CN115547431A - 一种基于机器学习与渐进损伤的短切纤维复合材料疲劳性能预测方法 - Google Patents

一种基于机器学习与渐进损伤的短切纤维复合材料疲劳性能预测方法 Download PDF

Info

Publication number
CN115547431A
CN115547431A CN202210921264.5A CN202210921264A CN115547431A CN 115547431 A CN115547431 A CN 115547431A CN 202210921264 A CN202210921264 A CN 202210921264A CN 115547431 A CN115547431 A CN 115547431A
Authority
CN
China
Prior art keywords
damage
fatigue
model
composite material
machine learning
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.)
Pending
Application number
CN202210921264.5A
Other languages
English (en)
Inventor
黄理
孙煦泽
包祖国
韩维建
黄诗尧
赵海龙
陈秋任
汤海斌
陈章兴
崔海涛
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.)
Yangtze River Delta Advanced Materials Research Institute
Original Assignee
Yangtze River Delta Advanced Materials Research Institute
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 Yangtze River Delta Advanced Materials Research Institute filed Critical Yangtze River Delta Advanced Materials Research Institute
Priority to CN202210921264.5A priority Critical patent/CN115547431A/zh
Publication of CN115547431A publication Critical patent/CN115547431A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/26—Composites
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明公开了一种基于机器学习与渐进损伤的短切纤维复合材料疲劳性能预测方法，建立SMC复合材料的细观几何模型；基于SMC复合材料的细观几何模型生成该材料的有限元模型；根据连续损伤准则判断循环加载过程中有限元模型各网格单元的疲劳损伤状态并计算损伤参数，通过删除失效单元或节点模拟疲劳损伤扩展过程，对SMC复合材料的渐进损伤分析以及疲劳寿命预测；基于大量疲劳寿命预测结果构建机器学习疲劳寿命预测代理模型，利用训练好的机器学习疲劳寿命预测代理模型进行短切纤维复合材料疲劳性能预测。本发明基于渐进损伤分析方法，可实现短切纤维复合材料疲劳寿命及失效行为的准确预测，同时根据相关数据集训练了机器学习疲劳代理模型，提高预测效率。

