CN116034367A - 用于获得复合层压板的方法和装置 - Google Patents

Abstract

一种用于获得由层片(2、21至28)组成的复合层压板(1)的方法，每个层片(2、21至28)由基体(3)和填料(4)组成，包括：接收要从所述复合层压板(1)产生的机械部件(6)的模型(5)和负载条件(7)；由机器学习(10)基于其特征(85)来预测候选复合层压板的特性(95)；当经受所述负载条件(7)时，基于所述预测特性(95)评估根据所述模型从所述候选层压板产生的所述机械部件(6)的性能；通过改变所述候选层压板的所述特征(85)并且重复所述预测和评估步骤来优化所述机械部件(6)的所述性能，直到期望性能被实现为止；以及将如此优化的所述候选层压板确定为用于制造所述机械部件的所述复合层压板(1)。还提出了对应装置。

Description

用于获得复合层压板的方法和装置

技术领域

本发明涉及制造从复合层压板制成的机械部件的领域，并且更特别地涉及一种用于获得由多个层片组成的复合层压板的方法和装置，每个层片由基体相和填料相组成。

背景技术

由复合层压板制成的机械部件的表现可以显著优于由传统材料制成的机械部件。复合层压板正在被用于在诸如碳自行车车架、陆上和海上车辆车身、飞机引擎叶片以及诸如此类的应用中，在各种各样的负载条件下实现与高耐久性和强度组合的低重量。

然而，从复合层压板设计和制造机械部件的过程是耗时并且昂贵的。机械部件的性能在很大程度上受复合层压板的材料特性的影响。复合层压板的材料特性是各向异性的，并且取决于其材料规范，也就是说，取决于其微观水平(纤维和基体的特征)、细观水平(纤维-基体相互作用)和宏观水平(层片-层片相互作用)的材料特征。计算机辅助工程(CAE)模拟可以被用于预测宏观水平的复合层压板的材料特性。然而，细观水平和微观水平的模拟是困难并且昂贵的，使得在实践中，微观水平的复合层压板的机械特性是使用简化的半经验模型(诸如Halpin-Tsai方程)导出的。也就是说，不同并且无关的方法被用于预测各种级别的材料特性。在各种各样的可能的材料规范、负载条件和限制的情况下，机械部件的详细设计和用于制造机械部件的复合层压板的确定需要大量的时间、人为考虑和相互作用。更进一步地，基础的简化模型和不同方法的混合可能导致不精确的结果。

摘自2018年洛桑COMSOL会议论文集的Stolz、Fideau、Hermann的“Homogenizationof fiber composite material properties:an adaptive MultiphysicsImplementation(纤维复合材料特性的均匀化：自适应多物理实现)”提出了一种使用有限元方法方案的用于计算纤维增强复合材料的均匀化材料特性的自适应模型。

US 9,274,036 B2公开了一种利用人工神经网络来基于复合材料的宏观水平特征(诸如层的堆叠序列、层的数量和层的定向角度)直接预测复合管的复合材料的性能(具体地，耐冲击性)的方法和装置。

发明内容

本发明的一个目的是改进复合层压板以及由其制成的机械部件的设计和制造过程。

根据第一方面，提供了一种用于获得由多个层片组成的复合层压板的方法，每个层片由基体相和填料相组成，该方法包括以下计算机实现的步骤：a)接收从复合层压板制造的机械部件的几何模型和机械部件的负载条件；b)获取候选复合层压板的材料特征；c)通过使用经训练的机器学习设备，基于材料特征预测候选复合层压板的材料特性；d)当根据几何模型从候选复合层压板制造并且根据负载条件加载时，基于预测的材料特性来评估机械部件的性能；e)通过改变候选复合层压板的材料特征并且重复执行步骤c)和d)来优化机械部件的性能，直到期望性能被实现为止；以及f)将具有实现机械部件的期望性能的材料特征的候选复合层压板确定为要从其制造机械部件的复合层压板。

利用提出的方法，可以有利地获得为机械部件和它将被使用的负载条件最佳地定制的复合层压板。由此，可以有利地提高由复合层压板制成的机械部件的性能，同时可以显著减少设计复合层压板所涉及的时间和成本。

更特别地，所提出的方法的步骤a)至f)是可以由一个或多个计算设备(诸如计算机、工作站、超级计算机、计算机网络或云)执行的计算机实现的步骤，并且可以是完全自动化的。人类用户可以仅提供机械部件的几何模型和负载条件，并且可以可选地提供初始候选复合层压板规范作为输入；并且所提出的方法可以自动确定要从其制造机械部件的复合层压板，并且可选地还可以自动指示和/或引起所述复合层压板和/或机械部件的制造。

仍然更特别地，候选复合层压板的材料特性通过使用经训练的机器学习设备基于材料特征来预测。因此，预测复合层压板的传统方法(诸如各种水平的演算、数值分析和模拟的各种步骤)可以被减少或完全消除，并且材料特性可以被非常快速地预测。因此，可以迭代地和自动地探索更多数量的可能的候选复合层压板，并且考虑到机械部件的几何模型和负载条件来更好地优化复合层压板。

