CN115017815A - 含缺陷的复合材料胶接修补结构的强度预测方法及系统 - Google Patents
含缺陷的复合材料胶接修补结构的强度预测方法及系统 Download PDFInfo
- Publication number
- CN115017815A CN115017815A CN202210682720.5A CN202210682720A CN115017815A CN 115017815 A CN115017815 A CN 115017815A CN 202210682720 A CN202210682720 A CN 202210682720A CN 115017815 A CN115017815 A CN 115017815A
- Authority
- CN
- China
- Prior art keywords
- defect
- strength
- composite material
- adhesive bonding
- sample 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
- 230000007547 defect Effects 0.000 title claims abstract description 206
- 238000004026 adhesive bonding Methods 0.000 title claims abstract description 109
- 230000008439 repair process Effects 0.000 title claims abstract description 104
- 239000002131 composite material Substances 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000006378 damage Effects 0.000 claims abstract description 55
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000004088 simulation Methods 0.000 claims description 25
- 239000000835 fiber Substances 0.000 claims description 24
- 239000000463 material Substances 0.000 claims description 24
- 239000002313 adhesive film Substances 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 13
- 238000010008 shearing Methods 0.000 claims description 13
- 238000009659 non-destructive testing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 239000000853 adhesive Substances 0.000 claims description 8
- 230000001070 adhesive effect Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 15
- 230000006870 function Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 239000003292 glue Substances 0.000 description 6
- 239000012790 adhesive layer Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000000418 atomic force spectrum Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000006082 mold release agent Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000009864 tensile test Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明涉及一种含缺陷的复合材料胶接修补结构的强度预测方法及系统，方法包括基于复合材料胶接修补结构，构建样本数据集；构建神经网络模型，并采用样本数据集对神经网络模型进行训练，得到含缺陷的复合材料胶接修补结构强度预测模型；基于所述含缺陷的复合材料胶接修补结构强度预测模型，得到包含大量样本数据的缺陷‑强度数据集；基于缺陷‑强度数据集和损伤指数，得到各类别的缺陷‑强度叠加图，并基于缺陷‑强度叠加图，得到平均缺陷‑强度叠加图；获取含缺陷的复合材料胶接修补结构中的缺陷特征信息图像，并基于平均缺陷‑强度图对含缺陷的胶接结构的强度快速预测。能够对包含外表不可见脱粘损伤的修补结构进行快速且可视化的强度预测。
Description
技术领域
本发明涉及复合材料结构强度预测技术领域，特别是涉及一种含缺陷的复合材料胶接修补结构的强度预测方法及系统。
背景技术
复合材料凭借其出色的力学特性广泛应用于航空航天领域，其修补技术也引起广泛关注。因为复合材料层合板不耐冲击，在服役过程中容易产生损伤，而对于将整个零部件换新而言，进行修补更加经济节约。在众多修补技术中，粘接修补具有抗疲劳性能佳，损伤容限高，强度重量比高的特点，在蒙皮修补和承力结构修补中最为常用。与金属构件的修复相比，复合材料的修复过程更为复杂，加工过程容易引入损伤，如去除损伤材料时可能会损坏层板亚表面，固化不良、脱模剂污染等会导致粘接表面出现脱粘情况。而这些损伤往往会影响结构的力学性能，若不能及时发现，会带来不可估量的后果。
基于超声技术的无损检测可测得此类损伤的形状、尺寸及位置，却无法直接获得该损伤对于结构强度的影响，无法判断损伤存在的情况下，结构的剩余强度是否仍然满足损伤容限要求，能够投入使用。
