CN109858152A - 一种预测含初始分层损伤复合材料的剩余疲劳寿命的方法 - Google Patents
一种预测含初始分层损伤复合材料的剩余疲劳寿命的方法 Download PDFInfo
- Publication number
- CN109858152A CN109858152A CN201910094895.2A CN201910094895A CN109858152A CN 109858152 A CN109858152 A CN 109858152A CN 201910094895 A CN201910094895 A CN 201910094895A CN 109858152 A CN109858152 A CN 109858152A
- Authority
- CN
- China
- Prior art keywords
- fatigue life
- composite material
- delamination
- delamination damage
- parameter
- 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.)
- Granted
Links
Classifications
-
- 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
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明提供了一种预测含初始分层损伤复合材料的剩余疲劳寿命的方法,本发明将模态频率‑剩余疲劳寿命数据库用于训练人工智能算法,将模态频率作为输入,疲劳寿命作为输出,构建出频率数据与疲劳寿命数据一一映射的疲劳寿命预测模型;然后测量待测样品的模态频率,将该实测频率输入疲劳寿命预测模型,得到复合材料层合板的剩余疲劳寿命。本发明提供了一种预测含初始分层损伤复合材料的剩余疲劳寿命的方法,本发明的方法只需采用振动设备采集频率,并进而预测疲劳寿命,简便易行;本发明能够进行在线预测、对复合材料无损伤、成本低、相对于其他现有的疲劳寿命预测方法而言,操作简便,预测精度较好。
Description
技术领域
本发明涉及复合材料疲劳寿命测试领域,具体涉及一种预测含初始分层损伤复合材料的剩余疲劳寿命的方法。
背景技术
纤维增强复合材料具有高的比强度、比模量、可设计性、耐腐蚀性等优点,现已广泛应用于航空航天、建筑土木、能源交通、海洋工程等领域。在工程应用中,许多纤维增强复合材料构件或部件在工作中长期承受反复作用的交变载荷,材料内部会逐渐萌生裂纹,随着疲劳损伤的不断累积,复合材料的强度与刚度严重下降,材料的使用寿命大大缩短。目前,对不含初始损伤的复合材料进行疲劳寿命预测的相关研究较多,但对本身已经含有初始损伤,如在制造过程中由于预浸带被污染,或是热压过程中树脂中的挥发性物质未被排出等原因导致复合材料层压板发生层与层之间局部脱粘,或由于外界撞击导致复合材料内部发生分层缺陷等,这类含初始分层损伤的复合材料在实际应用中经常遇到,但对这类复合材料的疲劳寿命复合材料的剩余疲劳寿命进行预测的相关工作却较少。并且,含有初始缺陷的复合材料在疲劳荷载下,初始分层损伤会加速扩展,导致疲劳寿命快速下降,现有的不含初始缺陷的疲劳寿命预测模型不再适用这类情况,因此,有必要针对含初始分层损伤的复合材料进行疲劳寿命预测。
现有的疲劳寿命预测技术主要针对无损伤复合材料,不考虑复合材料中含有初始损伤,这类基于无损初始状态的模型无法用于预测含有初始损伤的复合材料的疲劳寿命复合材料的剩余疲劳寿命。
现有技术主要通过剩余强度和剩余刚度这些参量来预测疲劳寿命,首先,测量复合材料的剩余强度和剩余刚度都无法在线进行,即需要将正在服役的复合材料构件拆下来再放到测试设备上进行测量;其次,测量这些参量需要借助较为昂贵的试验设备,如疲劳试验机;第三,通过剩余强度手段来表征疲劳寿命时还将破坏复合材料试件,属于破坏性的测试过程,一条试件只能得到一个数据点,建立疲劳寿命预测模型的成本比较高。
发明内容
本发明的目的在于克服现有技术存在的不足之处而提供一种预测含初始分层损伤复合材料的剩余疲劳寿命的方法。
为实现上述目的,本发明采取的技术方案为:一种预测含初始分层损伤复合材料的剩余疲劳寿命的方法,所述方法包括以下步骤:
(1)建立一个含初始分层损伤的复合材料的第一有限元模型,进行模态分析,得到初始分层损伤参数下的模态频率数据;
(2)建立一个含初始分层损伤的复合材料的第二有限元模型,进行疲劳荷载下的分层扩展分析至所述复合材料失效,得到初始分层损伤参数下的疲劳寿命数据,步骤(1)中的含初始分层损伤的复合材料和步骤(2)中的含初始分层损伤的复合材料相同;