在本文中，特别地，复合层压板是由层压在彼此顶部上的多个层片组成的材料。每个层片由包括至少两个相(即，基体相和填料相)的相应复合材料制成。在本文中，术语“基体相”指代层片的复合材料的连续相。特别地，基体相围绕和覆盖填料相，使得填料相被嵌入基体相中。

基体相可以包括例如聚合物材料、金属材料和陶瓷材料中的一种。特别地，聚合物材料的示例包括柔软和/或延性材料，诸如合成树脂。

填料相可以包括例如纤维材料。纤维材料可以包括多个填料纤维。填料纤维可以是高模量、高强度纤维。填料纤维可以是例如碳纤维或玻璃纤维。

可替代地，填料相可以包括特定材料。该特定材料可以包括多个颗粒。该颗粒可以是例如难熔碳化物。

填料相可以被配置为增强复合材料。

除了基体相和填料相之外，每个层片还可以包括另外的相，诸如空气滞留物(airentrapments)、粘合剂材料以及诸如此类。

机械部件可以是要从复合层压板制造的任何部件、工具、产品以及诸如此类。

几何模型可以包括描述机械部件的几何形状的CAD数据、有限元模型等。

负载条件可以包括描述机械部件上的多个位置以及要在相应位置处施加的力(强度和方向)的数据。

特别地，几何模型和负载条件一起形成设计任务，该设计任务由操作员供应作为所提出方法的输入数据。

特别地，术语“候选复合层压板”被用于描述尚未制造的假想复合层压板。

特别地，材料特征可以包括候选复合层压板的微观水平特征、细观水平特征和/或宏观水平特征。

更特别地，材料特征可以至少包括候选复合层压板的微观水平特征。

当一起考虑时，材料特征可以形成完整描述(即，允许制造)(候选)复合层压板的规范。

在步骤b)中，“获取候选复合层压板的材料特征”可以包括以下之一：接收候选的材料特征作为输入；接收对多个预先存储的默认候选复合层压板中的一个的选择，并且使用所选的默认候选复合层压板的材料特征；或者使用预先存储的默认候选复合层压板的预先存储的默认材料特征。

例如，用户可以基于其工程知识提供候选复合层压板(初始候选复合层压板)的材料特征作为所提出方法的输入。可替代地，用户可以从预先存储在被配置为执行所提出方法的装置中的多个默认复合层压板中选择初始候选复合层压板。可替代地，可以不需要用户输入，并且所提出的方法可以涉及使用恰好一个预先存储的初始候选复合层压板。在不涉及用户输入的实施例中，预先存储的初始候选复合层压板可以是具有最简单或最基础的材料特征的复合层压板，或者可以是工业标准复合层压板。

步骤c)的机器学习设备可以体现人工神经网络等。例如，机器学习设备可以体现多项式回归类型、基于树的类型等的人工神经网络。特别地，机器学习设备可以已经被训练以基于候选复合层压板的材料特征来预测其材料特性。特别地，机器学习设备可以是能够提供尚未被用于训练机器学习设备的候选复合层压板的机械特性的适当和/或有用的预测的，而不必执行其模拟。

特别地，在步骤c)中，通过使用经训练的机器学习设备来至少部分地预测候选复合体的材料特性。至少在微观水平上，可以通过使用经过经训练的机器学习设备来预测材料特性，但在宏观水平和细观水平上，也可以通过模拟来预测材料特性。然而，特别有益的是，通过在所有三个水平上使用经训练的机器学习设备来完全并且排他地预测材料特性。

特别地，预测的材料特性可以包括机械材料特性。更特别地，材料特性可以包括局部材料特性。更特别地，材料特性可以包括局部连续介质机械材料特性。也就是说，材料特性可以适合于用作用于模拟或计算从复合层压板材料制造的机械部件的性能的参数。例如，材料特性可以包括杨氏模量、泊松比、屈服应力、刚度以及诸如此类。材料特性可以包括一个或多个标量值。可替代地和/或附加地，材料特性可以包括材料特性矩阵。在表述“材料特性矩阵”中，术语“矩阵”指代被布置为或可以被视为数学矩阵或阵列的多个标量值。特别地，在步骤d)中，机械部件的性能可以通过确定根据负载条件经受负载的机械部件的响应来评估。响应可以包括当经受负载时在机械部件中发生的贯穿于机械部件的应力或位移的分布。响应可以通过模拟和/或通过数值和/或分析求解来确定。基于该响应，机械部件的性能可以同样地通过模拟、数值求解和/或分析求解来评估。性能可以是机械部件的强度、机械部件的耐久性、关于从候选复合层压板制造的机械部件在根据负载条件经受负载时是否变形和/或断裂以及变形和/或断裂到什么程度和/或在多少次重复之后变形和/或断裂的信息。性能可以是该机械部件的全局参数。

在步骤e)中，表述“期望性能”可以指代预确定的期望性能，诸如被认为是可接受的最低性能，或者可以指代最优性能，它可以是在优化步骤等中可以实现的最佳/最高性能。

在步骤e)中，特别地，变化材料特征涉及改变材料特征中的至少一个，并且重复步骤c)和d)以确定与改变的材料特征相对应的性能。所述改变和确定可以被重复一次或多次，直到期望性能被实现为止。例如，可能的、可制造的材料特征的整个状态空间可以被遍历，以标识机械部件的全局最优性能。可替代地，例如，步骤e)可以实现迭代优化算法，诸如梯度下降/上升方法，以找到机械部件的局部或全局最优性能。