Description

一种基于机器学习与渐进损伤的短切纤维复合材料疲劳性能 预测方法
技术领域
本发明属于疲劳性能评估技术领域，尤其涉及一种基于机器学习与渐进损伤的短切纤 维复合材料疲劳性能预测方法。
背景技术
短切纤维增强复合材料(简称“SMC复合材料”)较好地兼顾了力学性能与生产成本、 效率的平衡，近年来在汽车、航空航天等工业领域中得到了广泛关注。在工程应用中，零 部件结构的耐久性设计一直是制造商重点关注的课题。
现有的SMC复合材料疲劳性能分析方法主要基于实验测定的宏观载荷-寿命曲线，通 过对样品在不同载荷下进行循环加载，以获得材料在相应条件下的失效循环数。然而，这 种技术路线存在明显缺陷：首先，由于特殊的材料体系及制造工艺，SMC复合材料具有复杂的非均质细观结构，其疲劳性能分散性显著，宏观疲劳寿命模型预测精度难以满足产品设计需求；其次，SMC复合材料疲劳性能的影响因素多样，细观结构、组分性能等对材料 疲劳行为均存在显著影响，宏观疲劳性能预测方法无法建立上述因素与疲劳寿命间的联系，因此，难以预测具有不同配置SMC复合材料的疲劳寿命；最后，SMC复合材料的宏观疲 劳模型建立在材料耐久性试验的基础上，测试成本高、周期长(单条疲劳曲线测试周期在 1月以上，测试成本在10万人民币以上)，严重影响了产品的快速迭代设计。
随着计算机科学的迅猛发展，基于有限元仿真技术的细观疲劳性能预测方法在复合材 料研究领域备受关注。通过对材料细观形貌进行重构，并引入组份材料的连续损伤准则， 可以实现SMC复合材料疲劳损伤扩展过程及疲劳寿命的准确预测，建立起细观结构、组份 性能等因素与材料疲劳寿命间的联系。虽然现有技术中已有基于有限元仿真技术的细观疲 劳性能预测方法被提出，但是目前上述细观疲劳性能预测方法被存在细观结构重构效率低， 疲劳寿命预测周期长的问题，因此难以满足结构疲劳性能分析需求。
发明内容
为了解决现有技术中存在的不足，本发明提出了一种基于机器学习与渐进损伤的短切 纤维复合材料疲劳性能预测方法，基于细观力学模型实现材料疲劳寿命及损伤扩展过程的 仿真分析，并利用仿真数据建立材料基础信息与疲劳性能间的映射关系，可以准确高效的 预估材料疲劳性能。
本发明所采用的技术方案如下：
一种基于机器学习与渐进损伤的短切纤维复合材料疲劳性能预测方法，包括如下步骤：
步骤1，基于SMC复合材料的基本信息，建立SMC复合材料的细观几何模型；
步骤2，基于SMC复合材料的细观几何模型生成该材料的有限元模型；在有限元模型 的基础上引入了连续损伤准则构建SMC复合材料的渐进损伤模型，根据连续损伤准则判断 循环加载过程中有限元模型各网格单元的疲劳损伤状态并计算损伤参数，通过删除失效单 元或节点模拟疲劳损伤扩展过程，对SMC复合材料的渐进损伤分析以及疲劳寿命预测；
步骤3，在渐进损伤模型的输入变量空间选取样本数据，输入有限元模型预测样本疲 劳寿命并形成疲劳性能数据集，对数据集中的样本数据进行归一化处理，划分训练集和测 试集，训练机器学习疲劳寿命预测代理模型，利用训练好的机器学习疲劳寿命预测代理模 型进行短切纤维复合材料疲劳性能预测。
进一步，步骤1中SMC复合材料的基本信息包括纤维束尺寸、纤维束体积含量、纤维束取向分布。
进一步，步骤1中建立SMC复合材料的细观几何模型的方法为：采用随机序列吸附算 法重构材料细观结构；将纤维束抽象为具有不规则形状的多边形，逐根、逐层填充入细观 几何模型中。
进一步，对每次新填充的纤维束进行干涉检测，将干涉区域抬升以避免纤维束相交。
进一步，对每次新填充的纤维束进行可行性检测，保证新填充的纤维束顶点与下层相 邻纤维束边缘距离大于临界值；若满足位置可行性条件，则保存该新填充的纤维束形状及 位置信息，并统计当前细观几何模型中纤维束体积含量；重复以上过程直到模型中纤维束 体积含量达到预设值。
进一步，对SMC复合材料的细观几何模型进行离散化，划分模型内部纤维束及树脂区 域的网格单元，生成该材料的有限元模型。
进一步，基于幂函数、多项式形式的组份材料连续损伤准则，根据有限元模型各网格 单元应力水平及加载历程判断循环加载过程中单元的疲劳损伤状态，计算各网格单元损伤 参数。
进一步，当损伤参数达到某个阈值时判定网格单元失效，通过删除失效网格单元或节 点模拟疲劳损伤扩展过程。
本发明的有益效果：
1.与宏观疲劳性能预测方法相比，本发明基于细观力学分析方法建立了SMC复合材 料细观结构、组份性能等参数与疲劳性能间的联系，可以准确预测不同配置SMC复合材料 的疲劳寿命，同时还原其疲劳损伤扩展过程。该方法主要基于仿真分析，结合少量实验数 据即可完成模型校核，在工程应用中能够显著降低测试时间及成本，加速产品迭代设计。
2.与单纯的细观力学分析方法相比，本发明基于细观力学模型仿真数据，采用机器学 习算法建立了模型输入参数与疲劳寿命间的隐式非线性映射关系，通过机器学习模型代理 细观疲劳模型进行SMC复合材料的疲劳寿命预测。本发明的这一特点可以显著降低材料耐 久性分析的计算成本，充分发挥现有理论模型优势，同时避免了机器学习模型对实验数据 的依赖性。在工程应用中，能够帮助研究人员理解和掌握SMC复合材料各特征参数与疲劳 性能间的联系与规律。
3.本发明可用于SMC复合材料零部件生产工艺的优化设计。本发明综合考虑了多种 因素对SMC复合材料疲劳性能的影响，以零部件生产过程的仿真结果为输入参数，可以实 现零部件结构的耐久性分析，建立生产工艺与零部件疲劳性能间的联系。反之，则可根据 耐久性分析结果，优化生产工艺参数，进而实现提高产品制备水平的工业应用目标。
附图说明
图1是SMC复合材料的疲劳性能预测流程图。
图2是SMC复合材料重构结果及有限元仿真模型。
图3是SMC复合材料渐进损伤疲劳分析结果。
图4是SMC复合材料渐进损伤疲劳寿命预测结果。
图5是机器学习模型预测值与渐进损伤模型预测值对比图。
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，以下结合附图及实施例，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用于解释本发明，并不 用于限定本发明。
一种基于机器学习与渐进损伤的短切纤维复合材料疲劳性能预测方法，包括如下内容：
步骤1，采用随机序列吸附算法重构SMC复合材料细观结构，建立SMC复合材料的细观几何模型。
