|
基于机器学习的复合材料层压板刚度退化预测
2016年，Agrawal和Choudhary提出了四种科学范式：经验、理论、计算和数据驱动，揭示了基于数据的方法解决科学问题的巨大潜力。近年来，机器学习也被用于解决复合材料力学问题，为使用最先进的计算方法进行力学研究提供了新的视角 最大似然法是一种寻找输入输出参数之间关系的有效方法，在复合材料的研究中具有很大的潜力。对于单向纤维增强层合板以及短纤维增强、二维机织物和三维机织物等复合材料，通常需要大量的实验来获得它们的力学性能。而最大似然法可以找出不同增强结构的复合材料之间的力学性能映射关系。 对于非线性回归，核岭回归( kernel ridge regression ，KRR)是一种强大的最大似然回归方法，具有高精度和高时间效率的特点，将KRR模型应用于复合材料层合板的非线性本构模型在理论上是合理的，且成本较低。 这篇文章用KRR模型预测了含基体裂纹的正交铺设复合材料层合板的当量轴向弹性模量。基于已发表的实验数据和少量的有限元分析结果，建立了ML模型的数据集。通过一系列尝试，得到了最优机器学习模型，该模型可直接用于预测[0m/90n]s复合材料层合板的轴向弹性模量退化。文中还讨论了数据量对精度的影响。文章的目的是将损伤力学问题转化为机器学习的非线性回归问题。所提出的机器学习模型侧重于实验数据之间的映射，而不是提供具有理想化假设和简化的力学模型。这样，基于数据的方法有望应用于各种增强结构的复合材料，以及疲劳、界面特征和层间断裂等复杂的力学问题，同时，机器学习方法也为工程实践提供了一种准确而有效的解决方案，有助于工程实践。 文章发表在复合材料领域顶刊《Composites Science and Technology》中，论文标题为“Prediction of stiffness degradation based on machine learning: Axial elastic modulus of [0m /90n ]s composite laminates”。
含裂纹正交层压板
机器学习流程图
三重交叉验证示意图 备注：交叉验证(cross validation，CV)，交叉验证是一种评价机器学习训练效果的方法。主要用于建模应用中，在给定的建模样本中，拿出大部分样本进行建模，留小部分样本用刚建立的模型进行预报，并求这小部分样本的预报误差。
预测值与有限元、试验结果的对比 原始文献： Mingqing Yuan, Haitao Zhao, Yuehan Xie, Hantao Ren, Li Tian, Zhuoxin Wang, Boming Zhang, Ji'an Chen, Prediction of stiffness degradation based on machine learning: Axial elastic modulus of [0m /90n ]s composite laminates, Composites Science and Technology, Volume 218, 2022, 109186, ISSN 0266-3538, https:///10.1016/j.compscitech.2021.109186. 原文链接： https://www./science/article/abs/pii/S026635382100542X?via%3Dihub
|
|
|
