CN114117840A - 一种基于仿真和试验数据混合驱动的结构性能预测方法 - Google Patents
一种基于仿真和试验数据混合驱动的结构性能预测方法 Download PDFInfo
- Publication number
- CN114117840A CN114117840A CN202111265826.7A CN202111265826A CN114117840A CN 114117840 A CN114117840 A CN 114117840A CN 202111265826 A CN202111265826 A CN 202111265826A CN 114117840 A CN114117840 A CN 114117840A
- Authority
- CN
- China
- Prior art keywords
- test
- simulation
- model
- data
- test data
- 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
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]
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种基于仿真和试验数据混合驱动的结构性能预测方法,在静力试验中,将有限测量数据和仿真数据结合,建立融合模型,利用大量仿真数据和少量试验数据来提高混合数据构造的代理模型精度,发展变保真度模型构建方法,实现结构状态场重构,通过利用多精度深度神经网络模型,自适应的学习试验数据和仿真数据之间的线性和非线性关系,实现空间维度上的健康预测。在健康监测试验中,利用优化算法对融合模型进行修正,所构建的融合模型融合了健康监测数据,能够反映结构真实物理状态,实现时间维度上的健康预测。本发明充分考虑飞行器的静动力特性和复合材料损伤演化过程与参数变化规律,研究反映结构实时损伤状态和载荷历程的集成多物理量、多参量高保真仿真过程。通过试验数据不断修正有限元模型参数,使得所建立数字原理样机能够对结构的多物理场环境下的力学响应和损伤扩展过程进行高精度映射。
Description
技术领域
本发明属于飞行器结构设计领域,涉及一种基于仿真和试验数据混合驱动的结构性能预测方法。
背景技术
根据飞行器安全性设计理念从静强度、安全寿命、损伤容限到单机追踪的演变,以及飞行器数字孪生概念与内涵发展的历史,可以给出飞行器结构数字孪生的定义:飞行器结构数字孪生是数字线程驱动的多学科、多物理场、多尺度、多保真度、多概率的虚拟性仿真系统,采用在线传感器监测、离线地面检查、飞行器运行历史等多源数据,反映并预测对应飞行器结构实体在全寿命周期内的行为和性能。对于一个数字孪生体,其几何特征、材料属性、载荷信息、检查方法和引发的损伤等都是有差别的。通过对物理实体进行实时监控并将数据传输到构建的虚拟孪生模型中进行仿真,是数字孪生技术的基本模式。飞行器结构数字孪生不是一个静态模型,而是一个动态模型,会随着数据的产生而不断演化,是模型、数据、概率和决策的有机融合。为了实现飞行器结构数字孪生,需要面向其特点,攻克相关的关键技术。从飞行器结构数字孪生的虚实结合、时效性、多学科/多物理性、多尺度/多保真度和概率/不确定性出发,需要通过载荷和损伤数据的获取技术从真实结构上采集飞行器的载荷和损伤状态并映射到虚拟模型上;通过结构多尺度建模和力学分析技术建立飞行器结构的全机多尺度模型,为飞行器结构的载荷响应分析提供快速仿真、全尺寸模拟工具;通过含裂纹复杂结构的精确高效仿真技术建立飞行器结构的高保真度模型,并通过高性能疲劳断裂仿真方法精确计算飞行器损伤扩展;通过基于降阶的数字孪生高效建模技术实现损伤状态的快速预测,满足数字孪生时效性要求;通过考虑不确定性与多源异构数据的剩余寿命评估技术综合考虑飞行器结构中存在的诸多不确定性,实现准确的剩余寿命预测。