收集SMC复合材料基本信息，具体包括纤维束尺寸、纤维束体积含量、纤维束取向分 布等数据；以玻璃纤维SMC复合材料为例，SMC复合材料内部玻璃纤维束的尺寸为 25mm×1mm×0.1mm，玻璃纤维束体积含量为70％，玻璃纤维束取向张量为
Figure BDA0003777738470000041
将玻璃纤维束抽象为具有不规则形状的多边形，如图1中(a)所示；并将 玻璃纤维束逐根、逐层填充入细观几何模型中；对每次新填充的纤维束进行干涉检测，将 干涉区域抬升以避免纤维束间相交，如图1中(b)所示；为避免后续有限元模型网格划分 困难，对纤维束位置进行可行性检测，保证新填充的纤维束顶点与下层相邻纤维束边缘距 离大于临界值dCritical(推荐值0.01mm)，如图1中(c)所示。若满足位置可行性条件，则 保存该新填充的纤维束形状及位置信息，并统计当前细观几何模型中纤维束体积含量；重 复上述过程直到模型纤维束体积含量达到预设值，玻璃纤维SMC复合材料重构结果如图2 中(a)所示。
步骤2，SMC复合材料渐进损伤分析。
首先，对步骤1中建立的SMC复合材料细观几何模型进行离散化，划分模型内部纤维 束及树脂区域的网格单元(网格单元总数约30万个)，生成该材料的有限元模型如图2中(b)所示。基于有限元模型开展SMC复合材料的渐进损伤分析。在有限元模型的基础上 引入了连续损伤准则构建SMC复合材料的渐进损伤模型，具体是通过对有限元模型进行循 环加载并删除失效单元模拟材料的失效过程，进而预测材料疲劳寿命的一种疲劳寿命预测 方法。
具体地，在渐进损伤分析中，将有限元模型加载至预设载荷水平，并判定材料是否完 全失效(即判断有限元模型是否断裂，断裂则认为完全失效)；如未完全失效，则基于分析 结果，通过Python语言编写的后处理程序，提取有限元模型各网格单元内部的应力；基于 加载历程及网格单元的应力，根据组份材料(纤维束、树脂、界面)连续损伤准则分别计算各网格单元的损伤参数D，以幂函数形式的连续损伤准则为例：
Figure BDA0003777738470000042
其中，N为疲劳循环数，a1和a2为材料参数，Δσa为网格单元应力的幅值，Sf为组份材料失效强度；依据损伤参数D判定各单元疲劳损伤状态，当损伤参数D≥1时，判定网格 单元发生失效并将失效网格单元或节点从有限元模型中删除；通过编辑有限元模型输入文件更新模型信息，移除多余约束条件；再次将模型加载至预设载荷，重复上述过程直到材料完全失效。为提高计算效率，每次加载后将循环数向前递增ΔN循环，使总循环数在对数坐标下均匀增长。本方案中，当有限元模型由于网格单元或节点删除导致断裂后，认为材料完全失效。玻璃纤维SMC复合材料疲劳损伤演化过程及疲劳寿命预测结果如图3及图4 所示。可见，玻璃纤维SMC复合材料疲劳损伤演化过程及疲劳寿命预测结果与实验数据吻 合良好，充分验证了SMC复合材料渐进损伤分析的有效性。
步骤3，建立SMC复合材料机器学习疲劳寿命预测代理模型。
通过拉丁超立方抽样方法，在渐进损伤模型的输入变量空间选取样本数据，综合考虑 计算机硬件水平及渐进损伤分析计算效率确定样本量，推荐值为10v，v为输入变量的总数。 输入变量包括纤维取向、纤维束体积含量以及纤维束、树脂和界面的力学性能参数。
根据不同输入变量生成的具有不同纤维取向、纤维体积含量、组份性能参数的SMC复 合材料有限元模型；基于所生成的不同配置的SMC复合材料有限元模型；采用渐进损伤分 析方法预测不同配置有限元模型的疲劳寿命，获取不同配置有限元模型所对应的输入变量、 预测结果，由此形成SMC复合材料疲劳性能数据集；
在本申请中，采用极差变换法对SMC复合材料疲劳性能数据集中的样本数据进行归一 化处理：
Figure BDA0003777738470000051
其中,xi，j为疲劳性能数据集中第i组样本中第j个参数归一化后的值，n为疲劳性能数据 集中的样本数量，v为样本参数的总数，
Figure BDA0003777738470000052
和
Figure BDA0003777738470000053
分别为所有样本数据中第j个参数的最 小值和最大值。
本案例采用高斯过程算法建立渐进损伤模型输入变量与疲劳寿命预测结果间的隐式非 线性映射关系，构建机器学习疲劳寿命预测代理模型。将归一化处理后的数据集划分为训 练集和测试集，利用训练集进行机器学习疲劳寿命预测代理模型的训练，同时利用测试集 评估模型预测精度。
除此之外还可以采用克里金法、神经网络等算法来建立映射关系。
根据决定系数R2定量评估SMC复合材料的机器学习疲劳寿命预测代理疲劳模型预测 表现(越高则预测效果越好)：
Figure BDA0003777738470000054
其中，yi为第i组样本的渐进损伤模型预测结果，
Figure RE-GDA0003943507140000055
为第i组样本机器学习模型预测结果， n为样本数量，
Figure RE-GDA0003943507140000056
为渐进损伤模型预测结果的平均值。SMC复合材料机器学习疲劳寿命预测 代理模型的测试结果如图5所示，可见机器学习模型疲劳寿命预测结果与渐进损伤分析结 果吻合较好，决定系数R2＝0.8735。
在本申请中，本申请在步骤2中构建的有限元模型是建立机器学习模型的基础，如果 仅对一种配置的SMC复合材料进行了寿命预测，数据量过少，无法进行机器学习模型训练。 本申请在步骤3中根据渐进损伤模型输入参数的抽样结果生成了不同配置的有限元模型， 根据这些模型的预测结果建立数据集，进行机器学习疲劳寿命预测代理模型训练，建立输 入参数与疲劳寿命之间的关系，代理渐进损伤模型进行寿命预测，提高计算效率。
本发明基于细观模型生成的仿真数据，进一步引入数据驱动的建模方法，探索材料基 础信息与疲劳性能间的直接映射关系，准确快速的预估材料的疲劳寿命，对于实现SMC复 合材料零部件结构耐久性分析及优化设计具有重要意义。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员 能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据 本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (8)