在步骤f)中，已经实现期望性能的候选复合层压板被确定为要从其制造机械部件的复合层压板。

如此确定的复合层压板的材料特征可以构成所提出的计算机实现的方法的输出数据，并且可以被输出给操作员或自动化设备作为用于制造复合层压板的规范。

通过这种方式，通过在步骤c)中使用机器学习设备并且在步骤f)中迭代优化，所提出的方法可以是能够有利地自动获得用于任何给定设计任务的新颖和/或最优复合层压板的。

根据实施例，所提出的方法进一步包括g)制造复合层压板和/或机械部件的步骤；和/或g)指示复合层压板和/或机械部件的制造的计算机实现的步骤。

也就是说，特别地，所设想的是一种全自动的并且至少部分的计算机实现的方法，其中包括几何模型和负载条件的设计任务作为输入数据被输入到该方法中，并且物理产品(即，复合层压板和/或机械部件)被获得为物理输出产品。

根据进一步的实施例，材料特征包括至少一个或多个微观水平特征，每个微观水平特征是多个层片之一的填料相的特征或基体相的特征。

在本文中，特别地，“材料特征”涉及在b)中接收的材料特征和/或在步骤c)中被用于预测的材料特征和/或在步骤e)中变化的材料特征和/或在步骤f)中实现期望性能的材料特征。

(候选)复合层压板的微观水平特征的示例可以包括：一个或多个层片的填料相的填料纤维的形状；一个或多个层片的填料纤维的尺寸；一个或多个层片的填料纤维的弹性特性；以及一个或多个层片的基体相的弹性特性。

根据进一步的实施例，材料特征进一步包括一个或多个细观水平特征，每个细观水平特征是指示多个层片之一的填料相和基体相之间的关系的特征。

在本文中，“指示关系的特征”可以指代指示填料相和基体相之间的相互作用的特征。

(候选)复合层压板的细观水平特征的示例可以包括任何一个层片的基体相内填料相的填料纤维的定向、指示任何一个层片的基体相内的填料纤维的量的基体与纤维的比率等。基体与纤维的比率可以例如被指定为体积百分比、质量百分比等。基体与纤维的比率可以相对于基体相的质量或体积和/或整个层片的质量或体积等来指定。

尽管在微观水平和/或细观水平模拟复合层压板是麻烦的并且在实践中很少进行，但是发明人已经观察到，使用机器学习设备可以通过优化微观特征来显著改进复合层压板的机械特性。

根据进一步的实施例，材料特征进一步包括一个或多个宏观水平特征，每个宏观水平特征是指示多个层片中的两个或更多个之间的关系的特征。

在本文中，“指示关系的特征”可以指代指示相应层片之间的相互作用的特征。

(候选)复合层压板的宏观水平特征的示例可以包括复合层压板中的层片的数量；任何两个层片之间的胶水的相应类型；相邻层片的基体相内的填料相的填料纤维的相对定向；以及诸如此类。

根据进一步的实施例，材料特征包括候选复合层压板的微观水平、细观水平和宏观水平特征的完整规范。

也就是说，有利地，所提出的方法可以使得能够在单个操作中基于所有微观水平、细观水平和宏观水平材料特征来预测材料特性，该单个操作可以考虑或揭示所有三个水平之间的隐藏的相互依赖性。基于(候选)复合层压板的完整规范，可以不需要模拟来获得材料特性的完整并且有用和/或可靠的预测，从而大大提高了步骤e)的迭代优化循环的速度。

根据进一步的实施例，在步骤c)中预测的材料特性包括描述所预测的材料特性的各向异性的材料特性矩阵。

也就是说，材料特性(诸如杨氏模量、泊松比、屈服应力、刚度等)可以不作为相应的标量值来预测，而是作为相应的标量值矩阵来预测，该标量值取决于复合层压板内的方向来指定这些材料特性。在表述“材料特性矩阵”中，术语“矩阵”是指被布置为或可以被视为数学矩阵或阵列的多个标量值。

机器学习设备可以容易地将材料特性预测为材料特性矩阵，而不需要复杂的演算来计及各向异性。

根据进一步的实施例，在步骤c)中，材料特性仅通过使用经训练的机器学习设备来预测，而不使用模拟，不使用数值求解并且不使用直接分析计算。

也就是说，有益地，从在微观、细观和宏观水平上预测材料特性的过程中，完全消除昂贵的CAE处理以及诸如此类是可能的。

根据进一步的实施例，所提出的方法进一步包括计算机实现的步骤：h)使用相应的训练复合层压板的材料特征作为输入数据并且使用相应的训练复合层压板的材料特性作为输出数据来训练机器学习设备。

特别地，机器学习设备可以体现人工神经网络，该人工神经网络包括接收微观水平、细观水平和宏观水平材料特征作为输入数据的神经元的输入层以及输出复合层压板的预测材料特性的神经元的输出层，并且可以进一步包括输入层和输出层之间的神经元的一个或多个隐藏层。训练机器学习设备的步骤可以涉及将相应训练复合层压板的材料特征输入到人工神经网络，测量相应训练复合层压板的已知材料特性与人工神经网络的输出之间的误差(诸如均方误差)，并且通过将可变加权因子应用于人工神经网络的每个神经元以调整每个神经元的输出来减小误差。

