一种基于神经网络的复材固化应力计算方法与流程

本发明属于复材固化应力计算领域，具体涉及一种基于神经网络的复材固化应力计算方法。

背景技术：

1、复合材料结构固化成型时受环境温度、增强相体积分数、铺层方式等多参数影响，在固化成型后复材结构中产生不可忽略的残余应力。该残余应力会引起复材结构变形，使其偏离理论形状，导致复材结构装配或安装失败；同时，复材结构本身的残余应力在工作状态下与外界载荷进行耦合叠加，使复材结构发生二次变形，严重的则产生应力集中，导致产品裂纹形成，影响复材结构服役寿命。因此对复材结构展开残余应力技术研究，降低有害残余应力，预测不同成型环境下的应力分布趋势和数值十分必要。

2、目前获取复材残余应力的方法有理论计算、有限元模拟和实验测量三种，其中复材残余应力理论计算方法发展较为成熟，能比较明确的描述复材残余应力机理，但其材料针对性较强，不同复材种类有不同的残余应力理论，且公式复杂，因此普适性和应用性较差。有限元模拟的方法则可以通过建立复材有限元模型，设定复材固化条件，得到不同工艺条件(如不同固化温度、不同铺层比例、不同体积分数)下的复材残余应力，但每更换一个固化条件，需要重新建立边界条件进行计算，工作量大，且重复性工作多，效率较低。实验测量的方法则可以通过预埋传感器，通过测量应变计算得到复材固化应力，但埋装传感器对复材结构内部造成影响，产生额外测量工作，不适用大批量复材结构应力确定。为快速准确的确定不同工艺参数下复材结构应力变化趋势和数值，提出了一种基于神经网络的复材固化应力计算方法。

技术实现思路

1、为解决当前已有技术的不足，本发明提供一种基于神经网络的复材固化应力计算方法。通过采集不同固化参数下复材的固化应力，形成复材固化数据集，然后建立单隐层前馈神经网络，基于复材固化数据集对神经网络进行迭代优化，建立复材结构固化应力模型，基于该模型对新固化参数下的复材应力进行预测计算。

2、为达到以上目的，本发明采取如下技术方案予以实现：一种基于神经网络的复材固化应力计算方法，包括如下步骤：

3、步骤一，选取若干组复材固化参数，包括不同固化温度、铺层方式、增强体体积分数、固化时间；

4、步骤二、通过实验测量或者有限元计算的方法采集不同固化温度、铺层方式、增强体体积分数、固化时间下的复材固化应力数据，并将其整理成复材固化数据集；

5、步骤三，建立优化的神经网络模型，采用复材固化数据集作为神经网络的训练数据，采用优化算法对神经网络模型的权重和阈值进行迭代优化；以优化后的神经网络模型作为复材结构固化应力模型，将不同固化温度、铺层方式、增强体体积分数、固化时间输入该模型，计算对应的复材固化应力。

6、建立的神经网络模型包含输入层、隐含层和输出层。

7、输入层节点数据为固化时间、固化温度、不同铺层方式、增强体体积分数，输出层节点数据为对应于固化时间、固化温度、不同铺层方式、增强体体积分数的固化应力。

8、隐含层的节点数nhide为

9、nhide＝2ninp+c

10、其中，ninp为输入层节点数，c为0～10的整数。

11、对神经网络模型的权重和阈值进行迭代优化的具体过程为：

12、输入层到隐含层的映射需确定参数为学习率rl、权值w1、阈值b1，隐含层到输出层的映射需确定参数为权值w2、阈值b2，学习率rl优化公式为，

13、rl(i)＝rmax-i*(rmax-rmin)/nimax

14、其中i为当前迭代次数，rmax为学习率最大值，rmin为学习率最小值，nimax为最大迭代次数。

15、权值w1、阈值b1优化公式为，

16、w1＝w1_1+rl(i)*dw1+md*(w1_1-w1_2)

17、b1＝b1_1+rl(i)*db1+md*(b1_1-b1_2)

18、其中dw1为隐含层计算值与实际值的误差，w1_1为输入层到隐含层的第i次权值，b1_1为输入层到隐含层的第i次阈值，w1_2为输入层到隐含层的第i+1次权值，b1_2为输入层到隐含层的第i+1次阈值，md为附加动量系数。

19、权值w2、阈值b2优化公式为，

20、w2＝w2_1+rl(i)*dw2+md*(w2_1-w2_2)

21、b2＝b2_1+rl(i)*db2+md*(b2_1-b2_2)

22、其中dw2为输出层计算值与实际值的误差，w2_1为隐含层到输出层的第i次权值，b2_1为隐含层到输出层的第i次阈值，w2_2为隐含层到输出层的第i+1次权值，b2_2为隐含层到输出层的第i+1次阈值。

23、发明的有益效果：针对目前复材固化应力理论公式复杂、仿真工作量大重复性工作多、试验测量则对复材内部结构产生影响且测试成本高等问题，本发明提出了一种基于神经网络的复材固化应力计算方法，该方法通过构造复材固化应力数据矩阵，建立基于优化的神经网络应力模型，能对不同工艺参数下复材结构应力变化趋势和数值进行分析和预测，是一种准确、快速的复材结构固化应力计算方法。

技术特征：

1.一种基于神经网络的复材固化应力计算方法，其特征在于包括以下步骤：

2.根据权利要求1所述的一种基于神经网络的复材固化应力计算方法，其特征在于所述的步骤三中，建立的神经网络模型包含输入层、隐含层和输出层。

3.根据权利要求2所述的一种基于神经网络的复材固化应力计算方法，其特征在于所述的输入层节点数据为固化时间、固化温度、不同铺层方式、增强体体积分数，输出层节点数据为对应于固化时间、固化温度、不同铺层方式、增强体体积分数的固化应力。

4.根据权利要求2所述的一种基于神经网络的复材固化应力计算方法，其特征在于所述的隐含层的节点数nhide为

5.根据权利要求1-4中任意权利要求所述的一种基于神经网络的复材固化应力计算方法，其特征在于所述的对神经网络模型的权重和阈值进行迭代优化的具体过程为：

技术总结
本发明公开了一种基于神经网络的复材固化应力计算方法，通过构造不同参数下的复材固化应力数据矩阵，建立基于神经网络的复材固化应力数学模型，可以得到不同固化参数下的复材固化应力曲线，计算结果表明，该模型不仅能对复材固化应力随时间变化趋势进行准确描述，且可以准确描述不同固化参数对复材固化应力的影响，是一种快速准确的复材固化应力计算方法。

技术研发人员：刘若璇,石文雄,宋居正,田芳方,王新峰,李卫平
受保护的技术使用者：中航西安飞机工业集团股份有限公司
技术研发日：
技术公布日：2024/1/14