基于ML的游艇复合材料层合板冲击损伤预测方法及系统

本技术涉及，特别涉及一种基于ml的游艇复合材料层合板冲击损伤预测方法及系统。

背景技术：

1、随着现代工业技术的快速发展，复合材料因其优异的力学性能、轻质高强以及耐腐蚀等特点，在航空航天、汽车制造、船舶工程等领域得到了广泛应用。然而，在制造、运输和使用过程中，复合材料层合板不可避免地会遭受各种形式的损伤，导致材料性能下降。因此，对复合材料层合板的损伤进行预测和评估具有重要的工程意义和实用价值。

2、传统的损伤检测方法如直接观察横截面形态、超声扫描等，存在诸多局限性。例如，直接观察横截面形态需要对试件进行切割，这不仅会引入新的损伤，还可能对原始损伤区域造成二次破坏，影响测量结果的准确性。超声扫描虽然可以非破坏性检测，但其分辨率有限，且图片后处理难度大，难以精确量化损伤面积。近年来，随着机器学习(ml)技术的快速发展，卷积神经网络(cnn)、bp神经网络和ga-bp神经网络这类深度学习技术在复合材料损伤预测领域的应用也日益广泛。其中，bp神经网络在处理大量数据和复杂结构时存在训练速度慢、易陷入局部最优等问题。结合了遗传算法(ga)和bp神经网络的ga-bp神经网络，则提高了网络的收敛速度和预测精度，但容易陷入局部最优解，且ga-bp神经网络的性能容易受到初始权重和初始种群的影响，不同的初始条件可能导致不同的训练结果和收敛速度，网络收敛的稳定性存在一定局限。

3、综上，目前各种神经网络用于复合材料层合板损伤面积预测时都存在一定的局限性，预测的准确性和可靠性均有待提升。

技术实现思路

1、为了解决上述存在的技术问题，本技术提供了一种基于ml的游艇复合材料层合板冲击损伤预测方法及系统，能够提升预测的准确性和可靠性均。

2、第一方面，本技术提供了一种基于ml的游艇复合材料层合板冲击损伤预测方法，所述方法包括：

3、s1、获取复合材料层合板的损伤数据集，所述损伤数据集包括：针对所述复合材料层合板的冲击试验条件以及所述冲击试验条件对应的损伤面积数据；

4、s2、以所述冲击试验条件为输入，对应的损伤面积数据为预测标签，在所述损伤数据集上分别训练自适应学习率bp神经网络、遗传算法bp神经网络和卷积神经网络；

5、s3、将待预测的复合材料层合板对应的目标冲击试验条件分别输入训练得到的所述自适应学习率bp神经网络、遗传算法bp神经网络和卷积神经网络，得到自适应学习率bp神经网络输出的第一预测面积、遗传算法bp神经网络输出的第二预测面积以及卷积神经网络输出的第三预测面积；

6、s4、根据预设的置信度排序，融合所述第一预测面积、所述第二预测面积和所述第三预测面积，得到目标损伤面积。

7、在一种可能实施方式中，所述步骤s4包括：

8、按照置信度为第一预测面积小于第二预测面积且第二预测面积小于第三预测面积的排序，对所述第一预测面积、所述第二预测面积和所述第三预测面积进行加权求和，得到目标损伤面积，所述置信度越高则加权系数越大。

9、在一种可能实施方式中，所述自适应学习率bp神经网络是基于adam自适应学习率的双隐层bp神经网络，包括：一个输入层、两个隐含层以及一个输出层；

10、所述隐含层中节点的数量是所述输入层的通道数量的整数倍，所述输入层的通道数量等于输入的所述冲击试验条件的种类数量；

11、所述遗传算法bp神经网络中，采用遗传算法搜索得到的bp神经网络结构包括：一个输入层、两个隐含层和一个输出层；

12、所述遗传算法bp神经网络中隐含层的节点数量是输入层的通道数量的整数倍，所述输入层的通道数量等于输入的所述冲击试验条件的种类数量。

13、在一种可能实施方式中，以所述冲击试验条件为输入，对应的损伤面积数据为预测标签，在所述损伤数据集上训练所述自适应学习率bp神经网络，包括：

14、将冲击试验条件输入所述基于adam自适应学习率的双隐层bp神经网络；

15、在模型训练的每次迭代过程中，计算所述基于adam自适应学习率的双隐层bp神经网络的历史梯度与当前梯度的加权和，得到梯度的移动平均值；计算历史梯度平方的加权和，得到平方梯度的移动平均值；