根据进一步的实施例，相应的训练复合层压板的材料特性通过基于训练复合层压板的材料特征执行模拟和/或通过用相应的训练复合层压板执行物理实验来确定。

也就是说，有利地，多个数据源可以被用于训练神经网络设备。例如，神经网络设备可以使用物理复合层压板来训练，其材料特征和材料特性是已知的和/或可以通过执行物理实验来确定。可替代地或者附加地，理论复合层压板可以被用于训练，并且其材料特性可以使用常规技术(诸如CAE模拟和/或求解简化分析模型)来导出。更进一步地，数据融合可以被用于组合来自各种物理训练复合层压板和/或理论训练复合层压板的数据，以生成进一步的训练数据集。

根据进一步的实施例，在步骤d)中，机械部件的性能通过基于几何模型、负载条件和预测的材料特性执行模拟来评估。

仅作为示例，几何模型可以被转换为FEM模型，并且CAE模拟可以被执行，以便基于几何模型和预测的局部材料特性根据负载条件确定机械部件对负载的响应(诸如应力和/或位移的分布)并且基于所确定的响应来确定机械部件的性能。

要注意的是，任何这样的模拟都是在机械部件的几何水平执行的，该几何水平是高于候选层压板的微观水平、细观水平和宏观水平中的任何一个的水平。

要注意的是，特别地，所提出的方法可以涉及基于微观水平、细观水平和宏观水平材料特征预测局部机械材料参数，并且可以涉及使用模拟来根据负载条件确定机械部件对负载的响应。微观、细观和宏观水平的局部材料特性的基于机器学习的预测与在几何水平确定机械部件的全局性能的模拟的组合可以给出以下优点：允许实现迭代优化操作，该迭代优化操作最终确定被优化以用于制造机械部件的复合层压板，以便在根据负载条件经受负载时提供最优性能。在本文中，机器学习被用于处置微观、细观和宏观水平，这很难使用模拟和/或演算来正确处置，而模拟被用于处置几何水平下的连续介质力学，这是很好理解的并且可以给出可靠的结果。

根据进一步的实施例，在步骤d)中，机械部件的性能使用第二经训练的机器学习设备来评估，该第二经训练的机器学习设备已经被训练以基于机械部件的几何模型、负载条件和材料特性来预测机械部件的性能。

也就是说，所提出的方法可以有利地在根本不涉及任何模拟或简化模型方程的求解的情况下执行。

通过分离地使用用于预测材料参数的第一机器学习设备和用于评估机械部件的性能的第二机器学习设备，如下各项可以是可能的：避免利用不相关的数据过度训练相应的机器学习设备；实现任何给定复合层压板的预测材料参数的稳定性，而不依赖于从给定复合层压板制造的机械部件的几何模型；当相同的复合层压板被应用于不同的机械部件以及诸如此类时，重新使用针对给定复合层压板获得的结果。

根据进一步的实施例，步骤a)进一步包括接收几何模型的实体约束和弱约束，并且步骤e)包括在弱约束内变化几何模型。

特别地，相应约束形成设计任务的一部分。相应约束可以被包括在几何模型中，或者可以独立于几何模型被包括在设计任务中。

强约束可以与机械部件的几何特征相关，所述几何特征不得由于构造和/或美学原因而变更。弱约束可以指定公差的某些裕度，在所述裕度内，几何模型可以在迭代优化中被变更。通过这种方式，通过迭代地确定优化的复合层压板和优化的机械部件(其几何模型)，所提出的方法可以有利地确保模型部件的可制造性、消除应力集中点以及诸如此类。

第一方面的任何实施例可以与第一方面的任何实施例组合以获得第一方面的另一实施例。

根据第二方面，本发明涉及一种包括程序代码的计算机程序产品，当在至少一个计算机上运行时，所述程序代码用于执行用于获得复合层压板的上述方法的计算机实现的步骤。

计算机程序产品(诸如计算机程序部件)可以被体现为存储卡、USB棒、CD-ROM、DVD或可以从网络中的服务器下载的文件。例如，这样的文件可以通过从无线通信网络传递包括计算机程序产品的文件来提供。

根据第三方面，提供了一种用于获得复合层压板的装置，该复合层压板由多个层片组成，每个层片由基体相和填料相组成，该装置包括：a)第一单元，被配置为接收从复合层压板制造的机械部件的几何模型和机械部件的负载条件；b)第二单元，被配置为获取候选复合层压板的材料特征；c)第三单元，被配置为通过使用经训练的机器学习设备基于材料特征预测候选复合层压板的材料特性；d)第四单元，被配置为当根据几何模型从候选复合层压板制造并且根据负载条件加载时，基于预测的材料特性来评估机械部件的性能；e)第五单元，被配置为通过变化候选复合层压板的材料特征并且重复使第三单元和第四单元执行其对应功能来优化机械部件的性能，直到实现期望的性能为止；以及f)第六单元，被配置为将具有实现机械部件的期望性能的材料特征的候选复合层压板确定为要从其制造机械部件的复合层压板。

