CN109241649B - 一种基于决策树模型的纤维丝性能检测方法及系统 - Google Patents

一种基于决策树模型的纤维丝性能检测方法及系统 Download PDF

Info

Publication number
CN109241649B
CN109241649B CN201811116054.9A CN201811116054A CN109241649B CN 109241649 B CN109241649 B CN 109241649B CN 201811116054 A CN201811116054 A CN 201811116054A CN 109241649 B CN109241649 B CN 109241649B
Authority
CN
China
Prior art keywords
model
fiber
decision tree
elastic modulus
composite material
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811116054.9A
Other languages
English (en)
Other versions
CN109241649A (zh
Inventor
齐振超
张南茜
孟庆禄
刘勇
陈文亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201811116054.9A priority Critical patent/CN109241649B/zh
Publication of CN109241649A publication Critical patent/CN109241649A/zh
Application granted granted Critical
Publication of CN109241649B publication Critical patent/CN109241649B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明属于复合材料检测技术领域，公开了一种基于决策树模型的纤维丝性能检测方法及系统；在有限元仿真软件中建模仿真，获取用于模型训练与测试的数据；在模型训练前对原始数据进行特征选择，实现数据降维；根据要预测的对象编程建立决策树模型，调节参数得到最佳预测模型。本发明采用机器学习中的决策树回归模型建立了纤维单丝性质与复合材料整体宏观参数之间的联系，模型训练与测试数据均来自Abaqus仿真实验，为避免过拟合出现，本发明在模型训练之前采用L1范数方法进行特征选择。经过参数调节和模型选择，得到有较好的泛化性能的模型，用于纤维丝纵向弹性模量、横向弹性模量和泊松比的预测。

Description

一种基于决策树模型的纤维丝性能检测方法及系统
技术领域
本发明属复合材料检测技术领域，尤其涉及一种基于决策树模型的纤维丝性能检测方法及系统。
背景技术
目前，业内常用的现有技术是这样的：
复合材料是由一种或多种不同物理和化学性质的物质组合而成的多相固体材料，近年来在飞机材料用量中占比持续攀升。复合材料中有一相为连续相，称为基体；另一相为分散相，称为增强相。各相之间取长补短，相得益彰，实现单种材料所不能实现优秀性能。但复合材料的性能却不是各个组成材料性能的简单叠加。纤维丝作为最常用的增强相，由于尺寸极小，传统机械方法难以直接测定其弹性模量等基本参数，因此纤维单丝的性质测定一直是工程上的一个难题。
在大多数工程研究中，比较容易获得材料的宏观机械性能参数。因此建立复合材料宏微观性质之间的联系，从而由复合材料宏观性质得到微观性质是解决该问题的一个思路。为此国内外学者做了各种探索。现有技术一总结分析了二维编织复合材料领域的研究现状，比较了当前通用预浸料技术和刚度失效准则应用的优缺点，回顾了复合材料领域弹性预测的各个模型。现有技术二提出了一种多用途易上手的微观复合材料模型，该模型可以模拟仿真二维编织复合材料在任意载荷下的弹性、弹塑性和应力极限。现有技术三提出了一种在编织模型建立后基于数值模拟和数学建模的分析方法。现有技术四采用MTI微型拉伸试验机测试了标距为250mm的玄武岩纤维丝的拉伸性能，利用MTS万能试验机对不同标距纤维丝进行了准静态拉伸实验，结果表明玄武岩力学性能受标距长度影响。现有技术五采用微观力学强度理论，通过对碳纤维树脂复合材料进行横向、纵向静态拉伸、压缩和弯曲实验得到层合板力学性能和强度指标，又建立了碳纤维树脂基复合材料的微观力学模型，获取了树脂基和纤维不同位置的载荷应力放大系数和热载荷应力放大系数，与宏观实验结果对比验证微观结构的正确性。这些成果总结起来主要分为实地实验和理论分析两种方式，理论分析需要相关人员具备大量背景知识和力学基础，实际测量的方法步骤繁杂且需要专门设备，对操作人员要求较高，因此两种方法均也较难在业界应用。
综上所述，现有技术存在的问题是：
(1)复合材料的性能并不是各个组成材料性能的简单叠加，纤维丝作为最常用的增强相，由于尺寸极小，传统机械方法难以直接测定其弹性模量等基本参数。