现有的粘接修补结构强度预测，一般利用被拉伸试验验证过数值仿真模型进行，在粘接修补结构中，胶层是影响整体结构强度的重点，结构的断裂模式以胶层的内聚失效为主，数值模型中利用内聚力单元模拟粘接胶层的损伤失效过程，根据实验数据进行调整，可实现对某一设计参数(修补角度，层合板纤维堆叠次序等)和重点材料参数(胶层的剪切和剥离强度)下的修补结构性能进行预测。这些仿真模型大多认为结构内部完好无损伤，针对某一参数的大批量结构，而不关注特定的某一个修补结构中的脱粘缺陷。若要考虑内部损伤，则需要根据内含的缺陷形状、大小、位置进行针对性的仿真建模计算，而复合材料的修补结构仿真模型构建步骤较为繁琐，而且仿真计算耗时较长。对于千变万化的缺陷特征而言，对每一含缺陷修补结构如此进行剩余强度预测，在工程应用中难以实现。其缺点在于计算缓慢时间成本高，建模复杂。
发明内容
本发明的目的是提供一种含缺陷的复合材料胶接修补结构的强度预测方法及系统，能够对包含外表不可见脱粘损伤的修补结构进行快速且可视化的强度预测。
为实现上述目的，本发明提供了如下方案：
本发明提供了一种含缺陷的复合材料胶接修补结构的强度预测方法，所述方法包括：
基于复合材料胶接修补结构，构建样本数据集；所述样本数据集包括多个样本数据和对应的标签信息；所述样本数据包括复合材料胶接修补结构的缺陷特征信息和材料参数；所述缺陷特征信息包括缺陷的位置、尺寸和形状；所述材料参数包括纤维堆叠次序、修补角度、胶膜剥离强度和剪切强度；所述标签信息为含脱粘缺陷的胶接修补结构和完好胶接修补结构的强度比值；
构建神经网络模型，并采用所述样本数据集对所述神经网络模型进行训练，得到含缺陷的复合材料胶接修补结构强度预测模型；
基于所述含缺陷的复合材料胶接修补结构强度预测模型，得到包含大量样本数据的缺陷-强度数据集；
基于所述缺陷-强度数据集和损伤指数，得到各类别的缺陷-强度叠加图，并基于所述缺陷-强度叠加图，得到平均缺陷-强度叠加图；
获取含缺陷的复合材料胶接修补结构中的缺陷特征信息图像，并基于平均缺陷-强度图，实现对含缺陷的胶接结构的强度快速预测。
可选地，所述基于所述含缺陷的复合材料胶接修补结构强度预测模型，得到包含大量样本数据的缺陷-强度数据集，具体包括：
基于所述材料参数对所述样本数据进行分类，得到多个类别的样本数据；
通过改变任意类别的样本数据中的缺陷特征信息，得到对应类别的更新样本数据；
分别将各类别的更新样本数据输入至所述含缺陷的复合材料胶接修补结构强度预测模型中，得到各类别的更新样本数据对应的强度比值，并生成缺陷-强度数据集；所述缺陷-强度数据集包括不同类别的更新样本数据及其对应的强度比值。
可选地，所述基于所述缺陷-强度数据集和损伤指数，得到各类别的缺陷-强度叠加图，并基于所述缺陷-强度叠加图，得到平均缺陷-强度叠加图，具体包括：
采用损伤指数
重新标记所述缺陷-强度数据集中的各类别的更新样本数据中对应的缺陷特征信息，得到各类别的多幅缺陷-强度图；所述缺陷特征信息为二值矩阵图像；其中，IDef为损伤指数，r为含脱粘缺陷的胶接修补结构和完好胶接修补结构的强度比值，a为二值矩阵图像中缺陷所占网格数目；
将各类别的更新样本数据中对应的多幅缺陷-强度图叠加，得到各类别的缺陷-强度叠加图；
根据各类别的缺陷-强度叠加图中每个网格上的强度比值，以及未进行叠加之前所述网格处出现缺陷的次数求平均值，得到平均缺陷-强度叠加图。
可选地，所述获取含缺陷的复合材料胶接修补结构中的缺陷特征信息图像，并基于平均缺陷-强度图，实现对含缺陷的胶接结构的强度快速预测，具体包括：
通过无损检测方式获取含缺陷的复合材料胶接修补结构中的缺陷特征信息图像；
将所述缺陷特征信息图像与对应的含缺陷的复合材料胶接修补结构的平均缺陷-强度图重叠，并将含缺陷的复合材料胶接修补结构的平均缺陷-强度图中缺陷覆盖的网格区域内所有损伤指数相乘，得到强度比值。
可选地，在获取含缺陷的复合材料胶接修补结构中的缺陷特征信息图像，并基于平均缺陷-强度图，实现对含缺陷的胶接结构的强度快速预测之前，还包括：
绘制修补角度、胶膜剥离强度和剪切强度不同而纤维堆叠次序相同的胶接修补结构对应的精简缺陷-强度图。
可选地，所述强度比值由完好胶接修补结构的数值仿真模型、含脱粘缺陷的胶接修补结构的数值仿真模型以及内聚力模型确定；
其中，所述完好胶接修补结构的数值仿真模型和所述含脱粘缺陷的胶接修补结构的数值仿真模型均基于胶接修补结构的尺寸和材料参数，采用Abaqus软件构建得到；所述内聚力模型用于模拟胶接修补结构中胶膜的拉伸破坏过程，以获得完好胶接修补结构和含脱粘缺陷胶接修补结构的强度。
可选地，所述神经网络模型包括卷积层、归一化层、池化层、激活层、全连接层和丢弃层。
可选地，在采用所述样本数据集对所述神经网络模型进行训练时，采用自适应矩估计优化算法和均方根误差损失函数对所述神经网络模型进行调整，直至所述均方根误差损失函数收敛，则停止训练。
为实现上述目的，本发明还提供了一种含缺陷的复合材料胶接修补结构的强度预测系统，所述系统包括：
神经网络数据集构建单元，用于基于复合材料胶接修补结构，构建样本数据集；所述样本数据集包括多个样本数据和对应的标签信息；所述样本数据包括复合材料胶接修补结构的缺陷特征信息和材料参数；所述缺陷特征信息包括缺陷的位置、尺寸和形状；所述材料参数包括纤维堆叠次序、修补角度、胶膜剥离强度和剪切强度；所述标签信息为含脱粘缺陷的胶接修补结构和完好胶接修补结构的强度比值；
神经网络模型构建单元，用于构建神经网络模型，并采用所述样本数据集对所述神经网络模型进行训练，得到含缺陷的复合材料胶接修补结构强度预测模型；
缺陷-强度数据集构建单元，用于基于所述含缺陷的复合材料胶接修补结构强度预测模型，得到包含大量样本数据的缺陷-强度数据集；
平均缺陷-强度叠加图确定单元，用于基于所述缺陷-强度数据集和损伤指数，得到各类别的缺陷-强度叠加图，并基于所述缺陷-强度叠加图，得到平均缺陷-强度叠加图；