诸如第一单元至第五单元和/或机器学习设备和/或装置的相应单元和/或设备可以以硬件和/或软件实现。如果所述实体以硬件实现，则它可以被体现为设备，例如计算机或处理器或系统(例如计算机系统)的一部分。如果所述实体以软件实现，则它可以被体现为计算机程序产品、功能、例程、程序代码或可执行对象。

参照本发明的方法描述的实施例和特征在经必要修正后适用于本发明的装置。

本发明的进一步可能的实现或替代解决方案还涵盖上面或下面关于实施例描述的特征的组合(本文中未明确提及)。本领域技术人员还可以向本发明的最基础形式添加单独的或孤立的方面和特征。

附图说明

结合随附附图考虑，本发明的其他实施例、特征和优点将从后续描述和从属权利要求中变得显而易见，其中：

图1图示了复合层压板的微观水平、细观水平和宏观水平。

图2图示了根据示例性实施例的机器学习设备的训练。

图3示出了根据示例性实施例的所提出方法的流程图。

图4示出了根据示例性实施例的优化装置的功能图。

图5图示了用于使用示例性实施例的方法和装置来制造机械部件的工作流。

在各图中，除非另有指示，否则相同的附图标记指示相同或功能等同的元件。

具体实施方式

图1图示了微观水平31、细观水平32和宏观水平33的复合层压板1。复合层压板1包括多个层片2、21、22、......、28，它们在竖直方向上层压在彼此的顶部上。每个层片2由基体相3(在下文中称为“基体3”)和填料相4组成。在本示例中，填料相由填料纤维组成，并且在下文中被称为“填料纤维4”。填料纤维4可以是玻璃纤维或碳纤维。

复合层压板1的材料特性取决于复合层压板1的材料特征。复合层压板1可以在三个不同的结构水平上进行处理，即，在微观水平31上、在细观水平32上和在宏观水平33上。

在本文中，微观水平31是：与填料纤维4的具体特征相关的水平，这样的填料相关微观水平材料特征包括例如填料纤维4的形状、填料纤维4的尺寸和填料纤维4的弹性特性；以及与基体3的具体特征相关的水平，这样的基体相关微观水平材料特征包括例如基体4的弹性特性。

进一步地，细观水平32是与单个层片2的具体特征相关的水平，或者，换言之，与指示形成相应层片2的填料纤维4和基体3之间的关系或相互作用的具体特征相关的水平。这样的细观水平材料特征的示例包括例如填料纤维4在层片2中的基体3内的定向、指示层片2中的基体3内的填料纤维4的量(诸如质量百分比或体积百分比)的基体与纤维的比率以及诸如此类。

进一步地，宏观水平33是与层压板1的具体特征相关的水平，层压板1由多个层片21、22、......、28组成。换言之，宏观水平材料特征的示例是指示层片21、22、......、28中的任何两个相邻层片之间的关系或相互作用的特征。这样的宏观水平材料特征的示例包括复合层压板1中的层片21、22、......、28的数量；层片21、22、......、28中的任何两个之间的胶水的相应类型；纤维3在相邻层片21、22、......、28的基体4内的相对定向；以及诸如此类。

复合层压板1的所有上述微观水平31、细观水平32和宏观水平33材料特征影响复合层压板1的材料特性(特别地，局部连续介质机械材料特性)。然而，不存在有效和实用的一致方法来用于基于所有三个水平31、32、33的材料特征分析和/或数值导出复合层压板1的材料特性。

图2图示了根据示例性实施例的机器学习设备10的训练。机器学习设备10可以包括人工神经网络或任何其他类型的可训练机器学习和/或人工智能设备。

在第一训练步骤中，选取物理训练复合层压板(未示出)，其材料特征81和材料特性91是从进行物理实验中已知的和/或从进行物理实验中获得的。物理训练复合层压板的训练材料特征81被提供给机器学习设备10作为输入数据，并且物理训练复合层压板的已知材料特性91被提供给机器学习设备10作为目标输出数据。通过这种方式，机器学习设备10被训练以知道材料特征91是作为输入数据的材料特征81的期望输出数据。机器学习设备10可以例如通过将加权因子应用于其人工神经网络的每个神经元的输出等来实现所述学习/训练。

在第二训练步骤中，选取理论训练复合层压板(未示出)，其材料特征82被指定，并且其材料特性92通过计算和/或模拟获得。例如，在微观水平31，材料特性92可以通过求解一组Halpin-Tsai方程导出，而在细观水平32和宏观水平33，材料特性92可以通过执行基于FEM的CAE模拟导出。理论训练复合层压板的训练材料特征82和训练材料特性92以与针对第一训练步骤描述的相同的方式被提供给机器学习设备10作为训练输入/输出数据。

在第三训练步骤中，应用数据融合，以从现有训练材料特征81、82和现有训练材料特性91、92生成训练材料特征83和训练材料特性93的另一集合。数据融合的训练材料特征83和数据融合的训练材料特性93以与针对第一训练步骤和第二训练步骤描述的相同的方式被提供给机器学习设备10作为训练输入/输出数据。通过上述方式，经训练的机器学习设备10可以被实现。

