2016年,AlphaGo战胜世界围棋冠军李世石这一里程碑事件引发了全世界的哗然与震惊,人工智能技术也由此真正走入了人们的视野,并逐渐成为改变人类生产、生活的新技术引擎。近几年,随着AI技术的发展,人工智能在诸多行业都得了广泛的应用。在传统力学领域,如材料基因组、结构健康监测、结构性能预测、智能化设计、流固耦合分析等方面,国内外研究人员也相继开展了广泛的应用探索。
虽然目前将智能化技术应用于力学领域尚不成熟,但探索的过程是非常必要的。本专栏将陆续关注机器学习、深度学习在复合材料力学领域的应用探索。
另外,本专栏持续征稿,欢迎投稿!
欢迎投稿
深度学习加速纤维微结构渗透性的预测
对于由机织、编织或针织纱线作为增强体的聚合物基复合材料 (FRPC) ,内部包含数千根单独的纤维丝。织物结构、纱线几何形状和长丝支数对工艺性以及力学性能都有很大的影响。孔隙网络的渗透率是由织物内的孔隙结构定义的3D张量,纤维微结构的渗透性是预测复合材料制造过程中模具填充时间和树脂流动路径的关键材料特性。
早期,渗透率的测试多基于物理试验测量,随着数值技术的发展,人们越来越关注用基于物理的流动数值模拟来代替费力和复杂的渗透率表征实验。然而,这种数值方法缺乏对纱线变形、嵌套以及纱线内纤维随机分布的表示。通过 X 射线计算机显微断层扫描虽然可以获得微观结构3D几何信息,但微观尺度的流动模拟需要耗费极高的计算资源。
人工神经网络 (ANN) 为渗透率的预测提供了新的解决方案,它可以考虑局部纤维分布模式并将其与体积渗透率联系起来。在该项研究工作中,作者提出了一种通过深度学习,基于2D横截面渗透率来预测3D微观结构渗透率的有效方法。在验证了从2D向3D扩展预测之后,作者研究了以深度学习处理从虚拟和真实微结构中获得的各种尺寸图像的能力。超过 90% 的 2D 预测和3D预测,与通过流动模拟获得的预测结果的误差在±30%以内,而在 3D 情况下,计算时间从几千秒减少到不到 10 秒。这项工作为表征纤维微结构的渗透性提供了一个强大而有效的框架,并为扩展这种能力以估计织物细观结构的渗透性奠定了基础。
Monte-Carlo 方法生成的 EV (Elementary Volumes)
CNN 架构+ 数据训练和验证部分均方差的演变
神经网络预测结果
获得用于渗透率预测的3D图像的操作流程
原始文献:
Caglar B , Broggi G , Ali M A , et al. Deep learning accelerated prediction of the permeability of fibrous microstructures[J]. Composites, Part A. Applied science and manufacturing, 2022(158).
原文链接:
https://www.sciencedirect.com/science/article/pii/S1359835X22001622?via%3Dihub
联系客服