飞行器设计中通常需要对性能或质量进行预测,复杂产品性能预测通常涉及多个学科、目标,其中包含耗时的仿真过程或代价高昂的试验过程。代理模型方法是一种近似方法,它将耗时的、需要计算仿真的黑盒函数用简单的、容易计算的数学模型表示,从而使得对模型的优化、空间探索变得可行。在代理模型方法中,变保真度模型作为一种有效且精确的数据融合方法,近年来受到广泛关注。变保真度模型的假设是低保真度模型预测目标函数的整体趋势,高保真度模型用于校正计算结果。变保真度模型由高保真度模型和低保真度模型构成,低保真度模型的计算时间较短,计算精度较低,可以计算数量较多的样本;高保真模型的计算时间较长,计算精度高,只能计算数量较少的样本。高低保真度模型通过桥函数融合。它是构建变保真度模型的关键环节,主要包括加法桥函数、乘法桥函数和混合桥函数。同时,考虑到已有样本可能无法精确近似真实模型,需要采用样本更新策略加入新样本使VFM足够精确有效。近年来诸多学者提出了许多新的变保真度模型方法并应成功应用到实际工程中。HAN等将变保真度模型用于建立RAE2822翼型气动参数的近似模型;XIONG等将变保真度模型和目标导向的采样方法相结合提高模型精度;HAN等提出了一种新的CO-KRG方法建立变保真度模型;ZHENG等提出了一种混合变保真度模型,通过对低保真度模型进行两次校正得到变保真度模型;DONG等利用模型不确定性和卡尔曼滤波方法进行变保真度信息融合;陈小前等建立了飞行器结构、气动、推进等学科的变保真度模型,通过高保真度模型对低保真度模型的替代和校核,提高了总体方案设计精度。
发明内容
本发明的目的在于克服上述缺陷,提供一种基于仿真和试验数据混合驱动的结构性能预测方法,在静力试验中,将有限测量数据和仿真数据结合,建立融合神经网络模型,利用大量仿真数据和少量试验数据来提高混合数据构造的融合神经网络模型精度,发展变保真度模型构建方法,实现结构状态场重构,通过利用多精度深度神经网络模型,自适应的学习试验数据和仿真数据之间的线性和非线性关系,实现空间维度上的健康预测。在健康监测试验中,利用优化算法对融合神经网络模型进行修正,所构建的融合神经网络模型融合了健康监测数据,能够反映结构真实物理状态,实现时间维度上的健康预测。本发明充分考虑飞行器的静动力特性和复合材料损伤演化过程与参数变化规律,研究反映结构实时损伤状态和载荷历程的集成多物理量、多参量高保真仿真过程。通过健康监测试验数据不断修正融合神经网络模型,使得所建立数字原理样机能够对结构的多物理场环境下的力学响应和损伤扩展过程进行高精度映射。
为实现上述发明目的,本发明提供如下技术方案:
一种基于仿真和试验数据混合驱动的结构性能预测方法,包括以下步骤:
(1)采用拉丁方试验设计方法,规划材料级静力和疲劳试验矩阵,并得到静力和疲劳试验矩阵中各项静力和疲劳试验的材料刚度随应变的退化数据;
(2)根据材料刚度随应变的退化数据,构建材料的损伤演化模型;
(3)针对结构级试验,以不同载荷大小和方向为试验设计参数,规划实物试验矩阵,得到实物试验矩阵中各试验设计工况下应力-应变的的结构级试验数据;
(4)根据步骤(3)中规划的实物试验矩阵,构建结构件的有限元数值模型,并构建考虑温度效应和疲劳载荷作用下的静态失效准则;
(5)根据步骤(4)构建的结构件的有限元数值模型和静态失效准则、步骤(2)构建的材料的损伤演化模型以及材料参数,得到步骤(3)中规划的实物试验矩阵中各试验设计工况下应力-应变的结构级仿真数据;
(6)根据步骤(3)所得结构级试验数据,采用高斯过程回归,构建试验数据代理模型;
(7)根据步骤(5)所得结构级仿真数据和步骤(6)构建的试验数据代理模型,得到仿真和试验数据融合函数;
(8)根据上一步所得仿真和试验数据融合函数,以及不同融合神经网络模型参数的仿真试验所得仿真数据,建立融合神经网络模型;采用融合神经网络模型进行结构级健康检测试验,并根据健康监测试验数据,得到修正后的融合神经网络模型;
(9)根据仿真和试验数据融合函数对结构件进行空间维度上的性能预测,根据修正后的融合神经网络模型对结构件进行时间维度上的性能预测。
进一步的,所述步骤(1)中,采用拉丁方试验设计方法,规划材料级静力和疲劳试验矩阵,并得到静力和疲劳试验矩阵中各项静力和疲劳试验的材料刚度随应变的退化数据的具体步骤如下:
(11)采用拉丁方试验设计方法,规划材料级静力和疲劳试验矩阵,试验设计参数包括温度效应,开孔,填充孔,不同铺层和不同应力级别;
(12)进行静力和疲劳试验,得到静力和疲劳试验矩阵中各项静力和疲劳试验中材料刚度随应变的退化数据。
进一步的,所述步骤(2)中,采用数据驱动和神经网络方法,构建复合材料的损伤演化模型如下:
d=d(ε),Qt=dQ
其中,d为损伤因子,ε为应变,Qt为退化后的材料刚度,Q为初始材料刚度。
进一步的,所述步骤(4)中,将温度以及疲劳循环对材料力学性能的影响引入三维Hashin静态失效准则,即可构建考虑温度效应和疲劳载荷作用下的静态失效准则。
进一步的,所述步骤(6)中,高斯过程的表达式为f(x)~GP(m(x),k(x,x′)),其中,f(x)表示满足联合高斯分布的任意假设函数,m(x)表示均值函数;k(x,x′)表示协方差函数,GP表示高斯过程;
进一步的,所述步骤(7)中,根据步骤(5)所得结构级仿真数据,和步骤(6)构建的试验数据代理模型,得到仿真和试验数据融合函数的具体步骤如下:
(71)根据步骤(5)所得结构级仿真数据,和步骤(6)构建的试验数据代理模型ySY,得到差值桥函数代理模型δ(x);
(72)仿真和试验数据融合后模型yRH=ySY+δ(x),其中,ySY为步骤(6)构建的试验数据代理模型。
进一步的,所述步骤(71)根据步骤(5)所得结构级仿真数据,和步骤(6)构建的试验数据代理模型ySY,得到差值桥函数代理模型δ(x)的具体步骤为:
(711)建立差值桥函数代理模型δ(x),所述差值桥函数代理模型δ(x)为基于数据驱动的神经网络模型;
(715)利用δ(xi)对差值桥函数代理模型δ(x)进行训练,得到训练好的差值桥函数代理模型δ(x)。
进一步的,
所述步骤(8)中,融合神经网络模型参数即步骤(5)中的材料参数,包括弹性模量,泊松比和损伤因子;所述健康监测试验数据为实测结构响应;
所述步骤(8)中,t时刻所得修正后的融合神经网络模型为采用前一时刻所得修正后的融合神经网络模型参数重新执行步骤(4)~(8)得到,所述t时刻为不断迭代的时刻。
进一步的,根据健康监测试验数据即实测结构响应对融合神经网络模型参数进行修正的方法为:
(81)记融合神经网络模型的结构响应为f(x),融合神经网络模型参数为x,实测结构响应为y,设置初始融合神经网络模型参数为x0,初始温度为T,温度下限为Tmin;
损失函数loss=|y-f(x)|;
(82)对第l次迭代,执行步骤(83),l=1,2,3……L,L为最大迭代次数;
(83)搜索xnew=xold+η·random(),计算lossnew;并令dE=lossnew-lossold,若dE<0,则接受xnew,否则以概率接受xnew;xnew为本次迭代所得融合神经网络模型参数,xold为上一次迭代所得融合神经网络模型参数,第1次迭代时,xold=1;random()为随机数,范围为0到1;
(84)若l<L且在上一步中未接受xnew,令T=αT,α为温降系数,范围为0到1;
(85)若两次迭代的损失函数变化小于1%,则输出最终融合神经网络模型参数x1,得到修正后的融合神经网络模型。
进一步的,所述步骤(9)中,根据修正后的融合神经网络模型对结构件进行t时刻以后的时间维度上的性能预测。
本发明与现有技术相比具有如下有益效果:
(1)本发明一种基于仿真和试验数据混合驱动的结构性能预测方法是工程设计领域的前沿课题,极大地推动先进飞行器结构数字孪生技术向工程设计实际贴近,而且为未来先进飞行器实现健康监控系统自主设计目标提供理论和方法体系建设的基础,具有重要的意义;
(2)本发明一种基于仿真和试验数据混合驱动的结构性能预测方法中,考虑了复合材料结构在严酷环境下失效模式和损伤演化机理的复杂性,加之材料、载荷因素所衍生的时变性、非线性,具有精细化、实用化的优势;
(3)本发明一种基于仿真和试验数据混合驱动的结构性能预测方法,通过利用深度神经网络模型,自适应的学习试验数据和仿真数据之间的线性和非线性关系,利用优化算法对融合神经网络模型进行修正,有效提高了预测精度;
(4)本发明一种基于仿真和试验数据混合驱动的结构性能预测方法,通过数值仿真和试验验证作为对相同的物理过程的两种近似手段,具有多维度的可信度,由于试验验证的代价大,试验样本少,然而数值仿真的代价相对较低,利用大量仿真数据和少量试验数据有利于提高混合数据构造的代理模型精度。
附图说明
图1为本发明材料级试验矩阵规划示意图;
图2为本发明渐进损伤刚度退化数值模拟结果对比图;
图3为本发明仿真和试验数据混合驱动结构性能预测技术路线;
图4为本发明融合神经网络模型参数修正优化算法寻优过程;
图5为本发明结构应变响应实时监测示意图;
图6为为本发明对融合神经网络模型进行修正的方法示意图。
具体实施方式
下面通过对本发明进行详细说明,本发明的特点和优点将随着这些说明而变得更为清楚、明确。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
一种基于仿真和试验数据混合驱动的结构性能预测方法的设计路线具体实施方式具体步骤如下:
1、采用拉丁方试验设计方法,规划复合材料级静力和疲劳试验矩阵,并得到静力和疲劳试验矩阵中各项静力和疲劳试验的材料刚度随应变的退化数据;
a)采用拉丁方试验设计方法,规划材料级静力和疲劳试验矩阵,试验设计参数包括温度效应,开孔,填充孔,不同铺层和不同应力级别;每个试验对应一个规划典型平板结构件,如图1所示;
b)进行静力和疲劳试验,得到静力和疲劳试验矩阵中各项静力和疲劳试验中材料刚度随应变的退化数据。
2、根据试验刚度退化数据,采用数据驱动和神经网络方法,构建损伤演化模型如下:
d=d(ε),Qt=dQ
其中,d为损伤因子,ε为应变,Qt为退化后的材料刚度,Q为初始材料刚度。
3、针对结构级试验,规划不同载荷大小和方向的实物试验矩阵,在试验件粘贴应变和温度传感器,得到不同试验、不同工况下的传感器数据。
4、针对结构级试验,规划不同载荷大小和方向的数值试验矩阵,构建有限元数值模型,将温度以及疲劳循环对复合材料力学性能的影响引入三维Hashin静态失效准则,如下:
a)1方向纤维拉伸与纤维-基体剪切疲劳失效(σ11≥0):
b)1方向纤维压缩与纤维-基体剪切疲劳失效(σ11<0):
c)2方向基体拉伸疲劳失效(σ22≥0):
d)2方向基体压缩疲劳失效(σ22<0):
e)3方向基体拉伸疲劳失效(σ33≥0):
f)3方向基体压缩疲劳失效(σ33<0):
式中,Xik(n,σ,R,T)和Sij(n,σ,R,T)分别为温度为T、疲劳应力水平为σ、应力比为R时第n疲劳加载循环时单层复合材料各主方向剩余强度。当拉伸时,k为T,当压缩时,k为C。Gij(n,σ,R,T)为第n疲劳循环时相应面内初始剪切剩余刚度,σij(i,j=1,2,3)和τij(i,j=1,2,3)为在复合材料坐标系下的应力分量;X1T(T)、X2T(T)、X3T(T)、X1C(T)、X2C(T)、X3C(T)、S12(T)、S13(T)、S23(T)分别为工况温度为T时,3个方向上的拉伸、压缩与剪切强度;α1T、α1C、α2T、α2C、α3T、α3C为各种失效模式下的剪切贡献因子,这里都取1;αS为剪切非线性因子。
根据结构件的有限元数值模型和静态失效准则以及材料的损伤演化模型,得到实物试验矩阵中各试验设计工况下应力-应变的结构级仿真数据,仿真数据以及试验数据对比如图2所示。
5、根据结构级试验数据,采用高斯过程回归,构建代理模型,具体如下:
高斯过程的表达式为f(x)~GP(m(x),k(x,x′))。
式中:f(x)表示满足联合高斯分布的任意假设函数;m(x)表示均值函数;k(x,x′)表示协方差函数,GP表示高斯过程。
假设自变量不同加载点载荷矢量为x,因变量试验件传感器应力应变响应为ySY,加入噪声即可建立高斯回归过程模型,即试验数据代理模型ySY=f(x)+ε。
6、根据仿真数据与实物数据的差值得到:
7、采用数据驱动和神经网络模型,根据δ(xi),构建差值桥代理模型,从而得到数值和试验数据融合后模型:
yRH=ySY+δ(x)
其中,yRH为仿真和试验数据融合后模型,ySY为试验数据代理模型,δ(x)为差值桥代理模型。
8、可根据结构级静力预试验数据得到的融合后模型yRH预测使用载荷和设计载荷下静力正式试验结构响应和结构性能,对静力正式试验结构性能进行预判,实现空间维度上的健康预测。
9、规划不同融合神经网络模型参数的仿真试验,融合神经网络模型参数包括弹性模量、泊松比、损伤因子等刚度和强度参数,采用数据驱动和神经网络技术,构建融合神经网络模型,并对融合神经网络模型进行修正,如图6所示。
10、针对结构级健康监测试验,仿真和试验数据混合驱动结构性能预测技术路线如图3所示,结构级健康监测试验现场会采集大量的历史数据,如图5所示,根据初始数据,得到仿真和试验数据融合神经网络模型(步骤9模型),形成基于人工智能的全尺寸全寿命结构健康监测评估与预测系统,通过对数据的变化进行模拟、迭代,运用人工智能算法改变模型参数,与载荷类传感器数据一并输入到仿真和试验数据融合神经网络模型中,通过响应对比和优化模型构建,从而得到修正后的融合神经网络模型参数,包括弹性模量、泊松比、损伤因子等刚度和强度信息,每隔周期Tx进行一次模型修正和预测,推算出结构健康状况,可实现时间维度上的健康预测。
11、模型修正优化算法寻优过程如图4所示,采用模拟退火算法,首先通过在已知的参数范围内随机初始化参数,然后在初始化参数的基础上添加随机变动。若变化后的参数结果上更优,则以大概率接受这组参数,以小概率重新进行变化。若变化后的参数结果上不优,则重新进行变化。多次进行上述步骤,直到找到阈值接受范围内的最优参数为止。
a)记仿真和试验数据融合神经网络模型的结构响应为f(x),融合神经网络模型参数为x,实测结构响应为y,设置初始融合神经网络模型的参数为x0,初始温度为T,温度下限为Tmin;
损失函数loss=|y-f(x)|;
b)对第l次迭代,执行步骤c),l=1,2,3……L,L为最大迭代次数;
c)搜索xnew=xold+η·random(),计算lossnew;并令dE=lossnew-lossold,若dE<0,则接受xnew,否则以概率接受xnew;xnew为本次迭代所得融合神经网络模型参数,xold为上一次迭代所得融合神经网络模型参数,第1次迭代时,xold=1;random()为随机数,范围为0到1;