强度预测单元，用于获取含缺陷的复合材料胶接修补结构中的缺陷特征信息图像，并基于平均缺陷-强度图，实现对含缺陷的胶接结构的强度快速预测。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种含缺陷的复合材料胶接修补结构的强度预测方法及系统，所述方法包括：基于复合材料胶接修补结构，构建样本数据集；构建神经网络模型，并采用所述样本数据集对所述神经网络模型进行训练，得到含缺陷的复合材料胶接修补结构强度预测模型；基于所述含缺陷的复合材料胶接修补结构强度预测模型，得到包含大量样本数据的缺陷-强度数据集；基于所述缺陷-强度数据集和损伤指数，得到各类别的缺陷-强度叠加图，并基于所述缺陷-强度叠加图，得到平均缺陷-强度叠加图；获取含缺陷的复合材料胶接修补结构中的缺陷特征信息图像，并基于平均缺陷-强度图，实现对含缺陷的胶接结构的强度快速预测。本发明能够对包含外表不可见脱粘损伤的修补结构进行快速且可视化的强度预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种含缺陷的复合材料胶接修补结构的强度预测方法的流程图；
图2为本发明胶接修补结构的示意图；
图3为本发明构建的神经网络模型架构示意图；
图4为本发明中任一类别样本数据的缺陷-强度图绘制过程示意图；
图5为不同强度下的5°[03/-453/903/453]s胶接修补结构缺陷-强度图；
图6为不同角度下的[03/-453/903/453]s胶接修补结构缺陷-强度图；
图7为仅按纤维堆叠次序分类得到的精简缺陷-强度图；
图8为将损伤图像与对应的[03/903]2s缺陷-强度图重叠，将缺陷覆盖的单元网格中对应所有标记相乘的示意图；
图9为本发明一种含缺陷的复合材料胶接修补结构的强度预测系统的结构示意图；
图10为本发明具体实施例1的缺陷-强度图强度预测结果示意图。
符号说明：
补片-1，脱粘缺陷-2，胶膜-3，母板-4，神经网络数据集构建单元-5，神经网络模型构建单元-6，缺陷-强度数据集构建单元-7，平均缺陷-强度图确定单元-8，强度预测单元-9。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种含缺陷的复合材料胶接修补结构的强度预测方法及系统，能够对包含外表不可见脱粘损伤的修补结构快速进行快速且可视化的强度预测。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
名词解释：
复合材料胶接修补：对受损的复合材料层合板，除去损伤区域后填入预先准备好的修补片，利用胶膜将二者粘连，对粘接结构进行高温加压固化后完成修补。
无损检测技术：不伤害检测对象结构和性能的前提下，利用缺陷和其他结构组织对光、声等信号的不同响应进行检测。本发明中所指无损检测技术多指超声无损检测，但其技术种类与本发明无关，本发明仅使用无损检测的结果，即内部脱粘损伤的形状及位置。
内聚力模型：用于模拟材料开裂过程的数值仿真手段，将材料复杂的破坏过程用两个面的“相对分离位移-力”(也称拉伸分离曲线)曲线表示，可解决的损伤的起始、扩展问题。
缺陷-强度图：基于一一对应的脱粘缺陷和结构剩余强度所绘制的热力图，图上每一单元点的数值代表该点出现损伤后，整个结构的剩余强度比值，表征了该单元点对结构剩余强度的影响程度。将缺陷范围的所有数值相乘，可得到含有该缺陷结构强度与不含缺陷结构的强度比值(r＝σDefect/σIntact，其中σDefect表示含脱粘缺陷结构的强度，σIntact表示完好修补结构的强度)。
如图1所示，本发明一种含缺陷的复合材料胶接修补结构的强度预测方法包括以下步骤：
S1：基于复合材料胶接修补结构，构建样本数据集；所述样本数据集包括多个样本数据和对应的标签信息；所述样本数据包括复合材料胶接修补结构的缺陷特征信息和材料参数；所述缺陷特征信息包括缺陷的位置、尺寸和形状；所述材料参数包括纤维堆叠次序、修补角度、胶膜剥离强度和剪切强度；所述标签信息为含脱粘缺陷的胶接修补结构和完好胶接修补结构的强度比值。
S2：构建神经网络模型，并采用所述样本数据集对所述神经网络模型进行训练，得到含缺陷的复合材料胶接修补结构强度预测模型。
S3：基于所述含缺陷的复合材料胶接修补结构强度预测模型，得到包含大量样本数据的缺陷-强度数据集。
S4：基于所述缺陷-强度数据集和损伤指数，得到各类别的缺陷-强度叠加图，并基于所述缺陷-强度叠加图，得到平均缺陷-强度叠加图；
S5：获取含缺陷的复合材料胶接修补结构中的缺陷特征信息图像，并基于平均缺陷-强度图，实现对含缺陷的胶接结构的强度快速预测。
进一步地，步骤S1中，所述强度比值由完好胶接修补结构的数值仿真模型、含脱粘缺陷的胶接修补结构的数值仿真模型以及内聚力模型确定。
其中，所述完好胶接修补结构的数值仿真模型和所述含脱粘缺陷的胶接修补结构的数值仿真模型均基于胶接修补结构的尺寸和材料参数，采用Abaqus软件构建得到；如图2所示，在建立完好胶接修补结构的数值仿真模型时，将完好胶接修补结构中的补片1、母板4、胶膜3三部分均通过tie约束连接，得到完好胶接修补结构的数值仿真模型。在建立含脱粘缺陷2的胶接修补结构的数值仿真模型时，取消特定单元节点上胶膜与母板间的tie连接，即可模拟该位置处产生脱粘的情况，得到含脱粘缺陷2的胶接修补结构的数值仿真模型。
进一步地，所述内聚力模型用于模拟胶接修补结构中胶膜的拉伸破坏过程，以获得完好胶接修补结构和含脱粘缺陷胶接修补结构的拉伸强度，二者比值表示为r＝σDefect/σIntact，其中σDefect表示含脱粘缺陷结构的强度，σIntact表示完好修补结构的强度。
进一步地，步骤S1中，如图3所示，缺陷特征信息和纤维堆叠次序为二维图像矩阵(用二维矩阵表示的图像，其本质是二维矩阵)，形如图3左上角输入1、2，而修补角度、胶膜剥离强度和剪切强度均为单值输入。
进一步地，步骤S2中，所述神经网络模型包括卷积层、归一化层、池化层、激活层、全连接层和丢弃层。其中，激活层采用线性整形激活函数进行激活。
进一步地，步骤S2中，在采用所述样本数据集对所述神经网络模型进行训练时，采用自适应矩估计优化算法和均方根误差损失函数(Root Mean Squared Error，RMSE)对所述神经网络模型进行调整，直至所述均方根误差损失函数收敛，则停止训练。均方根误差损失函数的公式为：
其中，yi表示神经网络预测强度比值，
表示有限元仿真所得强度比值，n为一个训练批次所含样本数量。
进一步地，步骤S3：所述基于所述含缺陷的复合材料胶接修补结构强度预测模型，得到包含大量样本数据的缺陷-强度数据集，具体包括：