图3示出了根据示例性实施例的所提出方法的流程图；图4示出了根据示例性实施例的优化装置100的功能图，并且图5图示了用于使用示例性实施例的方法和装置100制造机械部件6的工作流。

现在将视情况而定参照图3至5和图1来描述优选的示例性实施例。

图5所示的工作流涉及用户接口设备11、机器学习设备10、优化装置100和生产设施12。

特别地，优化装置100包括存储部件111(诸如硬盘驱动器或固态盘)、处理器部件112(诸如中央处理单元)和存储器部件113(诸如随机存取存储器)。图5所示的存储部件11、处理器部件112和存储器部件113被可操作地耦合，以在协作工作时体现图4所示的优化装置100的功能单元(第一单元101、第二单元102、第三单元103、第四单元104、第五单元105和第六单元106)。

特别地，用户接口设备11可以是计算机辅助设计(CAD)工作站等，设计工程师在其上为要从复合层压板1制造的机械部件6创建几何模式5和负载条件7。

在所示的示例中，机械部件6是所谓的“碳”自行车车架，并且复合层压板1是碳纤维增强聚合物，也就是说，填料纤维4是碳纤维，并且基体3是聚合物材料。

特别地，图5的机器学习设备10可以是经训练的机器学习设备10，其训练已经结合图2进行了描述。在根据本示例性实施例的方法的步骤S1中，优化装置100的第一单元101接收机械部件6的几何模型5和负载条件7。

例如，几何模型5可以是三维CAD模型，并且负载条件可以是当骑车人(未示出)坐在安装在自行车车架6上的车座上时预期作用在自行车车架5上的最大负载的图；当自行车(包括自行车车架6)在小道上的颠簸处驾驶时，执行跳跃等。

在步骤S2中，优化装置100的第二单元102接收由设计工程师指定的候选复合层压板1的材料特征84。

特别地，在步骤S2中接收的材料特征84然后被优化装置100用作当前迭代的候选复合层压板1的材料特征85。

在步骤S3中，第三单元103将当前迭代的候选复合层压板1的材料特征85提供给经训练的机器学习设备10作为输入数据，并且从经训练的机械学习设备10接收当前迭代的候选复合层压板1的预测材料特征95作为输出数据。

在步骤S4中，第四单元104评估机械部件6的性能。也就是说，如果机械部件6是从当前迭代的候选复合层压板1制造的并且根据负载条件7经受负载，则第四单元104使用预测的材料特性95来评估机械部件6(假想的机械部件6)的响应；并且基于所确定的响应来确定这样的假想机械部件6的性能。

仅作为示例，第四单元104可以使用从CAD模型5生成的机械部件6的FEM模型，以使用负载条件7和材料特性95作为模拟参数来执行FEM模型的模拟。

在步骤S5中，第五单元105进行在步骤S4中评估的性能是否是期望性能的决策。

如果性能不是期望的性能，则第五单元105通过优化候选层压板6的材料特性95来优化机械部件6的性能。

特别地，针对所述优化，第一单元105变化当前迭代的候选层压板1的材料特征85中所包括的至少一个特征，以实现下一次迭代的候选复合层压板1的材料特征。然后，使下一次迭代的候选复合层压板1成为新的当前迭代的候选复合层压板1，也就是说，变化的材料特征被用作新的当前迭代中使用的材料特征85。然后，第五单元105使得利用新的当前迭代的候选复合层压板1的材料特征85重复步骤S3和S4以及S5。

特别地，为了确定如何变化材料特性85中的哪个材料特性85，第五单元105可以应用遍历方法、梯度上升(梯度下降)方法或适配为标识可以被评估但是在分析上未知的函数的局部或全局最优的任何其他求解方法。

在执行所述变化时，第五单元105可以考虑与可制造性以及诸如此类相关的软约束或硬约束，所述软约束或硬约束可以被包括在几何模型5中或者可以被分离地输入。

如果在步骤S4中评估的性能是期望性能，也就是说，例如如果预定阈值性能被实现和/或如果应用的求解方法指示局部或全局最优已经被实现，则步骤S5进行到步骤S6。

在步骤S6中，第六单元106确定在步骤S5中被确定为已经实现机械部件6的期望性能的当前迭代的候选层压板1是要从其制造机械部件6的复合层压板1。特别地，第六单元106提供当前迭代的材料特征85作为要从其制造机械部件6的复合层压板1的材料特征86。

更特别地，由第六单元106提供的材料特征86可以包括微观水平31、细观水平32和宏观水平33特征，所述特征形成所获得的复合层压板1的完整的、可制造的规范。

也就是说，有利地，本示例性实施例的方法和装置可以允许以完全自动化的方式获得用于制造复合层压板1的完整规范，所述复合层压板1为设计任务定制并且实现机械部件66的期望和/或最优性能。指定设计任务所要求的唯一输入可以是机械部件6的几何模型5以及机械部件6要经受(它应该承受)的负载条件7。

作为所提出的方法和优化装置100的进一步发展，第六单元106可以执行将所获得的复合层压板的可制造规范86提供给生产设施12的进一步的步骤和/或使生产设施12自动制造复合层压板1，或者制造复合层压板1和机械部件6这两者。