d)若l<L且在上一步中未接受xnew,令T=αT,α为温降系数,范围为0到1;
e)若两次迭代的损失函数变化小于1%,则输出最终结构模型参数x1。
以上结合具体实施方式和范例性实例对本发明进行了详细说明,不过这些说明并不能理解为对本发明的限制。本领域技术人员理解,在不偏离本发明精神和范围的情况下,可以对本发明技术方案及其实施方式进行多种等价替换、修饰或改进,这些均落入本发明的范围内。本发明的保护范围以所附权利要求为准。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (10)
1.一种基于仿真和试验数据混合驱动的结构性能预测方法,其特征在于,包括以下步骤:
(1)采用拉丁方试验设计方法,规划材料级静力和疲劳试验矩阵,并得到静力和疲劳试验矩阵中各项静力和疲劳试验的材料刚度随应变的退化数据;
(2)根据材料刚度随应变的退化数据,构建材料的损伤演化模型;
(3)针对结构级试验,以不同载荷大小和方向为试验设计参数,规划实物试验矩阵,得到实物试验矩阵中各试验设计工况下应力-应变的的结构级试验数据;
(4)根据步骤(3)中规划的实物试验矩阵,构建结构件的有限元数值模型,并构建考虑温度效应和疲劳载荷作用下的静态失效准则;
(5)根据步骤(4)构建的结构件的有限元数值模型和静态失效准则、步骤(2)构建的材料的损伤演化模型以及材料参数,得到步骤(3)中规划的实物试验矩阵中各试验设计工况下应力-应变的结构级仿真数据;
(6)根据步骤(3)所得结构级试验数据,采用高斯过程回归,构建试验数据代理模型;
(7)根据步骤(5)所得结构级仿真数据和步骤(6)构建的试验数据代理模型,得到仿真和试验数据融合函数;
(8)根据上一步所得仿真和试验数据融合函数,以及不同融合神经网络模型参数的仿真试验所得仿真数据,建立融合神经网络模型;采用融合神经网络模型进行结构级健康检测试验,并根据健康监测试验数据,得到修正后的融合神经网络模型;
(9)根据仿真和试验数据融合函数对结构件进行空间维度上的性能预测,根据修正后的融合神经网络模型对结构件进行时间维度上的性能预测。
2.根据权利要求1所述的一种基于仿真和试验数据混合驱动的结构性能预测方法,其特征在于,所述步骤(1)中,采用拉丁方试验设计方法,规划材料级静力和疲劳试验矩阵,并得到静力和疲劳试验矩阵中各项静力和疲劳试验的材料刚度随应变的退化数据的具体步骤如下:
(11)采用拉丁方试验设计方法,规划材料级静力和疲劳试验矩阵,试验设计参数包括温度效应,开孔,填充孔,不同铺层和不同应力级别;
(12)进行静力和疲劳试验,得到静力和疲劳试验矩阵中各项静力和疲劳试验中材料刚度随应变的退化数据。
3.根据权利要求1所述的一种基于仿真和试验数据混合驱动的结构性能预测方法,其特征在于,所述步骤(2)中,采用数据驱动和神经网络方法,构建复合材料的损伤演化模型如下:
d=d(ε),Qt=dQ
其中,d为损伤因子,ε为应变,Qt为退化后的材料刚度,Q为初始材料刚度。
4.根据权利要求1所述的一种基于仿真和试验数据混合驱动的结构性能预测方法,其特征在于,所述步骤(4)中,将温度以及疲劳循环对材料力学性能的影响引入三维Hashin静态失效准则,即可构建考虑温度效应和疲劳载荷作用下的静态失效准则。
6.根据权利要求1所述的一种基于仿真和试验数据混合驱动的结构性能预测方法,其特征在于,所述步骤(7)中,根据步骤(5)所得结构级仿真数据,和步骤(6)构建的试验数据代理模型,得到仿真和试验数据融合函数的具体步骤如下:
(71)根据步骤(5)所得结构级仿真数据,和步骤(6)构建的试验数据代理模型ySY,得到差值桥函数代理模型δ(x);
(72)仿真和试验数据融合后模型yRH=ySY+δ(x),其中,ySY为步骤(6)构建的试验数据代理模型。
7.根据权利要求6所述的一种基于仿真和试验数据混合驱动的结构性能预测方法,其特征在于,所述步骤(71)根据步骤(5)所得结构级仿真数据,和步骤(6)构建的试验数据代理模型ySY,得到差值桥函数代理模型δ(x)的具体步骤为:
(711)建立差值桥函数代理模型δ(x),所述差值桥函数代理模型δ(x)为基于数据驱动的神经网络模型;
(715)利用δ(xi)对差值桥函数代理模型δ(x)进行训练,得到训练好的差值桥函数代理模型δ(x)。
8.根据权利要求1所述的一种基于仿真和试验数据混合驱动的结构性能预测方法,其特征在于,所述步骤(8)中,融合神经网络模型参数即步骤(5)中的材料参数,包括弹性模量,泊松比和损伤因子;所述健康监测试验数据为实测结构响应;