(2)目前对纤维丝的检测多为实地实验和理论分析两种方式，理论分析需要相关人员具备大量背景知识和力学基础，实际测量的方法步骤繁杂且需要专门设备，对操作人员要求较高，均较难实现与应用。
(3)纤维丝的实验数据通过实际实验是不可能直接得到的，且变换多组材料做实验开销也很昂贵。
解决上述技术问题的难度和意义：
难度在于如何建立合理的复合材料仿真模型，如何进行合理有效的特征选择，如何建立合适的决策树模型；意义在于通过仿真数据集对决策树模型的训练与测试，建立起在一定误差范围内的针对纤维丝弹性模量与泊松比值预测的一套方法，在以后的需要纤维丝参数的场合，只要输入由该纤维丝参与组成的一种复合材料在拉伸试验中变形参数、载荷大小和该复合材料中基体的弹性模量与泊松比，模型即可给出纤维丝的弹性模量和泊松比预测值，为后续整体复合材料其他参数的计算提供依据，帮助更加深刻地理解复合材料各向相互增强的机理。
发明内容
针对现有技术存在的问题，本发明提供了一种基于决策树模型的纤维丝性能检测方法及系统。
本发明是这样实现的，一种基于决策树模型的纤维丝性能检测方法，包括：
以纤维单丝的轴向弹性模量、径向弹性模量和泊松比为输出变量，通过机器学习中决策树回归模型建立上述参数与复合材料整体在拉伸试验中变形数据的联系，实现对纤维丝参数的预测。
进一步，所述基于决策树模型的纤维丝性能检测方法包括：
建立有限元仿真模型：在Abaqus有限元仿真软件中建立复合材料模型，然后对复合材料整体进行拉伸试验，试验完毕后得到复合材料相关变形参数，将相关变形参数数据按照3：1划分为训练集和测试集，分别用于模型训练和评价模型泛化能力分析；
通过特征选择对相关变形参数数据进行降维，同时挑选出与纤维丝轴向弹性模量、径向弹性模量、泊松比相关系数最大的复合材料板的宏观参数；
建立三个决策树模型用于纤维丝轴向弹性模量、径向弹性模量和泊松比的预测；调节参数得到最佳预测模型。
进一步，所述获取用于模型训练与测试的数据方法为：
步骤一：按照一层纤维布中包含两层纤维丝及相邻层之间正交的情况，选择直径7微米，体积占比60％,排列方式采用均布排列的纤维丝建立有限元模型；
步骤二：得到纤维丝和基体弹性模量与泊松比数据，分别进行交叉实验，得出不同类型纤维丝和基体组合而成的复合材料在不同载荷下的变化状况；
步骤三：采用参考点载荷，以基体的弹性模量和泊松比作为输入变量，纤维丝的弹性模量和泊松比作为输出变量进行单向拉伸有限元仿真。
进一步，特征选择采用L1范数方法进行，对纤维丝轴向弹性模量E1检测采用载荷大小和εz为输入变量；对纤维丝径向弹性模量E2检测采用载荷大小和整体μzy，z、x方向应变为输入变量；对纤维丝泊松比检测采用载荷大小和μzy和z方向为输入变量。
进一步，决策树生成的方法包括：
(1)根据训练集数据和选择标准，挑选出根节点所对应的属性，将样本进行划分；
(2)若根节点划分后的同一类样本中对应的分类结果相同，则生成叶节点并标注类别，停止划分；
(3)若(2)中所述情况不成立，则用划分标准对当前非叶节点继续进行划分；
(4)选择对当前非叶节点划分效果最好的属性对样本集划分，并生成不同的子节点；
(5)子节点采用递归的方式，反复进行(2)～(4)，一直到产生叶节点；
决策树模型通过调节不同的树深和同一树深下不同的随机种子的方式得到最优的模型；轴向弾性模量的最优模型为：
树最大深度＝5，random state＝4：
RMSE:58888.73108983842
Rate of error:0.09429549483535851；
径向弾性模量的最优模型为：
最大树深＝3，random＝6：
RMSE:1375.3967541785746
Rate of error:0.06747625802348253；
泊松比最佳模型为：
最大树深＝4，random state＝6：
RMSE:0.033916891891144094
Rate of error:0.09000512820512828。
本发明的另一目的在于提供一种基于决策树模型的纤维丝性能检测计算机程序，所述基于决策树模型的纤维丝性能检测计算机程序实现所述的基于决策树模型的纤维丝性能检测方法。
本发明的另一目的在于提供一种终端，所述终端至少搭载实现所述基于决策树模型的纤维丝性能检测方法的控制器。
本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的基于决策树模型的纤维丝性能检测方法。
本发明的另一目的在于提供一种实现所述的基于决策树模型的纤维丝性能检测方法的基于决策树模型的纤维丝性能检测控制系统。
本发明的另一目的在于提供一种至少搭载所述基于决策树模型的纤维丝性能检测控制系统的检测飞行器纤维丝材料性能的检测设备。
综上所述，本发明的优点及积极效果为：
本发明采用机器学习中的决策树回归模型，决策树模型具有建模与计算开销小，预测准确度高的特点，是算法研究的活跃领域之一，决策树模型通过训练内部节点层层分割分类决策，采用CART决策树算法，对有限元仿真得到的数据进行学习与测试，得到理想的检测模型。