S31：基于所述材料参数对所述样本数据进行分类，得到多个类别的样本数据；即根据材料参数的不同，将样本数据分为不同的类别。
S32：通过改变任意类别的样本数据中的缺陷特征信息，得到对应类别的更新样本数据；具体来说，对每一类别的样本数据，修改表征缺陷特征信息的二维矩阵，即可改变缺陷的形状、位置和尺寸，生成一个新的缺陷，即一个新的含缺陷胶接修补结构的样本数据。
S33：分别将各类别的更新样本数据输入至所述含缺陷的复合材料胶接修补结构强度预测模型中，得到各类别的更新样本数据对应的强度比值，并生成缺陷-强度数据集；所述缺陷-强度数据集包括不同类别的更新样本数据及其对应的强度比值。
进一步地，步骤S4中，所述基于所述缺陷-强度数据集和损伤指数，得到各类别的缺陷-强度叠加图，并基于所述缺陷-强度叠加图，得到平均缺陷-强度叠加图，具体包括：
S41：采用损伤指数
重新标记所述缺陷-强度数据集中的各类别的更新样本数据中对应的缺陷特征信息，得到各类别的多幅缺陷-强度图；其中，IDef为损伤指数，r为完好胶接修补结构和含脱粘缺陷的胶接修补结构的强度比值(上述神经网络预测强度值)，a为二值矩阵图像中缺陷所占网格数目(损伤区域面积)；所述缺陷特征信息为二值矩阵图像，如图4从左数第一和第二张图所示，其中浅色处为脱粘损伤(用1标记)，而暗色处为完好区域(用0标记)；实际应用中无损检测手段所呈缺陷图像可能没有完整覆盖所划分单元格，此时应选择保守算法，将损伤涉及到的所有单元都当作损伤处理)，剩余完好单元用IDef＝1标记。这一步骤将缺陷对修补结构强度的影响平均分配到缺陷所覆盖的每一个单元上，得到该结构的缺陷-强度图。由于出现脱粘损伤之后，结构的剩余强度值下降，所以强度比值小于1，因而缺陷-强度图中的数值均在[0,1]区间内。
S42：将各类别的更新样本数据中对应的多幅缺陷-强度图叠加，得到各类别的缺陷-强度叠加图，其中任一类别的缺陷-强度叠加图如图4从左数第三张图所示。
S43：根据各类别的缺陷-强度叠加图中每个网格上的强度比值，以及未进行叠加之前所述网格处出现缺陷的次数求平均值，得到平均缺陷-强度叠加图，其中任一类别的平均缺陷-强度叠加图如图4从左数第四张图所示。
进一步地，步骤S5中，获取含缺陷的复合材料胶接修补结构中的缺陷特征信息图像，并基于平均缺陷-强度图，实现对含缺陷的胶接结构的强度快速预测，具体包括：
S51：通过无损检测方式获取含缺陷的复合材料胶接修补结构中的缺陷特征信息图像。如图8左数第二张图所示，图为[03/903]2s胶接修补结构胶接区域的脱粘缺陷，亮处为脱粘区域，暗处为完好区域。
S52：将所述缺陷特征信息图像与对应的含缺陷的复合材料胶接修补结构的平均缺陷-强度图重叠，并将含缺陷的复合材料胶接修补结构的平均缺陷-强度图中缺陷覆盖的网格区域内所有损伤指数相乘，得到强度比值。即将损伤图像与对应的[03/903]2s缺陷-强度图重叠，将缺陷覆盖的单元网格对应标记相乘，即可得到所需强度比值，如图8左数第一张图所示。
进一步地，在步骤S4和S5之间，还包括步骤S6：绘制修补角度、胶膜剥离强度和剪切强度不同而纤维堆叠次序相同的胶接修补结构对应的精简缺陷-强度图。具体地，对比不同类别的缺陷-强度图，绘制不同角度、不同强度而纤维堆叠次序相同的胶接修补结构对应缺陷-强度图，如图5和图6所示，图中σss和σnn分别表示剪切强度和剥离强度，图像仅在具体数值上有细微的差别，其不同位置上数值的变化趋势，数值分布均一致。于是可将步骤S5中的分类标准精简为仅按纤维堆叠次序分类，进一步简化缺陷-强度图，如图7所示，得到精简缺陷-强度图。步骤S52中，可以采用精简缺陷-强度叠加图与缺陷特征信息图像重叠，最终得到强度比值。
为实现上述目的，如图9所示，本发明还提供了一种含缺陷的复合材料胶接修补结构的强度预测系统，所述系统包括：神经网络数据集构建单元5、神经网络模型构建单元6、缺陷-强度数据集构建单元7、平均缺陷-强度叠加图确定单元8和强度预测单元9。
神经网络数据集构建单元5，用于基于复合材料胶接修补结构，构建样本数据集；所述样本数据集包括多个样本数据和对应的标签信息；所述样本数据包括复合材料胶接修补结构的缺陷特征信息和材料参数；所述缺陷特征信息包括缺陷的位置、尺寸和形状；所述材料参数包括纤维堆叠次序、修补角度、胶膜剥离强度和剪切强度；所述标签信息为含脱粘缺陷的胶接修补结构和完好胶接修补结构的强度比值。
神经网络模型构建单元6，用于构建神经网络模型，并采用所述样本数据集对所述神经网络模型进行训练，得到含缺陷的复合材料胶接修补结构强度预测模型。
缺陷-强度数据集构建单元7，用于基于所述含缺陷的复合材料胶接修补结构强度预测模型，得到包含大量样本数据的缺陷-强度数据集。利用上述神经网络模型生成数据集，与上述样本数据集构建单元包含内容一致，但所含样本数量是其数倍，在本发明的具体实施例中约为10倍。
平均缺陷-强度叠加图确定单元8，用于基于所述缺陷-强度数据集和损伤指数，得到各类别的缺陷-强度叠加图，并基于所述缺陷-强度叠加图，得到平均缺陷-强度叠加图。
强度预测单元9，用于获取含缺陷的复合材料胶接修补结构中的缺陷特征信息图像，并基于平均缺陷-强度图，实现对含缺陷的胶接结构的强度快速预测。
具体实施例1
下面对本发明的具体实施例1进行详细说明：
步骤一：
胶接修补结构数值仿真模型建立：根据胶接修补结构几何尺寸、材料参数，使用商业仿真软件Abaqus建立粘接修补结构的数值模型，其中完好胶接修补结构的补片、母板、胶膜三部分通过tie约束连接，将胶膜区域划分为48×37个网格单元，取消特定网格单元上胶膜和母板间的tie连接，即可模拟该位置处产生脱粘的情况。
使用内聚力模型模拟胶膜的拉伸破坏过程，得到完好胶接修补结构和含脱粘缺陷胶接修补结构破坏时的拉伸强度，二者比值(r＝σDefect/σIntact，其中σDefect表示含脱粘缺陷结构的强度，σIntact表示完好修补结构的强度)将作为后搭建的神经网络模型的输出。
步骤二：