1.一种基于机器学习与渐进损伤的短切纤维复合材料疲劳性能预测方法，其特征在于，包括如下步骤：
步骤1，基于SMC复合材料的基本信息，建立SMC复合材料的细观几何模型；
步骤2，基于SMC复合材料的细观几何模型生成该材料的有限元模型；在有限元模型的基础上引入了连续损伤准则构建SMC复合材料的渐进损伤模型，根据连续损伤准则判断循环加载过程中有限元模型各网格单元的疲劳损伤状态并计算损伤参数，通过删除失效单元或节点模拟疲劳损伤扩展过程，对SMC复合材料的渐进损伤分析以及疲劳寿命预测；
步骤3，在渐进损伤模型的输入变量空间选取样本数据，输入有限元模型预测样本疲劳寿命并形成疲劳性能数据集，对数据集中的样本数据进行归一化处理，划分训练集和测试集，训练机器学习疲劳寿命预测代理模型，利用训练好的机器学习疲劳寿命预测代理模型进行短切纤维复合材料疲劳性能预测。
2.根据权利要求1所述的一种基于机器学习与渐进损伤的短切纤维复合材料疲劳性能预测方法，其特征在于，步骤1中SMC复合材料的基本信息包括纤维束尺寸、纤维束体积含量、纤维束取向分布。
3.根据权利要求1所述的一种基于机器学习与渐进损伤的短切纤维复合材料疲劳性能预测方法，其特征在于，步骤1中建立SMC复合材料的细观几何模型的方法为：采用随机序列吸附算法重构材料细观结构；将纤维束抽象为具有不规则形状的多边形，逐根、逐层填充入细观几何模型中。
4.根据权利要求3所述的一种基于机器学习与渐进损伤的短切纤维复合材料疲劳性能预测方法，其特征在于，对每次新填充的纤维束进行干涉检测，将干涉区域抬升以避免纤维束相交。
5.根据权利要求3所述的一种基于机器学习与渐进损伤的短切纤维复合材料疲劳性能预测方法，其特征在于，对每次新填充的纤维束进行可行性检测，保证新填充的纤维束顶点与下层相邻纤维束边缘距离大于临界值；若满足位置可行性条件，则保存该新填充的纤维束形状及位置信息，并统计当前细观几何模型中纤维束体积含量；重复以上过程直到模型中纤维束体积含量达到预设值。
6.根据权利要求1-5中任意一项权利要求所述的一种基于机器学习与渐进损伤的短切纤维复合材料疲劳性能预测方法，其特征在于，对SMC复合材料的细观几何模型进行离散化，划分模型内部纤维束及树脂区域的网格单元，生成该材料的有限元模型。
7.根据权利要求6所述的一种基于机器学习与渐进损伤的短切纤维复合材料疲劳性能预测方法，其特征在于，基于幂函数、多项式形式的组份材料连续损伤准则，根据有限元模型各网格单元应力水平及加载历程判断循环加载过程中单元的疲劳损伤状态，计算各网格单元损伤参数。
8.根据权利要求6所述的一种基于机器学习与渐进损伤的短切纤维复合材料疲劳性能预测方法，其特征在于，当损伤参数达到某个阈值时判定网格单元失效，通过删除失效网格单元或节点模拟疲劳损伤扩展过程。
CN202210921264.5A 2022-08-02 2022-08-02 一种基于机器学习与渐进损伤的短切纤维复合材料疲劳性能预测方法 Pending CN115547431A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210921264.5A CN115547431A (zh) 2022-08-02 2022-08-02 一种基于机器学习与渐进损伤的短切纤维复合材料疲劳性能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210921264.5A CN115547431A (zh) 2022-08-02 2022-08-02 一种基于机器学习与渐进损伤的短切纤维复合材料疲劳性能预测方法