纤维丝是复合材料中最常见的增强相，其性质与复合材料整体性质联系紧密。但是由于纤维单丝尺寸在细观尺度，对其直接实验测量难度大、操作复杂，因此纤维单丝的性能参数的获取一直是工程难题。本发明采用机器学习中的决策树回归模型建立了纤维单丝性质与复合材料整体宏观参数之间的联系，模型训练与测试数据均来自Abaqus仿真实验，为避免过拟合出现，本发明在模型训练之前采用L1范数方法进行特征选择。经过一系列参数调节和模型选择，得到有较好的泛化性能的模型，可以用于纤维丝轴向弹性模量、径向弹性模量和泊松比的预测。由本发明总结出机器学习算法在飞行器制造领域应用的特点和瓶颈。
本发明通过建立各预测量的最优预测模型，输入测试组数据，将预测值与实际值进行对比，发现轴向弹性模量的预测错误率为0.09429549483535851；径向弹性模量预测错误率为0.06747625802348253；泊松比预测错误率为0.09000512820512828，均在可接受的范围内，基本可说明预测模型的有效性。
Figure SMS_1
Figure SMS_2
附图说明
图1是本发明实施例提供的基于决策树模型的纤维丝性能检测方法流程图；
图2是本发明实施例提供的获取用于模型训练与测试的数据方法流程图；
图3是本发明实施例提供的复合材料有限元模型示意图；
图4是本发明实施例提供的施加载荷后模型整体变形(左)与纤维丝变形情况(右)示意图；
图5是本发明实施例提供的轴向弹性模量特征选择结果示意图；
图6是本发明实施例提供的径向弹性模量特征选择结果示意图；
图7是本发明实施例提供的去掉“载荷”特征后径向弹性模量特征选择结果示意图；
图8是本发明实施例提供的泊松比特征选择结果示意图；
图9是本发明实施例提供的去掉“载荷”特征后泊松比特征选择结果示意图；
图10是本发明实施例提供的树深为3时轴向弹性模量预测结果示意图；
图11是本发明实施例提供的树深为4时轴向弹性模量预测结果示意图；
图12是本发明实施例提供的树深为5时轴向弹性模量预测结果示意图；
图13是本发明实施例提供的树深为6时轴向弹性模量预测结果示意图；
图14是本发明实施例提供的树深为3时径向弹性模量预测结果示意图；
图15是本发明实施例提供的树深为4时径向弹性模量预测结果示意图；
图16是本发明实施例提供的最大树深为4时泊松比预测结果示意图；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明采用机器学习中的决策树回归模型建立了纤维单丝性质与复合材料整体宏观参数之间的联系，模型训练与测试数据均来自Abaqus仿真实验，为避免过拟合出现，本发明在模型训练之前采用L1范数方法进行特征选择，经过一系列参数调节和模型选择，得到有较好的泛化性能的模型，可以用于纤维丝轴向弹性模量、径向弹性模量和泊松比的检测。
本发明以复合材料常用的增强相纤维单丝作为研究对象，纤维单丝的轴向弹性模量、径向弹性模量和泊松比作为输出变量，通过机器学习中决策树回归模型建立起这些参数与复合材料整体在拉伸试验中变形数据建立联系，实现对纤维丝参数的预测。具体包括：
(1)建立有限元仿真模型。在Abaqus有限元仿真软件中建立复合材料模型然后对复合材料整体进行拉伸试验，试验完毕后得到复合材料相关变形参数，本文数据共一百组，按照3：1划分为训练集和测试集，分别用于模型训练和评价模型泛化能力等方面性能。
(2)通过特征选择对数据进行降维，避免训练训练模型过拟合，同时挑选出了与纤维丝轴向弹性模量、径向弹性模量、泊松比相关系数最大的复合材料板的宏观参数，可以指导以后相关研究。
(3)建立了三个决策树模型可以用于纤维丝轴向弹性模量、径向弹性模量和泊松比的预测，经测试集数据验证，模型具有泛化性能。
下面结合附图对本发明的应用原理做详细描述。
如图1所示，本发明实施例提供的基于决策树模型的纤维丝性能检测方法的主要步骤为：
S101：先在有限元仿真软件中建模仿真，获取用于模型训练与测试的数据；
S102：在模型训练前对原始数据进行特征选择，实现了数据降维；
S103：根据要预测的对象编程建立决策树模型，调节参数得到最佳预测模型。
如图2所示，本发明实施例提供的获取用于模型训练与测试的数据方法为：
S201：按照一层纤维布中包含两层纤维丝及相邻层之间正交的情况，选择直径7微米，体积占比60％,其排列方式采用均布排列的纤维丝建立有限元模型；
S202：得到纤维丝和基体弹性模量与泊松比数据，分别进行交叉实验，从而得出不同类型纤维丝和基体组合而成的复合材料在不同载荷下的变化状况；
S203：采用参考点载荷，以基体的弹性模量和泊松比作为输入变量，纤维丝的弹性模量和泊松比作为输出变量进行单向拉伸有限元仿真实验。
本发明实施例提供的特征选择采用L1范数方法进行，对纤维丝轴向弹性模量E1检测采用载荷大小和εz为输入变量；对纤维丝径向弹性模量E2检测采用载荷大小和整体μzy，z、x方向应变为输入变量；对纤维丝泊松比检测采用载荷大小和μzy和z方向为输入变量。