16、采用随机梯度下降法，根据所述梯度的移动平均值和平方梯度的移动平均值，调整模型参数的更新方向和步长；

17、当迭代得到的自适应学习率bp神经网络的参数符合预设条件，输出用于损伤面积预测的自适应学习率bp神经网络。

18、在一种可能实施方式中，以所述冲击试验条件为输入，对应的损伤面积数据为预测标签，在所述损伤数据集上训练所述遗传算法bp神经网络，包括：

19、计算给定bp神经网络对损伤数据集输入的预测结果与所述预测标签之间的均方误差；

20、将不同数量的隐藏层节点以及神经网络的权重和偏置项作为不同的编码值，通过遗传算法的选择、交叉和变异操作，确定使得所述均方误差最小的隐藏层节点数量以及神经网络的权重和偏置项，得到用于损伤面积预测的遗传算法bp神经网络。

21、在一种可能实施方式中，以所述冲击试验条件为输入，对应的损伤面积数据为预测标签，在所述损伤数据集上训练所述卷积神经网络，包括：

22、将冲击试验条件特征作为模型的多种输入特征，分别输入所述卷积神经网络中输入层的各个通道；

23、将不同的所述通道对应的所述条件特征输入卷积层，通过多个卷积层和池化层从所述输入特征中提取条件特征；

24、采用特征融合层对所述条件特征进行融合后输入全连接层进行预测，由输出层输出预测损伤面积；

25、按照所述预测损伤面积和所述预测标签之间的误差调整所述卷积神经网络的模型参数，直至所述误差满足训练条件后，得到用于损伤面积预测的卷积神经网络。

26、在一种可能实施方式中，所述步骤s1包括：

27、s11、基于所述复合材料层合板进行冲击试验，得到所述复合材料层合板的第一损伤数据集，所述第一损伤数据集包括：冲击试验条件及试验得到的损伤面积数据；

28、s12、基于所述损伤数据集中的冲击试验条件进行有限元数值仿真，得到所述复合材料层合板在不同冲击试验条件下的模拟损伤面积数据；基于所述模拟损伤面积数据和所述冲击试验条件得到第二损伤数据集；

29、s13、按照预设比例，将所述第一损伤数据集和所述第二损伤数据集组合为所述损伤数据集。

30、在一种可能实施方式中，所述步骤s11包括：

31、使用超声水浸扫描获取所述第一损伤数据集中的第一损伤图像；对所述第一损伤图像进行批量裁剪，将裁剪得到的图像转换为二值图像后，对所述二值图像进行损伤定位，基于损伤位置的像素点数量确定所述第一损伤数据集中的损伤面积数据；

32、所述步骤s12包括：采用chang-chang和tsai-wu准则的模型，选取在模拟材料损伤行为方面的准确性符合目标条件的模拟损伤面积数据。

33、在一种可能实施方式中，所述冲击试验条件包括：冲击能量、吸收能量和层合板厚度，所述损伤数据集中的层合板厚度包括一种或多种，所述方法还包括：

34、采用给定的归一化算法，将所述损伤数据集中的数据线性映射到预设范围内。

35、第二方面，提供一种基于ml的游艇复合材料层合板冲击损伤预测系统，所述系统包括：

36、数据模块，用于获取复合材料层合板的损伤数据集，所述损伤数据集包括：针对所述复合材料层合板的冲击试验条件以及所述冲击试验条件对应的损伤面积数据；

37、模型训练模块，用于：以所述冲击试验条件为输入，对应的损伤面积数据为预测标签，在所述损伤数据集上分别训练自适应学习率bp神经网络、遗传算法bp神经网络和卷积神经网络；

38、预测服务模块，用于：将待预测的复合材料层合板对应的目标冲击试验条件分别输入训练得到的所述自适应学习率bp神经网络、遗传算法bp神经网络和卷积神经网络，得到自适应学习率bp神经网络输出的第一预测面积、遗传算法bp神经网络输出的第二预测面积以及卷积神经网络输出的第三预测面积；根据预设的置信度排序，融合所述第一预测面积、所述第二预测面积和所述第三预测面积，得到目标损伤面积。

39、第三方面，提供一种计算设备，该计算设备包括存储器和处理器，所述存储器存储有至少一段程序，所述至少一段程序由处理器执行以实现如第一方面提供的基于ml的游艇复合材料层合板冲击损伤预测方法。

40、第四方面，提供一种计算机可读存储介质，该存储介质中存储有至少一段程序，至少一段程序由处理器执行以实现如第一方面提供的基于ml的游艇复合材料层合板冲击损伤预测方法。

41、第五方面，提供一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现如第一方面提供的基于ml的游艇复合材料层合板冲击损伤预测方法。

42、本技术提供的技术方案至少包括如下技术效果：

43、通过建立自适应学习率反向传播神经网络、遗传算法反向传播神经网络和卷积神经网络模型，用多种神经网络来预测损伤面积，并基于预测模型的置信度，对复合材料层合板低速冲击损伤面积进行融合性预测，突破了传统方法的局限性，损伤面积预测的可靠性和准确性均得到有效提升。为游艇复合材料层合板冲击损伤预测提供了一种新的快速、准确且适用的方法，具有广泛的工程应用前景。