构建样本数据集：选定缺陷特征信息(包含缺陷的位置、尺寸、形状)，纤维堆叠次序，修补角度，胶膜剥离强度，剪切强度，作为神经网络模型的输入。其中缺陷特征信息和纤维堆叠次序为二维图像矩阵(用二维矩阵表示的图像，其本质是二维矩阵)，形如图3左上角输入1、2，其他三者为单值输入。利用步骤一中生成的胶接修补结构数值仿真模型生成10000个缺陷特征信息、纤维堆叠次序、修补角度、胶膜剥离强度和剪切强度各不相同的含缺陷胶接修补结构，计算得到其强度比值，作为神经网络的输出。将输入输出数据一一对应建立样本数据集，用于神经网络的训练，验证及测试。在本发明的具体实施例1中，样本数据集包含3个修补角度：5°，10°，15°；3种纤维堆叠次序：[03/453/-453/903]s，[03/-453/903/453]s，[03/903]2s；4对搭配的剪切强度和剥离强度：剪切强度25Mpa和剥离强度60MPa、剪切强度26Mpa和剥离强度40MPa、剪切强度28Mpa和剥离强度40MPa、剪切强度30Mpa和剥离强度35MPa。实际应用时可按照需求增减每一类别的数量，如增加一个修补角度：8°等。
步骤三：
卷积神经网络(CNN)模型的搭建和训练：神经网络架构如图3所示，图像输入信息经过包含批量归一化、最大池化、线性整形激活函数的卷积模块，被展平成一维向量，与三个单值输入汇合，经过两层全连接层压缩，得到所求的强度比值。训练时将上述10000个样本分为三部分，80％用于训练，10％用于验证，剩下10％用于测试。训练批数量为100，训练轮次1000次，采用自适应矩估计优化算法，损失函数为均方根误差RMSE，其公式为：
其中，yi表示神经网络预测强度比值，
表示有限元仿真所得强度比值，n为一个训练批次所含样本数量。训练初始学习率为0.001，直至训练集的损失函数值不再下降(向上波动超过10％)，学习率将下降一半直至为1×10-6。在测试集上网络预测的结果平均误差为1.4％，最大误差18.1％，有96.2％的测试样本误差在5％范围内，结果在图10中以“▼”标示。单个样本预测耗时3.4ms。
步骤四：
缺陷-强度图数据集生成：利用神经网络模型快速预测的优势，生成绘制强度图所需的大量数据集。数据集形式与步骤2一致，包含缺陷特征信息、纤维堆叠次序、修补角度、膜剥离强度，剪切强度以及相对应的强度比值。数据集类别与步骤2一致，包含3个修补角度，3种纤维堆叠次序，4种搭配强度，即共3×3×4＝36类。
生成数据集样本方法如下：对每一类别的样本，修改表征缺陷特征信息的二维矩阵，即可改变缺陷的形状、位置和尺寸，生成一个新的缺陷，即一个新的含缺陷粘接修补结构数据样本。对每一类别的修补结构模型生成3000个任意长宽均在13个网格单元以内的矩形脱粘缺陷，得到总计108000个不同含缺陷修补结构数据样本，将数据样本输入上述神经网络快速获得对应强度比值，得到所需的缺陷-强度图数据集。
步骤五：
缺陷-强度图绘制：按照下面的方法绘制每一类别样本数据的缺陷-强度图，共得到36张对应的图像(和缺陷特征信息一样，表现为图片，实际上是二维矩阵，图像每一像素点均由一个0-1之间的数值表示)。(如第一类：纤维铺层为[03/453/-453/903]s，修补角度为5°，胶膜剥离强度40MPa，剪切强度26MPa的修补)：
5.1取出上述样本集中的缺陷特征二值矩阵图像(即上述神经网络的输入1)，对于如图4从左数第一和第二张图所示，其中浅色处为脱粘损伤(用1标记)，而暗色处为完好区域(用0标记)，现将其重新标记：用损伤指数IDef＝r(1/a)标记损伤区域，其中，r为该含损伤结构与不含损伤结构强度比值(即上述CNN网络结果值)，a为损伤区域面积(用缺陷所占单元格数代替，实际应用中无损检测手段所呈缺陷图像可能没有完整覆盖所划分单元格，此时应选择保守算法，将损伤涉及到的所有单元都当作损伤处理)，剩余完好单元用IDef＝1标记。这一步骤将缺陷对修补结构强度的影响平均分配到缺陷所覆盖的每一个单元上，得到该结构的缺陷-强度图。图中横纵坐标均表示网格单元序列，本案例将粘接区域划分成48×37个网格单元，则横纵坐标的范围为0-37和0-48。由于出现脱粘损伤之后，结构的剩余强度值下降，所以强度比值小于1，因而缺陷-强度图中的数值均在[0,1]区间内。
5.2重复5.1的步骤，直至该类别下所有3000个样本的缺陷特征二值矩阵图像均被重新标记为3000张缺陷-强度图。
5.3将上述重新标记过的3000张图像叠加成为1张图像，得到形如图4从左数第三张图所示的图像。
5.4对图像上每一个网格单元上的数值按照该网格上曾经出现脱粘损伤的次数进行平均，最终获得形如图4从左数第四张图的平均缺陷-强度图。
5.5重复5.1-5.4的步骤，绘制所有类别下胶接修补结构的缺陷-强度图，共得到36张图像。
步骤六：
缺陷-强度图的精简：对比上述不同类别的缺陷-强度图，不同角度、不同强度而纤维堆叠次序相同的粘接修补结构对应缺陷-强度图，如图5和图6所示，图中σss和σnn分别表示剪切强度和剥离强度，图像仅在具体数值上有细微的差别，其不同位置上数值的变化趋势，数值分布均一致。于是可将步骤5分类标准精简为仅按纤维堆叠次序分类，进一步简化缺陷-强度图，如图7所示，上述的36张缺陷-强度图被精简为纤维叠堆次序不同的3张图像。
步骤七：
基于缺陷-强度图的含缺陷粘接结构强度快速预测：缺陷-强度图由[0,1]区间内的数值组成，表征了不同位置处损伤对修补结构剩余强度的影响程度。颜色越亮的地方数值越大，表示该处产生损伤后的强度比值越接近1，即对结构剩余强度影响不大；颜色越暗的地方数值越小，表示该处产生损伤后的强度比值越低，即严重影响修补结构的剩余强度。通过无损检测手段得到粘接修补结构中的特征信息图像，如图8左数第二张图所示，图为[03/903]2s胶接修补结构胶接区域的脱粘缺陷，亮处为脱粘区域，暗处为完好区域，将损伤图像与对应的[03/903]2s缺陷-强度图重叠，将缺陷覆盖的单元网格对应标记相乘，即可得到所需强度比值，如图8左数第一张图所示。这一实验真实数据点的测试结果在图10中以“★”形标示。其他测试集上样本的预测结果也在图中标出，初始的36张缺陷-强度图预测结果为“·”形数据点，在测试集上预测的平均误差为1.6％，最大误差为16.0％。使用精简后的3张缺陷-强度图进行预测的结果为“ⅹ”数据点，在测试集上预测的平均误差为1.7％，最大误差为15.9％，96.0％的测试样本误差在5％范围内。
本发明的技术效果：