本发明实施例提供的决策树生成的主要步骤为：
(1)根据训练集数据和选择标准，挑选出根节点所对应的属性，将样本进行划分；
(2)若根节点划分后的同一类样本中对应的分类结果相同，则生成叶节点并标注类别，停止划分；
(3)若(2)中所述情况不成立，则用划分标准对当前非叶节点继续进行划分；
(4)选择对当前非叶节点划分效果最好的属性对样本集划分，并生成不同的子节点；
(5)子节点采用递归的方式，反复进行(2)～(4)，一直到产生叶节点。
本发明实施例提供的决策树模型通过调节不同的树深和同一树深下不同的随机种子的方式得到最优的模型；轴向弾性模量的最优模型为：
树最大深度＝5，random state＝4：
RMSE:58888.73108983842
Rate of error:0.09429549483535851；
径向弾性模量的最优模型为：
最大树深＝3，random＝6：
RMSE:1375.3967541785746
Rate of error:0.06747625802348253；
泊松比最佳模型为：
最大树深＝4，random state＝6：
RMSE:0.033916891891144094
Rate of error:0.09000512820512828
下面结合具体实施例对本发明作进一步描述。
实施例1
1.1复合材料细观结构建模与分析
纤维丝具有密度小，比强度大比模量大等诸多优点，是复合材料中最常用的增强材料。纤维丝是纤维结构的基本单元，其直径通常在5～10微米。实际中常用的纤维丝是以纤维织物(交织纱、纤维或长丝所编制的平面纺织品结构)的形式出现的，常见的一束纤维纱中包含纤维丝数目在103数量级上。在常见的复合材料成形中，常用流动的基体将纤维丝渗透环绕，然后通过控制压力与温度使其成形，形成基体连续贯穿复合材料整体，纤维丝分层存在的结构。若所有纤维丝铺放方向均一致，则会引起复合材料的各向异性。为了避免这样的情况，业界常采用变化的铺丝方向进行复合材料成形。
基于复合材料结构上述的特点，按照尽可能还原实际情况的原则进行建模。由于复合材料铺丝中一层纤维布中包含成千上万的纤维，而Abaqus还没有开发三维复合材料建模相关模块，对模型进行简化，按照一层纤维布中包含两层纤维丝的情况进行建模。同时，为模拟铺丝角度变化的情形，对简单的相邻层之间正交的情况进行建模。这里尺寸选择直径7微米的纤维丝，纤维丝体积占比60％,其排列方式采用均布排列。模型如下图3所示。
该模型圆柱部分代表纤维丝，其余部分代表基体，这里每块纤维布由两层纤维丝组成，每层纤维布垂直铺放。后面将对纤维丝和基体分别赋予材料参数，并在此基础上进行实验。
1.2实验设计与数据收集
为得到关于纤维丝弹性模量与泊松比的参数，在软件中设计相关实验。实验设计的原则是应选择在实际生产中容易操作的实验，并且实验完毕后所需的参数应容易获得。基于这样的原则，采用可以体现复合材料弹性模量且容易实现的单向拉伸实验。由于要对纤维丝的轴向弹性模量、径向弹性模量和泊松比进行预测，按照方便测量的原则，实验完毕后分别测量材料整体在x,y,z三个方向上变形最大部位的变形量，得到三个方向的最大应变。同时值得注意的是，为建立仿真拉伸试验过程中施加载荷和实际实验过程中材料承受载荷之间的关系，在建模过程中采用在xy面(即与拉力方向垂直面)外设置参考点，将参考点与xy面建立耦合(coupling)约束，则对参考点施加的力即是整个xy面受力之和。
在建立机器学习模型过程中，采用参考点载荷，材料整体在该载荷作用下在x，y，z方向产生的应变，材料整体的泊松比，以及基体的弹性模量和泊松比作为输入变量，纤维丝的弹性模量和泊松比作为输出变量。但在仿真实验过程中，必须先定义组成复合材料的基体和纤维丝的性能参数才能在其基础上进行有限元仿真实验。为此，通过查找文献得到若干组纤维丝和基体弹性模量与泊松比数据，从中选择10组纤维丝数据、10组基体数据分别进行交叉实验。从而得出100组不同类型纤维丝和基体组合而成的复合材料在不同载荷下的变化状况。这些数据即为后面模型训练与测试的数据集合。
实施例2
2.1特征选择流程
给定一个数据集，其中的一个个属性称之为特征，如本发明中基体的弹性模量，基体的泊松比。从样本的特征集中挑选出与预测量相关性最大的特征子集的过程，称为特征选择。特征选择是数据处理的一种重要手段，其目的是从所有特征集合中挑选出与当前学习任务相关性最大的特征子集，简化模型，提高模型计算开销，降低过拟合的风险。本发明采用L1范数方法进行特征选择。
特征选择一般分为两个步骤，第一个环节是“子集搜索”，第二个环节是“子集评价”。子集搜索是从现有的特征集中挑选出候选特征子集，常用的方法有前向搜索和后向搜索。子集评价是判断当前加入或删除的特征对当前学习任务是否有贡献的过程，经常计算信息熵和信息增益来决定当前特征所蕴含的信息量大小。特征子集搜索机制和子集评价机制结合即可得到特征搜索的方法。
2.2针对预测对象的特征选择
针对要预测的纤维丝轴向弹性系数、径向弹性系数和泊松比，分别进行三次特征选择，依次挑选出对于每个量预测最关键的变量。通过各个特征的权重可以清楚的看到八个输入量在预测纤维丝性质中的重要性排序。