(3)将一系列分层损伤的参数分别输入到第一有限元模型、第二有限元模型,分别得到与所述分层损伤参数一一映射的模态频率数据和与所述分层损伤参数一一映射的疲劳寿命数据,将模态频率数据、疲劳寿命数据组合,得到“模态频率和疲劳寿命一一映射”的数据库;
(4)将“模态频率和疲劳寿命一一映射”的数据库,用于训练人工智能算法,将所述数据库中的模态频率作为输入,疲劳寿命作为输出,构建出模态频率数据与疲劳寿命数据一一映射的疲劳寿命预测模型;
(5)测量待测含初始分层损伤复合材料的模态频率,将待测样品的模态频率输入所述疲劳寿命预测模型,预测得到含初始分层损伤复合材料的剩余疲劳寿命,步骤(5)中的待测含初始分层损伤复合材料的条件与步骤(1)中第一有限元模型的条件一致。
发明人发现含初始分层损伤的复合材料的剩余疲劳寿命与频率具有显著的相关性,然后提出以复合材料的频率值来表征复合材料疲劳过程中的分层扩展损伤,根据这一发现,发明人提出了一种预测含初始分层损伤复合材料的剩余疲劳寿命的方法,本发明的方法只需采用简便易得的振动设备采集频率,并进而预测疲劳寿命,简便易行。
本发明方法具有较大的预测精度。相对于剩余刚度方法模型而言,剩余刚度的缺点之一便是对复合材料内部微小的分层损伤不太敏感,而往往在复合材料疲劳寿命的后期,会出现刚度迅速下降,即材料“突然死亡”段;而本发明的方法对复合材料微小损伤较为敏感,频率的变化存在一种基于刚度变化后的放大效应,且频率有很多阶,可以从中选取对损伤最敏感的某一阶频率用于疲劳寿命预测,这样可以保证疲劳寿命预测的精度。
优选地,步骤(3)中的分层损伤参数包括分层损伤的位置、分层损伤的面积、分层损伤的界面。
优选地,步骤(2)中进行疲劳荷载下的分层扩展分析的方法包括以下步骤:进行分层扩展实验,获取含初始分层损伤的复合材料的分层扩展的经验参数;根据所述经验参数设置分层扩展模型的失效准则,对第二有限元模型在循环荷载下进行从扩展到失效的疲劳分析得到疲劳寿命数据。
优选地,所述含初始分层损伤的复合材料层合板的分层扩展的经验参数包括断裂韧性和层间强度。
优选地,步骤(5)中所述待测含初始分层损伤复合材料的条件包括尺寸和边界。
优选地,所述人工智能算法为人工神经网络ANN(Artificial Neural Network)。
本发明还提供一种预测含初始分层损伤复合材料的疲劳寿命复合材料的剩余疲劳寿命的系统,所述系统包括:
第一建模模块,用于建立一个含初始分层损伤的复合材料的第一有限元模型,所述第一有限元模型用以进行结构的模态分析;
第一分析模块,用于通过第一有限元模型,进行模态分析,得到初始分层损伤参数下的模态频率数据;
第二建模模块,用于建立一个含初始分层损伤的复合材料的第二有限元模型,所述第二有限元模型用于分层扩展分析,所述第二建模模块与第一建模模块中的含初始分层损伤的复合材料相同;
第二分析模块,用于通过第二有限元模型,进行疲劳荷载下的分层扩展分析至所述复合材料失效,得到初始分层损伤参数下的疲劳寿命数据;
第一处理模块,用于输入一系列分层损伤参数到第一有限元模型,得到与所述分层损伤的参数一一映射的模态频率数据;
第二处理模块,用于输入一系列不同的分层损伤参数到第二有限元模型,得到与所述分层损伤的参数一一映射的疲劳寿命数据,所述输入第二有限元模型的分层损伤参数与输入第一有限元模型的分层损伤参数一致;
第三建模模块,用于将与所述分层损伤参数一一映射的模态频率数据和与所述分层损伤参数一一映射的疲劳寿命数据组合,得到“模态频率和疲劳寿命一一映射”的数据库,并将“模态频率和疲劳寿命一一映射”的数据库,用于训练人工智能算法,将所述数据库中的模态频率作为输入,疲劳寿命作为输出建立所述模态频率数据与所述疲劳寿命数据一一映射的疲劳寿命预测模型;
采集模块,用于采集待测样品的模态频率,待测样品的条件与第一有限元模型的条件一致;
计算模块,用于输入采集模块得到的模态频率至第三建模模块建立的疲劳寿命预测模型,计算得到复合材料的疲劳寿命。
优选地,所述分层损伤参数包括分层损伤的位置、分层损伤的面积、分层损伤的界面。
优选地,所述第二分析模块包括采集单元、建模单元、分析单元,所述采集单元用于采集含初始分层损伤的复合材料的分层扩展的经验参数、含初始分层损伤的复合材料的应力,所述建模单元用于根据分层扩展的经验参数构建分层扩展模型,所述分析单元用于在所述采集单元采集的应力下根据分层扩展模型进行疲劳分析得到疲劳寿命。
优选地,所述含初始分层损伤的复合材料的分层扩展的经验参数包括断裂韧性和层间强度。
优选地,采集模块中所述待测样品的条件包括尺寸和边界。
优选地,所述人工智能算法为人工神经网络ANN(Artificial Neural Network)。