Publications (1)

Publication Number Publication Date
CN115547431A true CN115547431A (zh) 2022-12-30

Family

ID=84723494

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210921264.5A Pending CN115547431A (zh) 2022-08-02 2022-08-02 一种基于机器学习与渐进损伤的短切纤维复合材料疲劳性能预测方法

Country Status (1)

Country Link
CN (1) CN115547431A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116227368A (zh) * 2023-05-10 2023-06-06 南京玻璃纤维研究设计院有限公司 一种玻璃纤维成分设计方法及生成的玻璃纤维

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116227368A (zh) * 2023-05-10 2023-06-06 南京玻璃纤维研究设计院有限公司 一种玻璃纤维成分设计方法及生成的玻璃纤维
CN116227368B (zh) * 2023-05-10 2023-09-05 南京玻璃纤维研究设计院有限公司 一种玻璃纤维成分设计方法及生成的玻璃纤维

Similar Documents

Publication Publication Date Title
CN111832102B (zh) 一种高维随机场条件下的新型复合材料结构优化设计方法
Fei et al. Enhanced network learning model with intelligent operator for the motion reliability evaluation of flexible mechanism
Xiang et al. Digital twin driven green material optimal-selection towards sustainable manufacturing
Yang et al. New algorithms for virtual reconstruction of heterogeneous microstructures
Sepasdar et al. A data-driven approach to full-field nonlinear stress distribution and failure pattern prediction in composites using deep learning
Xu et al. Stochastic 3D microstructure reconstruction and mechanical modeling of anisotropic battery separators
CN111950180B (zh) 一种缆索承重桥梁结构体系可靠度分析方法及系统
CN113094946B (zh) 一种用于模拟材料开裂的相场模型局部化自适应算法
Paz et al. Lightweight parametric design optimization for 4D printed parts
Zhi et al. Fuzzy optimization design-based multi-level response surface of bogie frame
Feng et al. Stochastic nonlocal damage analysis by a machine learning approach
CN115547431A (zh) 一种基于机器学习与渐进损伤的短切纤维复合材料疲劳性能预测方法
Dong et al. Robust optimization design method for structural reliability based on active-learning MPA-BP neural network
CN114722491A (zh) 一种基于代理模型的集成优化设计在燃料舱外壳成形中的应用方法
Hilmann et al. Automatic concept model generation for optimisation and robust design of passenger cars
Zhou et al. Machine learning based asymptotic homogenization and localization: Predictions of key local behaviors of multiscale configurations bearing microstructural varieties
CN118094977A (zh) 一种新能源汽车的翼子板结构强度评价方法及系统
CN117454542A (zh) 输电线路角钢构件单元组合式数值模拟方法、设备和介质
CN117313576A (zh) 一种用于翼型物理量重要度分析的贝叶斯优化方法
CN114492119A (zh) 一种基于遗传算法的电化学致动器结构优化分析方法及系统
Xu et al. An integrated method of CAD, CAE and multi-objective optimization
CN111177855A (zh) 一种全局气动弹性优化中的气动结构求解方法及系统
CN116992716A (zh) 一种基于参数驱动的乘用车锁钩承载性能仿真分析方法
CN113946996B (zh) 一种复合材料数值模拟方法及装置
Breuer et al. Prediction of Short Fiber Composite Properties by an Artificial Neural Network Trained on an RVE Database. Fibers 2021, 9, 8

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