在进行下一步的特征选择结果介绍之前，先对之前的八个输入变量进行排序，以方便后面对于结果的理解。八个特征如表1所示：
表1特征编号
Figure SMS_3
在Python中编写程序后，分别对三个量进行特征选择。
2.2.1针对轴向弹性模量的特征选择
对纤维丝轴向弹性模量E1而言，各个特征的权重如图5所示。
通过对一百组数据的分析，模型挑选出两个特征对E1进行预测，根据上面每个特征对应的权重可知，被挑选的特征是特征0和特征1，即载荷大小和整体在z方向的应变。载荷的施加方向是z方向，轴向弹性模量也是反应z向纤维丝弹性性质的量，这两个量的组合对纤维丝轴向弹性模量的预测是最重要的，因此载荷大小和εz就作为预测E1的两个输入变量。
2.2.2针对径向弹性模量的特征选择
对于纤维丝径向弹性模量E2而言，特征选择模型第一次得到的结果是只选择了载荷大小一个变量，其特征选择结果如下图6。
这样的结果是有问题的，因为纤维丝的径向弹性模量是材料的内部性质，不管外部施加载荷是100N还是1000N，泊松比都不会变化，但是对于特征选择模型而言，并没有掌握这样的知识，由于数据有限，在某种程度上，模型发现了载荷设置和泊松比之间的一种强相关性并将其作为预测泊松比的主要依据，在这个实验中，载荷的大小对泊松比预测是重要的变量无疑，但是将其作为预测的唯一输入得到的将是荒谬的结论。因此在泊松比的预测中，将载荷大小从特征中移除，对剩余七个变量再进行特征选择，第二次特征选择得到的结果如图7。
由数据可知，模型挑选了三个变量作为输入变量，对应上面的特征编号可知这三个变量分别是：整体μzy，z、x方向应变。径向弹性模型是反应纤维丝径向抗拉强度的量，并没有直接的公式计算这个量，但是根据特征选择模型的结果，径向弹性模量与zy面内泊松比，z、x方向关系紧密。因此，将载荷大小和这三个量作为预测E2的输入变量。
2.2.3针对泊松比的特征选择
对于纤维丝泊松比特征选择时出现了与径向弹性模量同样的问题，初步特征选择结果如下图8所示。
把载荷特征移除后再进行特征选择，得到的结果如下图9所示。
这一次模型挑选了两个特征：分别是z方向应变和整体μzy。因此，在后续的泊松比预测模型中，选择载荷大小和μzy和z方向应变作为三个输入。但是需要注意的是，在这个模型中，不能取拟合最好的曲线作为最终模型，因为那将很可能是过拟合的结果。因此在后续的训练中，最终模型的选择将需要一定技巧。
实施例3
3.1决策树流程介绍
决策树模型可以分别实现数据分类和回归，即决策树分类和决策树回归。虽然任务不同，但这两种算法最基础的思想是一致的。本发明主要利用决策树回归算法，
一棵决策树包含一个根节点，若干内部节点和若干个叶节点。叶节点对应于最终的分类结果，内部节点和根节点对应于样本不同的属性，每个属性对应几个不同的值，将样本分为不同的类别。根节点包含全部样本，从根节点开始采取“分而治之”的策略，通过节点对应的属性测试选出最佳划分属性，将样本分为不同的类别。以此类推，最终到达叶节点。从根节点到每个叶节点对应一个判断顺序。
3.2决策树模型搭建与预测结果
根据上面特征选择的结果，分别对纤维丝轴向弹性模量、径向弹性模量和泊松比分别建模进行预测。根据上述的CART算法，利用python编程实现模型学习。
3.2.1轴向弹性模量的预测
E1的学习过程主要包括以下几个步骤：
(1)将全部数据分为训练集和测试集；
(2)生成决策树回归模型对训练集数据进行拟合；
(3)用学习后的模型预测测试集数据的输出值；
(4)将模型的预测值和测试集真实值进行比较，得出预测均方根误差和误差率；
(5)以测试数据序号作为横轴，输出值作为纵轴，分别绘制出模型预测值和真实值的两条曲线。
Scikitlearn中决策树回归模型是按照CART模型进行决策树构建的，这里能够调整树的深度，树的深度越深代表学得的模型越能精准刻画训练集的细节，但是过深的树将造成过拟合，因此为了得到合适的模型，对多个深度的模型树进行了实验。值得注意的是，在树模型回归过程中涉及随机种子的设置，不同的随机种子在同一树深下得到的结果可能也不一样。鉴于本例中训练数据集规模较小，过于复杂的模型过拟合可能性较大，因此理想的模型可以通过设置较小树深，而调节随机种子号得到。按照这样的思路，通过调节不同的树深和同一树深下不同的随机种子，权衡得到最优的模型。具体结果如下：
最大树深＝3，random state＝0:
RMSE:71816.71114772373
rate of error:0.17799528174766416；如图10所示；
最大树深＝4，random state＝0:
RMSE:73982.19419137023
Rate of error:0.19324397306407634；如图11所示；
树最大深度＝5，random state＝4：
RMSE:58888.73108983842
Rate of error:0.09429549483535851；如图12所示；
树最大深度＝6,random state＝0：