本发明的有益效果在于:本发明提供了一种预测含初始分层损伤复合材料的疲劳寿命复合材料的剩余疲劳寿命的方法,本发明的方法只需采用振动采集设备采集频率,并进而预测疲劳寿命,简便易行;频率可以在复合材料构件处于服役状态时进行测试,不干扰复合材料试件的实际使用,本发明能够进行在线预测含初始缺陷的复合材料的疲劳寿命复合材料的剩余疲劳寿命;本发明的方法对于待预测的含初始分层损伤复合材料无损伤;本发明构建模型不需要对含初始分层损伤复合材料进行剩余强度破坏实验,所需的试件数量较少,实验的成本低;本发明的方法相对于根据剩余刚度预测的方法而言具有较大的预测精度;本发明的方法运用人工智能算法进行数据的训练,预测具有稳定性、收敛性、容错性、鲁棒性;本发明的方法计及系统,对于不同尺寸的材料,仅仅需要通过修正有限元模型的尺寸等参数,再进行样本数据库的运行,建立到算法训练即可,并不需要不同尺寸构件的真实样本,减少预测成本,只需要对少量试件材料进行实验以便对本预测模型中涉及到的有限元模型进行验证以及修正,建立的预测模型具有普适性。
附图说明
图1为本发明实施例的预测含初始分层损伤复合材料的疲劳寿命复合材料的剩余疲劳寿命的方法的流程示意图。
具体实施方式
为更好的说明本发明的目的、技术方案和优点,下面将结合具体实施例对本发明作进一步说明。
实施例1
一种预测含初始分层损伤复合材料的疲劳寿命复合材料的剩余疲劳寿命的方法,所述方法包括以下步骤:
(1)建立一个含初始分层损伤的复合材料的第一有限元模型,进行模态分析,得到初始分层损伤参数下的模态频率数据;
(2)建立一个含初始分层损伤的复合材料的第二有限元模型,利用复合材料的经验参数构建分层扩展模型,再进行应力分析,在所述应力下,利用分层扩展模型进行疲劳荷载下的分层扩展分析至所述复合材料失效,得到疲劳寿命数据,步骤(1)中的含初始分层损伤的复合材料和步骤(2)中的含初始分层损伤的复合材料相同;
(3)将一系列分层损伤的参数分别输入到第一有限元模型、第二有限元模型,分别得到与所述分层损伤参数一一映射的模态频率数据和与所述分层损伤参数一一映射的疲劳寿命数据,将模态频率数据、疲劳寿命数据组合,得到“模态频率和疲劳寿命一一映射”的数据库,所述分层损伤参数包括分层损伤的位置、分层损伤的面积、分层损伤的界面;
(4)将“模态频率和疲劳寿命一一映射”数据库,用于训练人工智能算法,将所述数据库中的模态频率作为输入,所述数据库中的疲劳寿命作为输出,构建出模态频率数据与疲劳寿命数据一一映射的疲劳寿命预测模型,所述人工智能算法为人工神经网络ANN(Artificial Neural Network);
(5)测量待测含初始分层损伤复合材料的模态频率,将待测样品的模态频率输入所述疲劳寿命预测模型,预测得到含初始分层损伤复合材料的剩余疲劳寿命,所述待测含初始分层损伤复合材料的条件与步骤(1)中第一有限元模型的条件一致;
其中,所述步骤(1)中、步骤(2)中的复合材料为相同的层合板;
步骤(2)中根据VCCT(虚拟裂纹闭合技术)或者cohesive单元(粘结单元技术)进行建模,
步骤(2)中所述复合材料的经验参数指断裂韧性,所述复合材料的经验参数由分层扩展实验测得。
实施例2
作为本发明实施例的一种预测含初始分层损伤复合材料的疲劳寿命复合材料的剩余疲劳寿命的系统,所述系统包括:
第一建模模块,用于建立一个含初始分层损伤的复合材料的第一有限元模型,所述第一有限元模型用以进行结构的模态分析;
第一分析模块,用于通过第一有限元模型,进行模态分析,得到初始分层损伤参数下的模态频率数据;
第二建模模块,用于建立一个含初始分层损伤的复合材料的第二有限元模型,所述第二有限元模型用于分层扩展分析,所述第二建模模块与第一建模模块中的含初始分层损伤的复合材料相同;
第二分析模块,用于通过第二有限元模型,进行疲劳荷载下的分层扩展分析至所述复合材料失效,得到初始分层损伤参数下的疲劳寿命数据;
第一处理模块,用于输入一系列分层损伤参数到第一有限元模型,得到与所述分层损伤的参数一一映射的模态频率数据;
第二处理模块,用于输入一系列不同的分层损伤参数到第二有限元模型,得到与所述分层损伤的参数一一映射的疲劳寿命数据,所述输入第二有限元模型的分层损伤参数与输入第一有限元模型的分层损伤参数一致;
第三建模模块,用于将与所述分层损伤参数一一映射的模态频率数据和与所述分层损伤参数一一映射的疲劳寿命数据组合,得到“模态频率和疲劳寿命一一映射”的数据库,并将“模态频率和疲劳寿命一一映射”的数据库,用于训练人工智能算法,将所述数据库中的模态频率作为输入,疲劳寿命作为输出建立所述模态频率数据与所述疲劳寿命数据一一映射的疲劳寿命预测模型;