尽管已经根据优选的示例性实施例描述了本发明，但是对于本领域技术人员来说显而易见的是，修改在所有示例性实施例中都是可能的。

机器学习设备10已经被描述为在所提出的优化装置100外部的设备。

然而，优化装置100还可以包括机器学习设备10。

在优选示例性实施例的步骤S2中，优化装置100的第二单元102通过从用户接口设备11接收由设计工程师指定的材料特征84来获取候选复合层压板1的材料特征84。可替代地，第二单元102还可以仅从用户接口设备11接收选择，该选择指定可以被预先存储在优化装置100的存储部件111中的若干默认候选复合层压板1中的一个。可替代地，在步骤S2中，第二单元102可以获取初始候选复合层压板1的材料特征84，而不需要从用户接口设备11接收任何输入。第二单元102可以基于所接收的几何模型5的初步分析来选择若干预先存储的默认候选复合层压板中的一个，或者第二单元102可以总是选择例如被预先存储在存储部件111中的单个相同的默认候选复合层压板1。

初始候选层压板的材料特征84、当前迭代的候选层压板的材料特征85和所获得的复合层压板的材料特征86可以包括所提及的或其他可想到的微观水平31、细观水平32和宏观水平33特征中的任何一个，所述特征适合于提供复合层压板1的材料特征的可制造规范。

已经描述了，在步骤S3中，第三单元103向机器学习设备10提供当前迭代的候选层压板1的所有材料特征85，以预测当前迭代的候选层压板1的材料特性95。然而，只有一些材料特征85可以被提供给机器学习设备10，并且只有一些材料特性95可以由机器学习设备10预测，并且计算机辅助工程模拟可以被用于补充机器学习设备10。例如，材料特性95可以至少在微观水平31上通过机器学习来预测，并且可以至少在宏观水平上通过模拟或计算来预测。

通过使用机器学习设备10，材料特性95可以作为材料特性矩阵被容易并且高效地预测，该材料特性矩阵考虑了由特定填料纤维4、层片2以及诸如此类的布置引起的复合层压板1的特性的各向异性。

已经描述了，在步骤S4中，第四单元104通过对机械部件6的FEM模型执行模拟来根据负载条件7评估机械部件6对负载的响应。然而，第四单元104也可以应用分析和/或其他数值方法来评估响应。在又另一替代方案中，另一机器学习设备(未示出)可以被用于基于预测的材料特性95、负载条件7和几何模型5来预测机械部件6的响应和/或性能。

已经描述了，在步骤S5中，第五单元105变化当前迭代的机械特征85，以通过优化当前迭代的复合层压板1的机械特性95来优化机械部件6的性能。然而，除此之外，第五单元105还可以变化机械部件6的几何模型5，以进一步优化机械部件6的性能，从而确保复合层压板1和机械部件6以及诸如此类的可制造性。例如，几何模型5可以包括指定几何模型5的哪些部分可以变化到什么程度的弱约束以及指定几何模型5的哪些部分不得变化的实体约束。在该实施例中，第六单元106不仅可以向操作员或生产设施12提供所获得的复合层压板1的材料特征86的规范，而且还可以提供机械部件6的优化几何模型50。

作为机械部件6的示例，已经描述了自行车车架。然而，本公开的教导不限于此，并且还可应用于可能潜在地使用复合层压板1(诸如飞机引擎叶片、车辆或船体以及诸如此类)解决的任何设计任务。

此外，根据本发明的实施例的方法和装置可以有利地提供用于确定和/或制造复合层压板材料的全自动并且快速的方法和装置，它被优化以用于求解任何任意设计任务。因此预期本发明可以导致从复合层压板材料设计和制造的新种类的机械部件6，当使用常规的设计和/或制造技术时，由于确定合适的复合层压板和/或几何模型所涉及的过多的困难、耗时、手动和/或计算成本高的任务，常规上使用复合层压板材料无法实现所述新种类的机械部件6。

附图标记：

1 层压板

2 层片

3基体相(基体)

4填料相(填料纤维)

5 几何模型

6 机械部件

7 负载条件

10 机器学习设备

11 用户接口设备

12 生产设施

21……28层片

31 微观水平

32 细观水平

33 宏观水平

50 优化的几何模型

81、82、83训练材料特征

84初始候选复合层压板的材料特征

85当前候选复合层压板的材料特征

86优化候选复合层压板的材料特征

95当前候选复合层压板的预测材料特性

91、92、93训练材料特性

100优化装置

101......106第一单元至第六单元

111 存储部件

112 处理器部件

113 存储器部件

S1......S6方法步骤。

Claims (15)