本发明一种含缺陷的复合材料胶接修补结构强度预测方法及系统，基于神经网络模型生成大量样本数据，绘制表征缺陷和剩余强度关系的热力图，能够对含脱粘缺陷的粘接修补结构强度进行快速预测，此外，通过绘制缺陷-强度图，可以实现对含脱粘缺陷的粘接修补结构强度的可视化快速预测，更加直观易懂，适用于工程实际应用。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种含缺陷的复合材料胶接修补结构的强度预测方法，其特征在于，所述方法包括：
基于复合材料胶接修补结构，构建样本数据集；所述样本数据集包括多个样本数据和对应的标签信息；所述样本数据包括复合材料胶接修补结构的缺陷特征信息和材料参数；所述缺陷特征信息包括缺陷的位置、尺寸和形状；所述材料参数包括纤维堆叠次序、修补角度、胶膜剥离强度和剪切强度；所述标签信息为含脱粘缺陷的胶接修补结构和完好胶接修补结构的强度比值；
构建神经网络模型，并采用所述样本数据集对所述神经网络模型进行训练，得到含缺陷的复合材料胶接修补结构强度预测模型；
基于所述含缺陷的复合材料胶接修补结构强度预测模型，得到包含大量样本数据的缺陷-强度数据集；
基于所述缺陷-强度数据集和损伤指数，得到各类别的缺陷-强度叠加图，并基于所述缺陷-强度叠加图，得到平均缺陷-强度叠加图；
获取含缺陷的复合材料胶接修补结构中的缺陷特征信息图像，并基于平均缺陷-强度图，实现对含缺陷的胶接结构的强度快速预测。
2.根据权利要求1所述的含缺陷的复合材料胶接修补结构的强度预测方法，其特征在于，所述基于所述含缺陷的复合材料胶接修补结构强度预测模型，得到包含大量样本数据的缺陷-强度数据集，具体包括：
基于所述材料参数对所述样本数据进行分类，得到多个类别的样本数据；
通过改变任意类别的样本数据中的缺陷特征信息，得到对应类别的更新样本数据；
分别将各类别的更新样本数据输入至所述含缺陷的复合材料胶接修补结构强度预测模型中，得到各类别的更新样本数据对应的强度比值，并生成缺陷-强度数据集；所述缺陷-强度数据集包括不同类别的更新样本数据及其对应的强度比值。
3.根据权利要求2所述的含缺陷的复合材料胶接修补结构的强度预测方法，其特征在于，所述基于所述缺陷-强度数据集和损伤指数，得到各类别的缺陷-强度叠加图，并基于所述缺陷-强度叠加图，得到平均缺陷-强度叠加图，具体包括：
采用损伤指数
重新标记所述缺陷-强度数据集中的各类别的更新样本数据中对应的缺陷特征信息，得到各类别的多幅缺陷-强度图；所述缺陷特征信息为二值矩阵图像；其中，IDef为损伤指数，r为含脱粘缺陷的胶接修补结构和完好胶接修补结构的强度比值，a为二值矩阵图像中缺陷所占网格数目；
将各类别的更新样本数据中对应的多幅缺陷-强度图叠加，得到各类别的缺陷-强度叠加图；
根据各类别的缺陷-强度叠加图中每个网格上的强度比值，以及未进行叠加之前所述网格处出现缺陷的次数求平均值，得到平均缺陷-强度叠加图。
4.根据权利要求3所述的含缺陷的复合材料胶接修补结构的强度预测方法，其特征在于，所述获取含缺陷的复合材料胶接修补结构中的缺陷特征信息图像，并基于平均缺陷-强度图，实现对含缺陷的胶接结构的强度快速预测，具体包括：
通过无损检测方式获取含缺陷的复合材料胶接修补结构中的缺陷特征信息图像；
将所述缺陷特征信息图像与对应的含缺陷的复合材料胶接修补结构的平均缺陷-强度图重叠，并将含缺陷的复合材料胶接修补结构的平均缺陷-强度图中缺陷覆盖的网格区域内所有损伤指数相乘，得到强度比值。
5.根据权利要求4所述的含缺陷的复合材料胶接修补结构的强度预测方法，其特征在于，在获取含缺陷的复合材料胶接修补结构中的缺陷特征信息图像，并基于平均缺陷-强度图，实现对含缺陷的胶接结构的强度快速预测之前，还包括：
绘制修补角度、胶膜剥离强度和剪切强度不同而纤维堆叠次序相同的胶接修补结构对应的精简缺陷-强度图。
6.根据权利要求1所述的含缺陷的复合材料胶接修补结构的强度预测方法，其特征在于，所述强度比值由完好胶接修补结构的数值仿真模型、含脱粘缺陷的胶接修补结构的数值仿真模型以及内聚力模型确定；
其中，所述完好胶接修补结构的数值仿真模型和所述含脱粘缺陷的胶接修补结构的数值仿真模型均基于胶接修补结构的尺寸和材料参数，采用Abaqus软件构建得到；所述内聚力模型用于模拟胶接修补结构中胶膜的拉伸破坏过程，以获得完好胶接修补结构和含脱粘缺陷胶接修补结构的强度。
7.根据权利要求1所述的含缺陷的复合材料胶接修补结构的强度预测方法，其特征在于，所述神经网络模型包括卷积层、归一化层、池化层、激活层、全连接层和丢弃层。
8.根据权利要求1所述的含缺陷的复合材料胶接修补结构的强度预测方法，其特征在于，在采用所述样本数据集对所述神经网络模型进行训练时，采用自适应矩估计优化算法和均方根误差损失函数对所述神经网络模型进行调整，直至所述均方根误差损失函数收敛，则停止训练。
9.一种含缺陷的复合材料胶接修补结构的强度预测系统，其特征在于，所述系统包括：
神经网络数据集构建单元，用于基于复合材料胶接修补结构，构建样本数据集；所述样本数据集包括多个样本数据和对应的标签信息；所述样本数据包括复合材料胶接修补结构的缺陷特征信息和材料参数；所述缺陷特征信息包括缺陷的位置、尺寸和形状；所述材料参数包括纤维堆叠次序、修补角度、胶膜剥离强度和剪切强度；所述标签信息为含脱粘缺陷的胶接修补结构和完好胶接修补结构的强度比值；
神经网络模型构建单元，用于构建神经网络模型，并采用所述样本数据集对所述神经网络模型进行训练，得到含缺陷的复合材料胶接修补结构强度预测模型；
缺陷-强度数据集构建单元，用于基于所述含缺陷的复合材料胶接修补结构强度预测模型，得到包含大量样本数据的缺陷-强度数据集；
平均缺陷-强度叠加图确定单元，用于基于所述缺陷-强度数据集和损伤指数，得到各类别的缺陷-强度叠加图，并基于所述缺陷-强度叠加图，得到平均缺陷-强度叠加图；
强度预测单元，用于获取含缺陷的复合材料胶接修补结构中的缺陷特征信息图像，并基于平均缺陷-强度图，实现对含缺陷的胶接结构的强度快速预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210682720.5A CN115017815B (zh) | 2022-06-16 | 2022-06-16 | 含缺陷的复合材料胶接修补结构的强度预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210682720.5A CN115017815B (zh) | 2022-06-16 | 2022-06-16 | 含缺陷的复合材料胶接修补结构的强度预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115017815A true CN115017815A (zh) | 2022-09-06 |