采集模块,用于采集待测样品的模态频率,所述待测样品的条件与第一有限元模型的条件一致;
计算模块,用于输入采集模块得到的模态频率至第三建模模块建立的疲劳寿命预测模型,计算得到复合材料的疲劳寿命;
所述第二分析模块包括采集单元、建模单元、分析单元,所述采集单元用于采集含初始分层损伤的复合材料的分层扩展的经验参数、含初始分层损伤的复合材料的应力,所述建模单元用于根据分层扩展的经验参数构建分层扩展模型,所述分析单元用于在所述采集单元采集的应力下根据分层扩展模型进行疲劳分析得到疲劳寿命。
最后所应当说明的是,以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (10)
1.一种预测含初始分层损伤复合材料的剩余疲劳寿命的方法,其特征在于,所述方法包括以下步骤:
(1)建立一个含初始分层损伤的复合材料的第一有限元模型,进行模态分析,得到初始分层损伤参数下的模态频率数据;
(2)建立一个含初始分层损伤的复合材料的第二有限元模型,进行疲劳荷载下的分层扩展分析至所述复合材料失效,得到初始分层损伤参数下的疲劳寿命数据,步骤(1)中的含初始分层损伤的复合材料和步骤(2)中的含初始分层损伤的复合材料相同;
(3)将一系列分层损伤的参数分别输入到第一有限元模型、第二有限元模型,分别得到与所述分层损伤参数一一映射的模态频率数据和与所述分层损伤参数一一映射的疲劳寿命数据,将模态频率数据、疲劳寿命数据组合,得到“模态频率和疲劳寿命一一映射”的数据库;
(4)将“模态频率和疲劳寿命一一映射”的数据库,用于训练人工智能算法,将所述数据库中的模态频率作为输入,疲劳寿命作为输出,构建出模态频率数据与疲劳寿命数据一一映射的疲劳寿命预测模型;
(5)测量待测含初始分层损伤复合材料的模态频率,将待测样品的模态频率输入所述疲劳寿命预测模型,预测得到含初始分层损伤复合材料的剩余疲劳寿命,步骤(5)中的待测含初始分层损伤复合材料的条件与步骤(1)中第一有限元模型的条件一致。
2.根据权利要求1所述的方法,其特征在于,步骤(3)中的分层损伤参数包括分层损伤的位置、分层损伤的面积、分层损伤的界面。
3.根据权利要求1所述的方法,其特征在于,步骤(2)中进行疲劳荷载下的分层扩展分析的方法包括以下步骤:进行分层扩展实验,获取含初始分层损伤的复合材料的分层扩展的经验参数;根据所述经验参数设置分层扩展模型的失效准则,对第二有限元模型在循环荷载下进行从扩展到失效的疲劳分析得到疲劳寿命数据。
4.根据权利要求3所述的方法,其特征在于,所述含初始分层损伤的复合材料的分层扩展的经验参数包括断裂韧性和层间强度。
5.根据权利要求3所述的方法,其特征在于,所述疲劳荷载为压-压疲劳荷载或者拉-压疲劳荷载。
6.根据权利要求1所述的方法,其特征在于,步骤(5)中所述待测含初始分层损伤复合材料的条件包括尺寸和边界。
7.一种预测含初始分层损伤复合材料的剩余疲劳寿命的系统,其特征在于,所述系统包括:
第一建模模块,用于建立一个含初始分层损伤的复合材料的第一有限元模型,所述第一有限元模型用以进行结构的模态分析;
第一分析模块,用于通过第一有限元模型,进行模态分析,得到初始分层损伤参数下的模态频率数据;
第二建模模块,用于建立一个含初始分层损伤的复合材料的第二有限元模型,所述第二有限元模型用于分层扩展分析,所述第二建模模块与第一建模模块中的含初始分层损伤的复合材料相同;
第二分析模块,用于通过第二有限元模型,进行疲劳荷载下的分层扩展分析至所述复合材料失效,得到初始分层损伤参数下的疲劳寿命数据;
第一处理模块,用于输入一系列分层损伤参数到第一有限元模型,得到与所述分层损伤的参数一一映射的模态频率数据;
第二处理模块,用于输入一系列分层损伤参数到第二有限元模型,得到与所述分层损伤的参数一一映射的疲劳寿命数据,所述输入第二有限元模型的分层损伤参数与输入第一有限元模型的分层损伤参数一致;
第三建模模块,用于将与所述分层损伤参数一一映射的模态频率数据和与所述分层损伤参数一一映射的疲劳寿命数据组合,得到“模态频率和疲劳寿命一一映射”的数据库,并将“模态频率和疲劳寿命一一映射”的数据库,用于训练人工智能算法,将所述数据库中的模态频率作为输入,疲劳寿命作为输出建立所述模态频率数据与所述疲劳寿命数据一一映射的疲劳寿命预测模型;
采集模块,用于采集待测样品的模态频率,待测样品的条件与第一有限元模型的条件一致;
计算模块,用于输入采集模块得到的模态频率至第三建模模块建立的疲劳寿命预测模型,计算得到复合材料的疲劳寿命。
8.根据权利要求7所述的系统,其特征在于,所述分层损伤参数包括分层损伤的位置、分层损伤的面积、分层损伤的界面。