所述步骤(8)中,t时刻所得修正后的融合神经网络模型为采用前一时刻所得修正后的融合神经网络模型参数重新执行步骤(4)~(8)得到,所述t时刻为不断迭代的时刻。
9.根据权利要求1或8所述的一种基于仿真和试验数据混合驱动的结构性能预测方法,其特征在于,根据健康监测试验数据,得到修正后的融合神经网络模型的方法为:
(81)记融合神经网络模型的结构响应为f(x),融合神经网络模型参数为x,实测结构响应为y,设置初始融合神经网络模型参数为x0,初始温度为T,温度下限为Tmin;
损失函数loss=|y-f(x)|;
(82)对第l次迭代,执行步骤(83),l=1,2,3……L,L为最大迭代次数;
(83)搜索xnew=xold+η·random(),计算lossnew;并令dE=lossnew-lossold,若dE<0,则接受xnew,否则以概率接受xnew;xnew为本次迭代所得融合神经网络模型参数,xold为上一次迭代所得融合神经网络模型参数,第1次迭代时,xold=1;random()为随机数,范围为0到1;
(84)若l<L且在上一步中未接受xnew,令T=αT,α为温降系数,范围为0到1;
(85)若两次迭代的损失函数变化小于1%,则输出最终融合神经网络模型参数x1,得到修正后的融合神经网络模型。
10.根据权利要求8所述的一种基于仿真和试验数据混合驱动的结构性能预测方法,其特征在于,所述步骤(9)中,根据修正后的融合神经网络模型对结构件进行t时刻以后的时间维度上的性能预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111265826.7A CN114117840B (zh) | 2021-10-28 | 2021-10-28 | 一种基于仿真和试验数据混合驱动的结构性能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111265826.7A CN114117840B (zh) | 2021-10-28 | 2021-10-28 | 一种基于仿真和试验数据混合驱动的结构性能预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114117840A true CN114117840A (zh) | 2022-03-01 |
CN114117840B CN114117840B (zh) | 2022-09-06 |
Family
ID=80377405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111265826.7A Active CN114117840B (zh) | 2021-10-28 | 2021-10-28 | 一种基于仿真和试验数据混合驱动的结构性能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114117840B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114611389A (zh) * | 2022-03-04 | 2022-06-10 | 北京航空航天大学 | 一种基于人工智能的复合材料失效高效模拟方法 |
CN114626278A (zh) * | 2022-05-16 | 2022-06-14 | 湖南大学 | 一种用于动力电池托架结构性能评估和健康监测的方法 |
CN114861458A (zh) * | 2022-05-26 | 2022-08-05 | 西南交通大学 | 一种基于映射关系代理模型的桥上行车安全快速评价方法 |
CN116522510A (zh) * | 2023-06-28 | 2023-08-01 | 中信戴卡股份有限公司 | 一种用于车轮性能仿真的轮胎材料参数的反演方法及系统 |
CN116562124A (zh) * | 2023-03-31 | 2023-08-08 | 中山大学 | 高速飞行器天线罩烧蚀对电磁性能影响的预测方法和装置 |
CN117540493A (zh) * | 2024-01-09 | 2024-02-09 | 天目山实验室 | 一种飞行器防护结构防护-承载一体化优化设计方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844846A (zh) * | 2016-12-15 | 2017-06-13 | 中国运载火箭技术研究院 | 耐高温复合材料结构多失效模式损伤机理验证方法 |
-
2021