RMSE:51408.213891902094
Rate of error:0.08159410064036399；如图13所示。
由此可知，当树最大深度小于6时，随着最大树深的增大，RSME和偏差率基本成降低趋势，其中最大树深从4增大到5后误差降低最多，树深为5时预测误差率在测试集表现9％，这是可以接受的，因此对于E1而言，选择树深为5为最终模型。
3.2.2径向弹性模量的预测
对于径向弹性模量E2而言，由于以上提到的特征选择时出现的问题，因此要严格避免过拟合的出现。可以牺牲一些预测准确度来换取一个泛化的模型。调节模型参数结果如下：
最大树深＝3，random＝6：
RMSE:1375.3967541785746
Rate of error:0.06747625802348253；如图14所示；
最大树深＝4，Random state＝0:
RMSE:428.0067910077935
Rate of error:0.017182096036426172；如图15所示。
当树深大于5时，预测准确率达到100％，但由于之前特征选择的结果，可以确定这样的模型必定是存在过拟合的，因此选择有一定预测错误率但具有泛化性能的模型。简化模型复杂度，降低树深，树深为3和4时，模型的误差率都是可以接受的，树深为4时误差率在1.7％，这样的结果与大于5是很接近，因此泛化性能不能保证。因此选择树深为3作为模型的最终结果。
3.2.3泊松比的预测
用同样的方法对泊松比进行预测，得到泊松比最佳预测模型如下：
最大树深＝4，random state＝6：
RMSE:0.033916891891144094
Rate of error:0.09000512820512828；如图16所示。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于决策树模型的纤维丝性能检测方法，其特征在于，所述基于决策树模型的纤维丝性能检测方法以纤维单丝的轴向弹性模量、径向弹性模量和泊松比为输出变量，通过机器学习中决策树回归模型建立轴向弹性模量、径向弹性模量和泊松比与复合材料整体在拉伸试验中变形数据的联系，实现对纤维丝参数的预测；
所述决策树回归模型包括：
轴向弹性模量的最优模型：树最大深度＝5，random state＝4：RMSE:58888.73108983842；Rate of error:0.09429549483535851；
径向弹性模量的模型：最大树深＝3，random＝6：RMSE:1375.3967541785746；Rate oferror:0.06747625802348253；
泊松比模型为：最大树深＝4，random state＝6：RMSE:0.033916891891144094；Rateof error:0.09000512820512828；
所述基于决策树模型的纤维丝性能检测方法包括：
建立有限元仿真模型：在Abaqus有限元仿真软件中建立复合材料模型，然后对复合材料整体进行拉伸试验，试验完毕后得到复合材料相关变形参数，将相关变形参数数据按照3：1划分为训练集和测试集，分别用于模型训练和评价模型泛化能力分析；
通过特征选择对相关变形参数数据进行降维，同时挑选出与纤维丝轴向弹性模量、径向弹性模量、泊松比相关系数最大的复合材料板的宏观参数；
建立三个决策树模型用于纤维丝轴向弹性模量、径向弹性模量和泊松比的预测；调节参数得到最佳预测模型。
2.如权利要求1所述的基于决策树模型的纤维丝性能检测方法，其特征在于，获取用于模型训练与测试的数据方法为：
步骤一：按照一层纤维布中包含两层纤维丝及相邻层之间正交的情况，选择直径7微米，体积占比60％,排列方式采用均布排列的纤维丝建立有限元模型；
步骤二：得到纤维丝和基体弹性模量与泊松比数据，分别进行交叉实验，得出不同类型纤维丝和基体组合而成的复合材料在不同载荷下的变化状况；
步骤三：采用参考点载荷，以基体的弹性模量和泊松比作为输入变量，纤维丝的弹性模量和泊松比作为输出变量进行单向拉伸有限元仿真。
3.如权利要求1所述的基于决策树模型的纤维丝性能检测方法，其特征在于，特征选择采用L1范数方法进行，对纤维丝轴向弹性模量E1检测采用载荷大小和整体z方向应变εz为输入变量；对纤维丝径向弹性模量E2检测采用载荷大小和整体μzy，z、x方向应变为输入变量；对纤维丝泊松比检测采用载荷大小和μzy和z方向为输入变量。
4.如权利要求1所述的基于决策树模型的纤维丝性能检测方法，其特征在于，决策树生成的方法包括：
(1)根据训练集数据和选择标准，挑选出根节点所对应的属性，将样本进行划分；
(2)若根节点划分后的同一类样本中对应的分类结果相同，则生成叶节点并标注类别，停止划分；
(3)若(2)中情况不成立，则用划分标准对当前非叶节点继续进行划分；
(4)选择对当前非叶节点划分效果最好的属性对样本集划分，并生成不同的子节点；
(5)子节点采用递归的方式，反复进行(2)～(4)，一直到产生叶节点；
决策树模型通过调节不同的树深和同一树深下不同的随机种子的方式得到最优的模型。