9.根据权利要求7所述的系统,其特征在于,所述第二分析模块包括采集单元、建模单元、分析单元,所述采集单元用于采集含初始分层损伤的复合材料的分层扩展的经验参数、含初始分层损伤的复合材料的应力,所述建模单元用于根据分层扩展的经验参数构建分层扩展模型,所述分析单元用于在所述采集单元采集的应力下根据分层扩展模型进行疲劳分析得到疲劳寿命。
10.根据权利要求7所述的系统,其特征在于,所述含初始分层损伤的复合材料的分层扩展的经验参数包括断裂韧性和层间强度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910094895.2A CN109858152B (zh) | 2019-01-29 | 2019-01-29 | 一种预测含初始分层损伤复合材料的剩余疲劳寿命的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910094895.2A CN109858152B (zh) | 2019-01-29 | 2019-01-29 | 一种预测含初始分层损伤复合材料的剩余疲劳寿命的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109858152A true CN109858152A (zh) | 2019-06-07 |
CN109858152B CN109858152B (zh) | 2023-01-24 |
Family
ID=66897047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910094895.2A Active CN109858152B (zh) | 2019-01-29 | 2019-01-29 | 一种预测含初始分层损伤复合材料的剩余疲劳寿命的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858152B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111090933A (zh) * | 2019-12-11 | 2020-05-01 | 中国飞机强度研究所 | 一种复合材料单向层压板寿命预测方法 |
CN111310364A (zh) * | 2020-04-01 | 2020-06-19 | 北京航空航天大学 | 一种以分层面积作为评估指标的含分层损伤层合板损伤容限表征方法 |
CN111597716A (zh) * | 2020-05-19 | 2020-08-28 | 北京航空航天大学 | 一种含分层损伤复合材料层合板的疲劳寿命预测方法 |
CN116628796A (zh) * | 2023-04-13 | 2023-08-22 | 深圳市正昌隆管业有限公司 | 一种复合材料桥架寿命评估方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070272018A1 (en) * | 2006-05-24 | 2007-11-29 | Honeywell International Inc. | Determination of remaining useful life of gas turbine blade |
EP2725337A1 (en) * | 2012-10-24 | 2014-04-30 | Eurocopter Deutschland GmbH | Fatigue management system and method of operating such a fatigue management system |
CN105651496A (zh) * | 2014-11-19 | 2016-06-08 | 中国航空工业集团公司西安飞机设计研究所 | 一种液压导管疲劳寿命指标确定方法 |
-
2019
- 2019-01-29 CN CN201910094895.2A patent/CN109858152B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070272018A1 (en) * | 2006-05-24 | 2007-11-29 | Honeywell International Inc. | Determination of remaining useful life of gas turbine blade |