- 2021-10-28 CN CN202111265826.7A patent/CN114117840B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844846A (zh) * | 2016-12-15 | 2017-06-13 | 中国运载火箭技术研究院 | 耐高温复合材料结构多失效模式损伤机理验证方法 |
Non-Patent Citations (3)
Title |
---|
崔建国等: "飞机复合材料结构损伤的预测方法", 《材料科学与工程学报》 * |
李佳等: "基于材料非稳态疲劳损伤过程的可靠性分析智能化仿真方法", 《机械工程学报》 * |
葛承垄等: "面向装备RUL预测的平行仿真技术", 《北京航空航天大学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114611389A (zh) * | 2022-03-04 | 2022-06-10 | 北京航空航天大学 | 一种基于人工智能的复合材料失效高效模拟方法 |
CN114626278A (zh) * | 2022-05-16 | 2022-06-14 | 湖南大学 | 一种用于动力电池托架结构性能评估和健康监测的方法 |
CN114861458A (zh) * | 2022-05-26 | 2022-08-05 | 西南交通大学 | 一种基于映射关系代理模型的桥上行车安全快速评价方法 |
CN116562124A (zh) * | 2023-03-31 | 2023-08-08 | 中山大学 | 高速飞行器天线罩烧蚀对电磁性能影响的预测方法和装置 |
CN116562124B (zh) * | 2023-03-31 | 2024-02-06 | 中山大学 | 高速飞行器天线罩烧蚀对电磁性能影响的预测方法和装置 |
CN116522510A (zh) * | 2023-06-28 | 2023-08-01 | 中信戴卡股份有限公司 | 一种用于车轮性能仿真的轮胎材料参数的反演方法及系统 |
CN116522510B (zh) * | 2023-06-28 | 2023-09-01 | 中信戴卡股份有限公司 | 一种用于车轮性能仿真的轮胎材料参数的反演方法及系统 |
CN117540493A (zh) * | 2024-01-09 | 2024-02-09 | 天目山实验室 | 一种飞行器防护结构防护-承载一体化优化设计方法 |
CN117540493B (zh) * | 2024-01-09 | 2024-04-12 | 天目山实验室 | 一种飞行器防护结构防护-承载一体化优化设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114117840B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114117840B (zh) | 一种基于仿真和试验数据混合驱动的结构性能预测方法 | |
Zenzen et al. | A damage identification technique for beam-like and truss structures based on FRF and Bat Algorithm | |
Karve et al. | Digital twin approach for damage-tolerant mission planning under uncertainty | |
Avci et al. | A review of vibration-based damage detection in civil structures: From traditional methods to Machine Learning and Deep Learning applications | |
Cuong-Le et al. | An efficient approach for damage identification based on improved machine learning using PSO-SVM | |
Cooper et al. | Static load estimation using artificial neural network: Application on a wing rib | |
Ho et al. | An efficient stochastic-based coupled model for damage identification in plate structures | |