5.一种终端，其特征在于，所述终端至少搭载实现权利要求1～4任意一项所述基于决策树模型的纤维丝性能检测方法的控制器。
6.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-4任意一项所述的基于决策树模型的纤维丝性能检测方法。
7.一种实现权利要求1～4任意一项所述的基于决策树模型的纤维丝性能检测方法的基于决策树模型的纤维丝性能检测控制系统。
8.一种至少搭载权利要求7所述基于决策树模型的纤维丝性能检测控制系统的检测飞行器纤维丝材料性能的检测设备。
CN201811116054.9A 2018-09-25 2018-09-25 一种基于决策树模型的纤维丝性能检测方法及系统 Active CN109241649B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811116054.9A CN109241649B (zh) 2018-09-25 2018-09-25 一种基于决策树模型的纤维丝性能检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811116054.9A CN109241649B (zh) 2018-09-25 2018-09-25 一种基于决策树模型的纤维丝性能检测方法及系统

Publications (2)

Publication Number Publication Date
CN109241649A CN109241649A (zh) 2019-01-18
CN109241649B true CN109241649B (zh) 2023-06-09

Family

ID=65057254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811116054.9A Active CN109241649B (zh) 2018-09-25 2018-09-25 一种基于决策树模型的纤维丝性能检测方法及系统

Country Status (1)

Country Link
CN (1) CN109241649B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111177655B (zh) * 2019-12-30 2022-04-22 联想(北京)有限公司 一种数据处理方法、装置及电子设备
CN111831808B (zh) * 2020-07-16 2022-04-22 中国科学院计算机网络信息中心 一种数据驱动的人工智能材料预测系统
CN116018569A (zh) 2020-08-13 2023-04-25 西门子股份公司 模拟增强决策树分析方法、计算机程序产品及系统
CN112180720B (zh) * 2020-09-08 2022-03-15 武汉大学 一种基于模仿学习的纤维铺放工艺参数模型构建方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107478627A (zh) * 2017-08-30 2017-12-15 温州大学激光与光电智能制造研究院 基于荧光纤维丝示踪的壁湍流时空演化过程检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107478627A (zh) * 2017-08-30 2017-12-15 温州大学激光与光电智能制造研究院 基于荧光纤维丝示踪的壁湍流时空演化过程检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Critical thrust force predicting modeling for delamination-free drilling of metal-FRP stacks;Zhenchao Qi 等;《Composite Structures》;20140131;第107卷;第604-609页 *
薄层碳纤维织物预浸料的制备与性能;杨薇薇 等;《纤维复合材料》;20170915;第34卷(第3期);第8-11页 *

Also Published As

Publication number Publication date
CN109241649A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
Qi et al. Prediction of mechanical properties of carbon fiber based on cross-scale FEM and machine learning
CN109241649B (zh) 一种基于决策树模型的纤维丝性能检测方法及系统
CN109241650B (zh) 基于跨尺度仿真的碳纤维增强复合材料力学性能预测方法