EP2725337A1 (en) * | 2012-10-24 | 2014-04-30 | Eurocopter Deutschland GmbH | Fatigue management system and method of operating such a fatigue management system |
CN105651496A (zh) * | 2014-11-19 | 2016-06-08 | 中国航空工业集团公司西安飞机设计研究所 | 一种液压导管疲劳寿命指标确定方法 |
Non-Patent Citations (3)
Title |
---|
姜清松: "基于模态频率响应的半挂车车架疲劳寿命预测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
孙益军 等: "含分层损伤复合材料层板压缩分层疲劳扩展研究", 《航空制造技术》 * |
薛掌安 等: "BP神经网络在复合材料研究中的应用", 《材料导报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111090933A (zh) * | 2019-12-11 | 2020-05-01 | 中国飞机强度研究所 | 一种复合材料单向层压板寿命预测方法 |
CN111090933B (zh) * | 2019-12-11 | 2023-04-07 | 中国飞机强度研究所 | 一种复合材料单向层压板寿命预测方法 |
CN111310364A (zh) * | 2020-04-01 | 2020-06-19 | 北京航空航天大学 | 一种以分层面积作为评估指标的含分层损伤层合板损伤容限表征方法 |
CN111597716A (zh) * | 2020-05-19 | 2020-08-28 | 北京航空航天大学 | 一种含分层损伤复合材料层合板的疲劳寿命预测方法 |
CN111597716B (zh) * | 2020-05-19 | 2022-04-29 | 北京航空航天大学 | 一种含分层损伤复合材料层合板的疲劳寿命预测方法 |
CN116628796A (zh) * | 2023-04-13 | 2023-08-22 | 深圳市正昌隆管业有限公司 | 一种复合材料桥架寿命评估方法及系统 |
CN116628796B (zh) * | 2023-04-13 | 2024-05-28 | 深圳市正昌隆管业有限公司 | 一种复合材料桥架寿命评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109858152B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | A novel method of vibration modes selection for improving accuracy of frequency-based damage detection | |
CN109858152A (zh) | 一种预测含初始分层损伤复合材料的剩余疲劳寿命的方法 | |
Vassilopoulos et al. | Fatigue of fiber-reinforced composites | |
Montesano et al. | Modeling fatigue damage evolution in polymer matrix composite structures and validation using in-situ digital image correlation | |
Frieden et al. | Low energy impact damage monitoring of composites using dynamic strain signals from FBG sensors–Part II: Damage identification | |
Brod et al. | Numerical modelling and simulation of fatigue damage in carbon fibre reinforced plastics at different stress ratios | |
Khan et al. | A review of physics-based models in prognostics and health management of laminated composite structures | |
dos Santos Souza et al. | Dynamic response of laminated composites using design of experiments: An experimental and numerical study | |