| CN115017815B CN115017815B (zh) | 2024-05-14 |
Family
ID=83074559
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210682720.5A Active CN115017815B (zh) | 2022-06-16 | 2022-06-16 | 含缺陷的复合材料胶接修补结构的强度预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115017815B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115863499A (zh) * | 2023-02-28 | 2023-03-28 | 成都鸿睿光电科技有限公司 | 基于3d扫描的焊盘修复控制方法、系统、终端及介质 |
| CN118248406A (zh) * | 2024-03-12 | 2024-06-25 | 宇盛电气有限公司 | 一种铝合金光伏电缆加工方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001153756A (ja) * | 1999-11-29 | 2001-06-08 | Toshiba Corp | タービンロータの亀裂進展予測方法 |
| JP2006194792A (ja) * | 2005-01-14 | 2006-07-27 | Hiroshima Univ | 腐食構造物の強度劣化予測方法 |
| CN105787167A (zh) * | 2016-02-24 | 2016-07-20 | 重庆大学 | 聚合物基复合材料有效应力松弛系数的预测方法 |
| CN106568660A (zh) * | 2016-10-14 | 2017-04-19 | 中国人民解放军海军航空工程学院青岛校区 | 一种复合材料胶接修补结构的剩余疲劳寿命的预测方法 |
| KR102256243B1 (ko) * | 2020-12-21 | 2021-05-27 | 한국건설기술연구원 | 딥러닝 기반 콘크리트 구조물의 열화 평가 시스템 |
| CN113343533A (zh) * | 2021-06-21 | 2021-09-03 | 哈尔滨工业大学 | 一种基于渐近损伤模型的陶瓷基复合材料与高温合金沉头螺栓连接结构高温失效强度预测方法 |
-
2022
- 2022-06-16 CN CN202210682720.5A patent/CN115017815B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001153756A (ja) * | 1999-11-29 | 2001-06-08 | Toshiba Corp | タービンロータの亀裂進展予測方法 |
| JP2006194792A (ja) * | 2005-01-14 | 2006-07-27 | Hiroshima Univ | 腐食構造物の強度劣化予測方法 |
| CN105787167A (zh) * | 2016-02-24 | 2016-07-20 | 重庆大学 | 聚合物基复合材料有效应力松弛系数的预测方法 |
| CN106568660A (zh) * | 2016-10-14 | 2017-04-19 | 中国人民解放军海军航空工程学院青岛校区 | 一种复合材料胶接修补结构的剩余疲劳寿命的预测方法 |
| KR102256243B1 (ko) * | 2020-12-21 | 2021-05-27 | 한국건설기술연구원 | 딥러닝 기반 콘크리트 구조물의 열화 평가 시스템 |
| CN113343533A (zh) * | 2021-06-21 | 2021-09-03 | 哈尔滨工业大学 | 一种基于渐近损伤模型的陶瓷基复合材料与高温合金沉头螺栓连接结构高温失效强度预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| XU Y: "Rapid and visualized residual strength prediction of Scarf-repaired laminates using hierarchical surrogate model", COMPOSITE STRUCTURES, 1 January 2023 (2023-01-01) * |
| 毛晶: "新老混凝土界面粘结质量检验与粘结强度预测模型研究", 中国优秀硕士学位论文全文数据库工程科技II辑, no. 11, 15 November 2006 (2006-11-15) * |
| 陶翀骢: "复合材料层合板损伤检测及其剩余力学性能预测", 中国博士学位论文全文数据库工程科技I辑, no. 1, 15 January 2020 (2020-01-15) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115863499A (zh) * | 2023-02-28 | 2023-03-28 | 成都鸿睿光电科技有限公司 | 基于3d扫描的焊盘修复控制方法、系统、终端及介质 |
| CN115863499B (zh) * | 2023-02-28 | 2023-04-28 | 成都鸿睿光电科技有限公司 | 基于3d扫描的焊盘修复控制方法、系统、终端及介质 |
| CN118248406A (zh) * | 2024-03-12 | 2024-06-25 | 宇盛电气有限公司 | 一种铝合金光伏电缆加工方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115017815B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115017815B (zh) | 含缺陷的复合材料胶接修补结构的强度预测方法及系统 | |
