• • 变量解释：
• •  ：离轴角度，单位为度，表示拉伸方向与经向(X方向)的夹角
• •  和 ：角度 的余弦和正弦值，无量纲
• •  ：平面应变转换矩阵，无量纲，用于坐标变换
• • 建模背景：
• • 在离轴拉伸测试中，载荷沿着与材料主轴成一定角度的方向施加
• • 由于微观FE模型是建立在主坐标系(X-Y-Z)下的，而离轴拉伸是在离轴坐标系(1-2-3)下定义的
• • 需要将离轴坐标系下的单轴拉伸位移转换为主坐标系下的多轴位移
• • 应用原理：
• • 当施加单位离轴拉伸应变 时，主坐标系下的应变分量为：
• • 
• • 
• • 
• • 通过这种转换，可以在主坐标系中模拟离轴拉伸载荷的效果

深度学习模型的数学表示

前馈神经网络(预测器部分)

• • 变量解释：
• •  ：输入向量，包含离轴角度 、温度 、L/T损伤模式和I/II损伤过程
• •  ：第 层的权重矩阵
• •  ：第 层的偏置向量
• •  ：ReLU激活函数，
• •  ：输出向量，维度为
• • 特征重塑：
  将一维输出向量 重塑为16通道、 像素的特征图 ，用于后续解码器处理

解码器部分

1. 1. 残差块：每个残差块的计算可表示为：
   其中 包含两组卷积、批归一化和ReLU激活操作
2. 2. 转置卷积：每层转置卷积将特征图尺寸放大2倍，最终将 像素的特征图转换为 像素的输出图像

损失函数(均方误差)

• • 变量解释：
• •  ：深度学习模型预测的损伤图像
• •  ：对应的标签图像(从FE模拟获得)
• •  ：分别表示图像的通道数、高度和宽度
• •  和 ：预测图像和标签图像在位置 处的像素值

损伤模型的数学表示

温度相关材料属性

材料属性随温度的变化规律，以纵向拉伸模量为例：

• • 变量解释：
• •  ：温度 下的纵向拉伸模量
• •  ：参考温度 下的纵向拉伸模量
• •  ：双曲正弦函数，用于拟合实验数据

损伤起始准则(3D Hashin准则)

以纵向拉伸失效为例：

• • 变量解释：
• •  ：纵向拉伸失效指数
• •  ：纵向应力
• •  ：温度 下的纵向拉伸强度
• •  和 ：LT和LZ方向的剪切应力
• •  和 ：温度 下的LT和LZ剪切强度
• •  ：剪切损伤贡献因子，设为1

损伤演化模型

基于线性软化规律，不同失效模式的损伤演化变量定义为：

• • 变量解释：
• •  ：失效模式 的损伤演化变量
• •  ：单元等效位移
• •  ：损伤起始对应的等效位移
• •  ：最终失效状态对应的等效位移

网络结构与优化器

1. 1. 网络结构：
• • 预测器：4个输入神经元(离轴角度、温度、L/T损伤模式、I/II损伤过程)→两个隐藏层→重塑为 特征图
• • 解码器：4个残差块→4个转置卷积层→3通道 像素输出图像
2. 2. 优化过程：
• • 损失函数：均方误差(MSE)
• • 优化器：Adam优化器
• • 超参数：初始学习率0.0001、批量大小28、训练轮数300
• • 目标：找到使损失函数最小化的网络参数(权重和偏置)
  
  

五：工程实现与数据流

数据流图

输入数据生成

1. 1. 参数空间确定：
• • 温度范围：25°C至200°C
• • 离轴角度范围：0°至90°
2. 2. 拉丁超立方抽样：
• • 使用拉丁超立方抽样方法在参数空间内选取120个样本点
• • 确保样本在整个参数空间中均匀分布，提高采样效率
• • 样本划分：100个训练案例、10个验证案例、10个测试案例
3. 3. FE模型构建：
• • 软件平台：TexGen（纺织复合材料建模软件）
• • 单元类型：体素网格单元（voxel mesh elements）
• • 模型细节：
• • 纬纱：直线排列，透镜形截面
• • 加强经纱：直线排列，矩形截面
• • 粘结经纱：交织相邻层纬纱，矩形截面
• • 树脂基体：填充纱线间空隙
4. 4. 热-机械耦合分析：
• • 软件平台：ABAQUS/Standard
• • 分析步骤：
• • 步骤1：温度从25°C线性升高到目标温度T
• • 步骤2：在目标温度T下进行离轴拉伸过程
• • 边界条件：通过平面应变转换矩阵将单轴离轴位移载荷转换为等效多轴主位移载荷
5. 5. 损伤数据收集：
• • 收集过程I（强度点）和过程II（失效点）的损伤分布图像
• • 对纬纱和加强经纱，分别收集L（纵向）和T（横向）损伤模式
• • 损伤图像直接从ABAQUS导出，分辨率为1988×1096像素

数据预处理

1. 1. 图像预处理：
• • 等比例缩放：将原始图像（1988×1096像素）缩放到406×224像素
• • 裁剪处理：裁剪两侧无关背景像素，得到最终224×224像素的标签图像G
2. 2. 特征提取与标准化：