CN109855991B (zh) | 一种预测复合材料疲劳寿命的方法 | |
Kumar et al. | Experimental validation of modal strain energies based damage identification method for a composite sandwich beam | |
Bois et al. | Monitoring a delamination in a laminated composite beam using in-situ measurements and parametric identification | |
Vogler et al. | Invariant based transversely-isotropic material and failure model for fiber-reinforced polymers | |
Pan et al. | Vibration-based detection of skin-stiffener debonding on composite stiffened panels using surrogate-assisted algorithms | |
Vassilopoulos | Fatigue life prediction of wind turbine blade composite materials | |
Zhang et al. | Vibration modelling of composite laminates with delamination damage | |
Hugaas et al. | Estimating SN curves for local fiber dominated fatigue failure in ring specimens representing filament wound pressure vessels with damage | |
Woo et al. | Effects of Defects: Part B—Progressive Damage Modeling of Fiberglass/Epoxy Composite Structures with Manufacturing Induced Flaws Utilizing Cohesive Zone Elements | |
Pillai et al. | Monitoring Structural Health Using Digital Twin | |
Goldoni et al. | Damage modelling strategies for unidirectional laminates subjected to impact using CZM and orthotropic plasticity law | |
Hammami et al. | Vibration behavior of composite material with two overlapping delaminations | |
Haufe et al. | On composite model calibration for extreme impact loading exemplified on aerospace structures | |
Mari et al. | Residual strength of wound composite pressure vessels subjected to fire exposure | |
He et al. | A numerical study to quantify delamination damage of composite structures using an inverse method | |
Naik et al. | Vibration Analysis of a Cracked Beam Using Various Techniques-A Review | |
Jamadar et al. | Analysis of damage in mono composite leaf spring subjected to multiple cracks scenario |
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 |