Guo et al. | Structural health monitoring by using a sparse coding-based deep learning algorithm with wireless sensor networks | |
CN111209620B (zh) | 含裂纹结构剩余承载力及裂纹扩展路径的预测方法 | |
Fathnejat et al. | An efficient two-stage approach for structural damage detection using meta-heuristic algorithms and group method of data handling surrogate model | |
Pagani et al. | Component-wise damage detection by neural networks and refined FEs training | |
CN114266278A (zh) | 一种基于双重注意力网络的设备剩余使用寿命预测方法 | |
Ding et al. | Jaya-based long short-term memory neural network for structural damage identification with consideration of measurement uncertainties | |
Feng et al. | Experimental-numerical-virtual (ENV) modelling technique for composite structure against low velocity impacts | |
Bandara | Damage identification and condition assessment of building structures using frequency response functions and neural networks | |
Serban et al. | Artificial neural networks model for springback prediction in the bending operations | |
Sutar et al. | Neural based controller for smart detection of crack in cracked cantilever beam | |
Yuan et al. | Structural nonlinear model updating based on an improved generative adversarial network | |
Lazarevska et al. | Determination of fire resistance of eccentrically loaded reinforced concrete columns using fuzzy neural networks | |
Lehký et al. | A utilization of the inverse response surface method for the reliability-based design of structures | |
CN113688465B (zh) | 一种基于载荷与状态结合的飞行器结构强度数字孪生方法 | |
KR20230029132A (ko) | 딥러닝 신경망을 이용한 기계요소 해석 장치 | |
Kumar et al. | Multiple layer radial basis neural network with remora regression tree optimum feature extraction for structural health monitoring | |
CN107145665B (zh) | 一种巷道围岩应力建模与预测方法 | |
Faramarzi | Intelligent computational solutions for constitutive modelling of materials in finite element analysis |
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 |