1.一种用于获得由多个层片(2、21至28)组成的复合层压板(1)的方法，每个层片(2、21至28)由基体相(3)和填料相(4)组成，所述方法包括以下所述计算机实现的步骤：

a)接收(S1)要从所述复合层压板(1)制造的机械部件(6)的几何模型(5)以及所述机械部件的负载条件(7)；

b)获取(S2)候选复合层压板(1)的材料特征(84)；

c)通过使用经训练的机器学习设备(10)，基于所述材料特征(85)来预测(S3)所述候选复合层压板(1)的材料特性(95)；

d)当根据所述几何模型(5)从所述候选复合层压板(1)制造并且根据所述负载条件(7)加载时，基于所述预测材料特性(95)来评估所述机械部件(6)的性能；

e)通过变化所述候选复合层压板的所述材料特征(85)并且重复地执行步骤c)和d)来优化所述机械部件(6)的所述性能，直到期望性能被实现为止；以及

f)将具有实现所述机械部件(6)的所述期望性能的所述材料特征(86)的所述候选复合层压板(1)确定为要从其制造所述机械部件(6)的所述复合层压板(1)。

2.根据权利要求1所述的方法，其特征在于，进一步包括g)制造所述复合层压板(1)和/或所述机械部件(6)的所述步骤；和/或

g)指示所述复合层压板(1)和/或所述机械部件(6)的制造的所述计算机实现的步骤。

3.根据权利要求1或2所述的方法，其特征在于，所述材料特征(81至86)包括至少一个或多个微观水平(31)特征，每个微观水平(31)特征是所述多个层片(2、21至28)中的一个的所述填料相(4)的特征或者所述基体相(3)的特征。

4.根据权利要求3所述的方法，其特征在于，所述材料特征(81至86)进一步包括一个或多个细观水平(32)特征，每个细观水平(32)特征是指示所述多个层片(2、21至28)中的一个的所述填料相(4)和所述基体相(3)之间的关系的特征。

5.根据权利要求3或4所述的方法，其特征在于，所述材料特征(81至86)进一步包括一个或多个宏观水平(33)特征，每个宏观水平(33)特征是指示所述多个层片(2、21至28)中的两个或更多个之间的关系的特征。

6.根据权利要求1至5中任一项所述的方法，其特征在于，所述材料特征(81至86)包括所述候选复合层压板(1)的微观水平(31)、细观水平(32)和宏观水平(33)特征的完整规范。

7.根据权利要求1至6中任一项所述的方法，其特征在于，在步骤c)中预测的所述材料特性(95)包括描述所述预测材料特性(95)的各向异性的材料特性矩阵。

8.根据权利要求1至7中任一项所述的方法，其特征在于，在步骤c)中，所述材料特性(95)仅通过使用所述经训练的机器学习设备(10)来预测，而不使用模拟，不使用数值求解并且不使用直接分析计算。

9.根据权利要求1至8中任一项所述的方法，其特征在于，进一步包括以下所述计算机实现的步骤：

h)使用相应的训练复合层压板(1)的材料特征(81至83)作为输入数据并且使用所述相应的训练复合层压板(1)的材料特性(91至93)作为输出数据来训练所述机器学习设备(10)。

10.根据权利要求9所述的方法，其特征在于，所述相应的训练复合层压板(1)的所述材料特性(91至93)通过基于所述训练复合层压板(1)的所述材料特征(81至83)执行模拟和/或通过用所述相应的训练复合层压板(1)执行物理实验来确定。

11.根据权利要求1至10中任一项所述的方法，其特征在于，在步骤d)中，所述机械部件(6)的所述性能通过基于所述几何模型(5)、所述负载条件(7)和所述预测材料特性(95)执行模拟来评估。

12.根据权利要求1至10中任一项所述的方法，其特征在于，在步骤d)中，所述机械部件(6)的所述性能使用第二经训练的机器学习设备来评估，所述第二经训练的机器学习设备已经被训练以基于其几何模型、负载条件和材料特性来预测机械部件的性能。

13.根据权利要求1至12中任一项所述的方法，其特征在于，步骤a)进一步包括接收所述几何模型(5、50)的实体约束和弱约束，并且

步骤e)包括在所述弱约束内改变所述几何模型(5、50)。

14.一种包括程序代码的计算机程序产品，当在至少一个计算机上运行时，所述程序代码用于执行权利要求1至13中任一项所述的方法的所述计算机实现的步骤。

15.一种用于获得由多个层片(2、21至28)组成的复合层压板(1)的装置(100)，每个层片(2、21至28)由基体相(3)和填料相(4)组成，所述装置(100)包括：

a)第一单元(101)，被配置为接收要从所述复合层压板(1)制造的机械部件(6)的几何模型(5)以及所述机械部件的负载条件(7)；

b)第二单元(102)，被配置为获取候选复合层压板(1)的材料特征(84)；

c)第三单元(103)，被配置为通过使用经训练的机器学习设备(10)基于所述材料特征(85)来预测所述候选复合层压板(1)的材料特性(95)；

d)第四单元(104)，被配置为当根据所述几何模型(5)从所述候选复合层压板(1)制造并且根据所述负载条件(7)加载时，基于所述预测材料特性(95)来评估所述机械部件(6)的性能；

e)第五单元(105)，被配置为通过变化所述候选复合层压板(1)的所述材料特征(85)并且重复地使所述第三单元(103)和所述第四单元(104)执行其对应功能来优化所述机械部件(6)的所述性能，直到期望性能被实现为止；以及

f)第六单元(106)，被配置为确定所述材料特征(86)实现所述机械部件(6)的所述期望性能的所述候选复合层压板(1)作为要从其制造所述机械部件(6)的所述复合层压板(1)。

Images