| Sun et al. | Interaction of inter-and intralaminar damage in scaled quasi-static indentation tests: Part 2–Numerical simulation | |
| Zhang et al. | Vibration-based assessment of delaminations in FRP composite plates | |
| Zobeiry et al. | Effective calibration and validation of a nonlocal continuum damage model for laminated composites | |
| Kim et al. | Three-dimensional progressive failure modeling of glass fiber reinforced thermoplastic composites for impact simulation | |
| Kesavan et al. | Damage detection in T-joint composite structures | |
| Juhász et al. | The effect of delamination on the critical buckling force of composite plates: Experiment and simulation | |
| McElroy et al. | Simulation of delamination–migration and core crushing in a CFRP sandwich structure | |
| CN115470669A (zh) | 一种复合材料结构固化变形预测方法、装置及存储介质 | |
| CN111709174A (zh) | 一种基于失效面理论的复合材料层合板强度分析方法 | |
| Zhang et al. | Experimental and numerical investigations of honeycomb sandwich composite panels with open-hole damage and scarf repair subjected to compressive loads | |
| McElroy et al. | Interaction of delaminations and matrix cracks in a CFRP plate, Part II: Simulation using an enriched shell finite element model | |
| CN113297772B (zh) | 一种使用有限元软件模拟复合材料残余应力分布的方法 | |
| Reiner et al. | Data-driven parameter identification to simulate progressive damage in fiber reinforced laminates under low velocity impact | |
| CN112926244A (zh) | 一种复合材料层合板开孔件极限载荷确定方法 | |
| Jribi et al. | Damage Control Measures in Composites: BVID Damage Progression | |
| CN113158508A (zh) | 一种复合材料层合板贴补修复后极限载荷确定方法 | |
| Yu et al. | A global-to-local sub modelling approach to investigate the effect of lubrication during double diaphragm forming of multi-ply biaxial non-crimp fabric preforms | |
| CN115391947A (zh) | 轨道交通车辆复合材料结构虚拟分析方法及系统 | |
| Eskandariyun et al. | A Combined Finite Element and Machine Learning Approach to Accelerate Calibration and Validation of Numerical Models for Prediction of Failure in Aerospace Composite Parts | |
| Smith et al. | Modelling the mechanical properties of as-manufactured composite components based on 3D non-destructive characterisation | |
| Xu et al. | Rapid and visualized residual strength prediction of Scarf-repaired laminates using hierarchical surrogate model | |
| CN112926243A (zh) | 一种复合材料层合板修理容限确定方法 | |
| CN108021721A (zh) | 客车薄壁复合材料间再夹芯结构的有限元建模方法、装置 | |
| Arndt et al. | Nondeterministic Parameter Space Characterization of the Damage Tolerance of a Composite/Metal Structure |
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 |