Sevenois et al. Fatigue damage modeling techniques for textile composites: review and comparison with unidirectional composite modeling techniques
Olave et al. Internal geometry variability of two woven composites and related variability of the stiffness
Bagherzadeh et al. Prediction of maximum tensile stress in plain-weave composite laminates with interacting holes via stacked machine learning algorithms: A comparative study
CN110020815A (zh) 一种基于网络层次分析法的电网节点综合脆弱性指标计算方法
Sarfaraz et al. A hybrid S–N formulation for fatigue life modeling of composite materials and structures
Lu et al. Effect of interfacial properties on the thermophysical properties of 3D braided composites: 3D multiscale finite element study
CN111024484A (zh) 纤维增强复合材料随机力学性能预测方法
Kim et al. Prediction of stress-strain behavior of carbon fabric woven composites by deep neural network
Hamidi et al. Machine learning applications in polymer composites
CN116048958A (zh) 医疗机器人控制软件测试数据的生成方法、注入方法
Nemeth et al. Evaluation of solid modeling software for finite element analysis of woven ceramic matrix composites
Esmaeeli et al. Simultaneous optimization of elastic constants of laminated composites using artificial bee colony algorithm
Guo et al. Prediction and optimization design for thermal expansion coefficients of three‐dimensional n‐directional‐braided composites
CN110245455B (zh) 一种单向碳纤维增强复合材料的设计方法
CN116467934A (zh) 一种碳纤维预制体参数优化方法
Das et al. Cotton fibre-to-yarn engineering: a simulated annealing approach
Mitra et al. Production of engineered fabrics using artificial neural network–genetic algorithm hybrid model
Du et al. Analysis and modeling of the mechanical behavior of the compaction process of flexible guided 3D weaving
CA2076616C (en) Composites and methods of making the same
Wan et al. Damage analysis of three-dimensional braided composite material using carbon nanotube threads
Wang et al. Micromechanical modeling for longitudinal tensile property of unidirectional CFRP considering dispersion of fiber properties
Tang et al. Prediction of tensile elastic modulus of SiC/SiC mini-composites with the artificial neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant