CN116384078A - 复合材料的力学性能预测方法、装置、设备及存储介质 - Google Patents
复合材料的力学性能预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116384078A CN116384078A CN202310262845.7A CN202310262845A CN116384078A CN 116384078 A CN116384078 A CN 116384078A CN 202310262845 A CN202310262845 A CN 202310262845A CN 116384078 A CN116384078 A CN 116384078A
- Authority
- CN
- China
- Prior art keywords
- mechanical property
- composite material
- parameter
- predicted
- parameters
- 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
Links
- 239000002131 composite material Substances 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 239000000463 material Substances 0.000 claims abstract description 97
- 238000004458 analytical method Methods 0.000 claims abstract description 58
- 239000013077 target material Substances 0.000 claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 53
- 238000000354 decomposition reaction Methods 0.000 claims description 31
- 238000011156 evaluation Methods 0.000 claims description 31
- 238000006073 displacement reaction Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 18
- 230000006872 improvement Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000000737 periodic effect Effects 0.000 claims description 10
- 238000013139 quantization Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 13
- 239000000835 fiber Substances 0.000 description 11
- 238000009954 braiding Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000000265 homogenisation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 229920000049 Carbon (fiber) Polymers 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000004917 carbon fiber Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000009940 knitting Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000005483 Hooke's law Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000003733 fiber-reinforced composite Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011295 pitch Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000009941 weaving 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
-
- 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
- G06F2119/14—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
- 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)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明属于复合材料性能检测技术领域，公开了一种复合材料的力学性能预测方法、装置、设备及存储介质。该方法包括：获取待预测复合材料的多个基本材料参数；根据各基本材料参数进行力学影响分析，确定多个目标材料参数；根据各目标材料参数和预设代表体单元模型进行力学性能分析，得到预测力学性能参数；根据所述预测力学性能参数完成对所述待预测复合材料的力学性能预测。通过上述方式，根据确定的目标材料参数结合预设代表体单元模型进行力学性能分析，得到待预测复合材料的预测力学性能参数，从而完成对待预测复合材料的力学性能预测，实现了对复合材料的力学性能预测的精度和效率，保证了随机力学可靠力学性能预测的准确性。
Description
技术领域
本发明涉及复合材料性能检测技术领域，尤其涉及一种复合材料的力学性能预测方法、装置、设备及存储介质。
背景技术
复合材料是各向异性材料由增强材料和基体共同组成，根据增强材料中纤维的结构形式又可分为单向、编织、机织、针织等。编织纤维增强复合材料的增强材料采用一定的方式编织，在空间中形成整体的网状结构。按照编织工艺可将编织材料分为二维、三维编织材料，二维编织复合材料编织制造工艺较为简单且成熟，是复合材料研究领域的重点。在二维编织复合材料的实际运用过程中，由于纤维和基体在生产、存储、运输以及在制造工艺上存在不确定的变动使得复合材料的力学性能具有分散性和随机性，这会导致力学性能的预测不具有可靠性。
发明内容
本发明的主要目的在于提供一种复合材料的力学性能预测方法、装置、设备及存储介质，旨在解决现有技术中如何实现对二维编织复合材料的力学性能准确预测的技术问题。
为实现上述目的，本发明提供了一种复合材料的力学性能预测方法，所述复合材料的力学性能预测方法包括：
获取待预测复合材料的多个基本材料参数；
根据各基本材料参数进行力学影响分析，确定多个目标材料参数；
根据各目标材料参数和预设代表体单元模型进行力学性能分析，得到预测力学性能参数；
根据所述预测力学性能参数完成对所述待预测复合材料的力学性能预测。
可选地，所述根据各基本材料参数进行力学影响分析，确定多个目标材料参数，包括：
对各基本材料参数的随机力学性能进行分解，确定分解正交函数；
根据所述分解正交函数进行函数计算，确定多个分解函数子项；
根据多个分解函数子项确定多个目标材料参数。
可选地，所述根据多个分解函数子项确定多个目标材料参数，包括：
根据多个分解函数子项进行量化评估值计算，确定各基本材料参数的量化评估值；
获取预设评估阈值；
根据各基本材料参数的量化评估值和所述预设评估阈值对各基本材料参数进行筛选，确定多个目标材料函数。
可选地，所述根据各目标材料参数和预设代表体单元模型进行力学性能分析，得到预测力学性能参数，包括：
根据各目标材料参数和预设采样方法进行采样，确定多个参数样本；
根据各参数样本和预设代表体单元模型进行力学性能分析，得到各参数样本的刚度矩阵；
根据各参数样本的刚度矩阵进行矩阵求解，确定预测力学性能参数。
可选地，所述根据各参数样本和预设代表体单元模型进行力学性能分析，得到各参数样本的刚度矩阵，包括：
输入各参数样本至预设代表体单元模型，得到预测单元模型；
对所述预测单元模型施加周期性边界条件，确定所述预测单元模型的虚位移函数、微观位移以及宏观位移；
根据所述虚位移函数、所述微观位移以及所述宏观位移进行矩阵变换，得到各参数样本的刚度矩阵。
可选地，所述根据各参数样本的刚度矩阵进行矩阵求解，确定预测力学性能参数，包括：
根据各参数样本的刚度矩阵进行矩阵求解，确定各参数样本的弹性模量、剪切模量以及泊松比；
根据各参数样本的弹性模量、剪切模量以及泊松比进行均值计算，确定均值弹性模量、均值剪切模量以及均值泊松比；
根据所述均值弹性模量、所述均值剪切模量以及所述均值泊松比确定预测力学性能参数。
可选地，所述根据所述预测力学性能参数完成对所述待预测复合材料的力学性能预测之后，还包括：
获取预设性能阈值；
根据所述预设性能阈值和所述预测性能参数进行性能比较，确定比较结果；
根据所述比较结果确定生成材料改进策略；
根据所述材料改进策略对所述待预测复合材料进行材料改进。
此外，为实现上述目的，本发明还提出一种复合材料的力学性能预测装置，所述复合材料的力学性能预测装置包括：
获取模块，用于获取待预测复合材料的多个基本材料参数；
分析模块，用于根据各基本材料参数进行力学影响分析，确定多个目标材料参数；
所述分析模块，还用于根据各目标材料参数和预设代表体单元模型进行力学性能分析，得到预测力学性能参数；
完成模块，用于根据所述预测力学性能参数完成对所述待预测复合材料的力学性能预测。
此外，为实现上述目的，本发明还提出一种复合材料的力学性能预测设备，所述复合材料的力学性能预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的复合材料的力学性能预测程序，所述复合材料的力学性能预测程序配置为实现如上文所述的复合材料的力学性能预测方法。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有复合材料的力学性能预测程序，所述复合材料的力学性能预测程序被处理器执行时实现如上文所述的复合材料的力学性能预测方法。
本发明通过获取待预测复合材料的多个基本材料参数；根据各基本材料参数进行力学影响分析，确定多个目标材料参数；根据各目标材料参数和预设代表体单元模型进行力学性能分析，得到预测力学性能参数；根据所述预测力学性能参数完成对所述待预测复合材料的力学性能预测。通过上述方式，获取待预测复合材料的多个基本材料参数，根据各基本材料参数进行力学影响分析，确定多个目标材料参数，结合预设代表体单元模型进行力学性能分析，得到待预测复合材料的预测力学性能参数，从而完成对待预测复合材料的力学性能预测，实现了对复合材料的力学性能预测的精度和效率，保证了随机力学可靠力学性能预测的准确性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的复合材料的力学性能预测设备的结构示意图；
图2为本发明复合材料的力学性能预测方法第一实施例的流程示意图；
图3为本发明复合材料的力学性能预测方法一实施例的材料参数示意图；
图4为本发明复合材料的力学性能预测方法第二实施例的流程示意图；
图5为本发明复合材料的力学性能预测方法一实施例的单元模型示意图；
图6为本发明复合材料的力学性能预测方法一实施例的整体流程示意图；
图7为本发明复合材料的力学性能预测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的复合材料的力学性能预测设备结构示意图。
如图1所示，该复合材料的力学性能预测设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，Wi-Fi）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对复合材料的力学性能预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及复合材料的力学性能预测程序。
在图1所示的复合材料的力学性能预测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明复合材料的力学性能预测设备中的处理器1001、存储器1005可以设置在复合材料的力学性能预测设备中，所述复合材料的力学性能预测设备通过处理器1001调用存储器1005中存储的复合材料的力学性能预测程序，并执行本发明实施例提供的复合材料的力学性能预测方法。
本发明实施例提供了一种复合材料的力学性能预测方法，参照图2，图2为本发明一种复合材料的力学性能预测方法第一实施例的流程示意图。
复合材料的力学性能预测方法包括以下步骤：
步骤S10：获取待预测复合材料的多个基本材料参数。
需要说明的是，本实施例的执行主体为终端设备，终端设备上搭载有复合材料的力学性能预测系统，复合材料的力学性能预测系统可获取待预测复合材料的多个基本材料参数，根据各基本材料参数进行力学影响分析，确定多个目标材料参数，根据各目标材料参数和预设代表体单元模型进行力学性能分析，得到预测力学性能参数，根据预测力学性能参数完成对待预测复合材料的力学性能预测。
可以理解的是，待预测复合材料指的是需要进行力学性能可靠性预测的二维编织复合材料，由于三维编织复合材料较为复杂，影响其力学性能的不确定参数众多，因此本实施例提出的复合材料的力学性能预测方法仅适用于二维编织复合材料，如二维二轴（平纹、斜纹、缎纹）、二维三轴等。
在具体实现中，多个基本材料参数是针对待预测复合材料考虑的随机不确定参数，包括但不限于纤维束长轴(a)、纤维束短轴(b)、纤维束间距(l)、编织角(α)、纤维体积分数(Vf)中的至少一项。如图3所示，为待预测复合材料不确定参数的示意图，其中a 表示纱线长轴，b 表示纱线短轴，l 表示纤维束间的间距，α表示编织角。
步骤S20：根据各基本材料参数进行力学影响分析，确定多个目标材料参数。
需要说明的是，在获取待预测复合材料考虑的多个基本材料参数后，通过多元线性回归方法对基本材料参数对力学性能的影响程度进行分析，从而获取基本材料参数中的重要参数，即对基本材料参数进行层次敏感性分析，基本材料参数中的重要参数对力学性能的影响程度较为重要，且基本材料参数中的重要参数即为目标材料参数。
可以理解的是，为了保证力学影响分析过程的准确性，进一步地，所述根据各基本材料参数进行力学影响分析，确定多个目标材料参数，包括：对各基本材料参数的随机力学性能进行分解，确定分解正交函数；根据所述分解正交函数进行函数计算，确定多个分解函数子项；根据多个分解函数子项确定多个目标材料参数。
在具体实现中，对各基本材料参数的随机力学性能进行分解，确定分解正交函数，具体过程为：利用多元线性回归方法将不确定参数的随机力学性能分解成正交函数的组合形式：
其中，x为输入的n维基本材料参数向量，n为输基本材料参数的个数，正交函数的组合表达式共有 2n项，在本实施例中n=5；y为一种碳纤维复合材料的力学性能，正交函数的组合形式y即为分解正交函数。
可对上述各积分表达式求解，获得各子项，上述各积分表达式则为分解函数子项。
可以理解的是，在确定分解函数子项后即可进行目标材料参数的确定，为了保证参数选定过程的准确性，进一步地，所述根据多个分解函数子项确定多个目标材料参数，包括：根据多个分解函数子项进行量化评估值计算，确定各基本材料参数的量化评估值；获取预设评估阈值；根据各基本材料参数的量化评估值和所述预设评估阈值对各基本材料参数进行筛选，确定多个目标材料函数。
在具体实现中，由于基本材料参数对力学性能的影响程度是通过偏方差与总方差的比值来进行定量化评估，因此可根据多个分解函数子项进行量化评估值计算，确定各基本材料参数的量化评估值
，不同的基本材料参数对不同的力学性能的响应不同。
需要说明的是，预设评估阈值指的是预先设定的评估临界值，各基本材料参数的量化评估值为S，量化评估值为S的取值范围是0~1，根据预设评估阈值和各基本材料参数的量化评估值对各基本材料参数进行筛选，得到各基本材料参数中量化评估值超过预设评估阈值的参数，各基本材料参数中量化评估值超过预设评估阈值的参数即为目标材料参数。在本实施例中，预设评估阈值为0.1，也可为其他值，本实施例对此不加以限制。
可以理解的是，基于多元线性回归方法来筛选出重要的不确定影响因素，仅考虑影响较大的不确定因素，提高了计算效率，也有助于在材料-结构一体化过程中降低材料参数维度从而提高预测的效率和质。
步骤S30：根据各目标材料参数和预设代表体单元模型进行力学性能分析，得到预测力学性能参数。
需要说明的是，预设代表体单元模型指的是RVE（Representative VolumeElement，代表性体积单元）代表体单元模型，RVE是根据结构的几何特点所选取的能够代表宏观结构所有几何特征的单胞，单胞在空间或面内方向上周期性重复排列而成复合材料。周期性边界条件是对RVE施加基于六种应变载荷（
），且要求要保证单胞边界的应力连续和位移连续。
可以理解的是，根据目标材料参数和预设代表体单元进行力学性能分析，即可得到待预测复合材料的预测力学性能参数。预测力学性能参数包括待预测复合材料在 1，2，3方向上的弹性模量E1、E2、E3， 材料在1-2，1-3，2-3 平面内的剪切模量G12、G13、G23，以及泊松比μ12、μ13、μ23。
步骤S40：根据所述预测力学性能参数完成对所述待预测复合材料的力学性能预测。
需要说明的是，在确定预测力学性能参数后，即可完成对待预测复合材料的力学性能预测。同时为了保证待预测复合材料的材料质量，进一步地，所述根据所述预测力学性能参数完成对所述待预测复合材料的力学性能预测之后，还包括：获取预设性能阈值；根据所述预设性能阈值和所述预测性能参数进行性能比较，确定比较结果；根据所述比较结果确定生成材料改进策略；根据所述材料改进策略对所述待预测复合材料进行材料改进。
可以理解的是，预设性能阈值指的是预先设定的性能合格的临界值，将预测性能参数和预设性能阈值进行一一比较，确定比较结果，当比较结果中存在某一项性能参数不合格时，针对该项参数确定对应的材料改进策略，并根据材料改进策略对待预测复合材料进行材料改进，通过降低基本材料参数的维度提高待预测复合材料的材料结构。
本实施例通过获取待预测复合材料的多个基本材料参数；根据各基本材料参数进行力学影响分析，确定多个目标材料参数；根据各目标材料参数和预设代表体单元模型进行力学性能分析，得到预测力学性能参数；根据所述预测力学性能参数完成对所述待预测复合材料的力学性能预测。通过上述方式，获取待预测复合材料的多个基本材料参数，根据各基本材料参数进行力学影响分析，确定多个目标材料参数，结合预设代表体单元模型进行力学性能分析，得到待预测复合材料的预测力学性能参数，从而完成对待预测复合材料的力学性能预测，实现了对复合材料的力学性能预测的精度和效率，保证了随机力学可靠力学性能预测的准确性。
参考图4，图4为本发明一种复合材料的力学性能预测方法第二实施例的流程示意图。
基于上述第一实施例，本实施例复合材料的力学性能预测方法中所述的步骤S30，包括：
步骤S31：根据各目标材料参数和预设采样方法进行采样，确定多个参数样本。
需要说明的是，预设采样方法指的是拉丁超立方采样方法(（Latin HypercubeSampling：LHS）)，在得到各目标材料参数后，将各目标材料参数均定义为服从变异系数为0.01的独立正态分布，基于预设采样方法对各目标材料参数进行采样，得到多个采样参数组，一个采样参数组即为一个参数样本，例如，本实施例中的目标材料参数包括多个纤维束长轴(a)、纤维束短轴(b)、纤维束间距(l)、编织角(α)以及纤维体积分数(Vf)，则一个参数样本可为（a1、b1、l1、α1、Vf1）。在本实施例中，可将参数样本的数量设置为50个，即根据预设采样方法对各目标材料参数进行采样，得到50个参数样本。
步骤S32：根据各参数样本和预设代表体单元模型进行力学性能分析，得到各参数样本的刚度矩阵。
需要说明的是，将各参数样本分别输入至预设代表体单元模型，根据输入参数后的预设代表体单元模型的周期性边界条件基于渐进均匀化理论建立微观结构的几何参数与宏观力学性能参数之间的数学关系，得到各参数样本的有效刚度矩阵
。
可以理解的是，为了保证力学性能分析的准确性，进一步地，所述根据各参数样本和预设代表体单元模型进行力学性能分析，得到各参数样本的刚度矩阵，包括：输入各参数样本至预设代表体单元模型，得到预测单元模型；对所述预测单元模型施加周期性边界条件，确定所述预测单元模型的虚位移函数、微观位移以及宏观位移；根据所述虚位移函数、所述微观位移以及所述宏观位移进行矩阵变换，得到各参数样本的刚度矩阵。
在具体实现中，将各参数样本分别输入至预设代表体单元模型，得到输入参数后的预设代表体单元模型，输入参数后的预设代表体单元模型即为预测单元模型。对预测单元模型施加周期性边界条件，具体过程为：对预测单元模型施加基于六种应变载荷（
），且要求要保证单胞边界的应力连续和位移连续。如图5所示，左侧为预测单元模型，右侧为对预测单元模型周期性边界的施加。
需要说明的是，在对预测单元模型施加周期性边界条件后，基于渐进均匀化理论推导力学性能，将位移张量
进行渐进展开：/>
，其中，x，y分别表示宏观尺度的宏观位移和微观尺度的微观位移，宏观坐标与微观坐标满足y=x/ƞ，（ƞ≤1）关系式。
线弹性范围内的虚位移方程为：
，其中，vi为虚位移，fi、ti分别为预测单元模型受到的体力和面力。根据广义位移函数则6×6阶有效刚度矩阵/>
可表示为：/>
。虚位移方程即为虚位移函数，有效刚度矩阵/>
即为各参数样本的刚度矩阵。
步骤S33：根据各参数样本的刚度矩阵进行矩阵求解，确定预测力学性能参数。
需要说明的是，在确定各参数样本的刚度矩阵后，根据各参数样本的刚度矩阵进行矩阵求解，具体过程为：各向异性的应力应变关系-广义胡克定律根据格林公式推导得出公式如下：
将其转化为应力的分量表示应变的分量，其应力应变关系式为：/>
根据上述矩阵进行求解，可得到待预测复合材料在1，2，3 方向上的弹性模量E1、E2、E3， 材料在1-2，1-3，2-3 平面内的剪切模量G12、G13、G23，以及泊松比μ12、μ13、μ23，一个参数样本对应一组弹性模量、剪切模量以及泊松比，根据多个参数样本对应的弹性模量、剪切模量以及泊松比可确定待预测复合模型的预测力学性能参数。
可以理解的是，为了基于刚度矩阵得到准确的预测力学性能参数，进一步地，所述根据各参数样本的刚度矩阵进行矩阵求解，确定预测力学性能参数，包括：根据各参数样本的刚度矩阵进行矩阵求解，确定各参数样本的弹性模量、剪切模量以及泊松比；根据各参数样本的弹性模量、剪切模量以及泊松比进行均值计算，确定均值弹性模量、均值剪切模量以及均值泊松比；根据所述均值弹性模量、所述均值剪切模量以及所述均值泊松比确定预测力学性能参数。
在具体实现中，根据各参数样本的刚度矩阵进行矩阵求解，确定各参数样本分别对应的一组弹性模量、剪切模量以及泊松比，基于多组弹性模量、剪切模量以及泊松比进行均值计算，确定待预测复合材料在1，2，3 方向上的均值弹性模量E1、E2、E3， 在1-2，1-3，2-3 平面内的均值剪切模量G12、G13、G23，以及在1-2，1-3，2-3 平面内的均值泊松比μ12、μ13、μ23，均值弹性模型包括1，2，3 方向上E1、E2、E3，均值剪切模量包括1-2，1-3，2-3 平面内的G12、G13、G23，均值泊松比包括1-2，1-3，2-3 平面内的μ12、μ13、μ23。在确定均值弹性模量、均值剪切模量以及均值泊松比后，将上述三个参数作为待预测复合材料的预测力学性能参数。
需要说明的是，如图6所示，获取二维编织碳纤维复合材料的基本材料参数，利用多元线性回归方法对基本材料参数进行筛选，确定基本材料参数中的重要参数，并根据拉丁超群立方采样方法，根据得到的参数样本和RVE代表体单元进行周期性边界条件和均匀化理论分析，确定各参数样本搭建的预测单元模型的刚度矩阵，基于刚度矩阵进行求解得到预测力学性能参数，最终完成二维编织复合材料的可靠力学性能预测，从根源上考虑不确定性参数对力学性能预测的影响，对后续降低不确定参数的维度提高复合材料的材料-结构一体化涉及质量和效率具有重要意义，且提高了预测的准确性。
本实施例中通过根据各目标材料参数和预设采样方法进行采样，确定多个参数样本；根据各参数样本和预设代表体单元模型进行力学性能分析，得到各参数样本的刚度矩阵；根据各参数样本的刚度矩阵进行矩阵求解，确定预测力学性能参数。通过上述方式，采用预设采样方法对各目标材料参数进行采样，实现了不确定变量的随机性，基于选取的参数样本和预设代表体单元模型进行力学性能分析并求解，得到最终的预测力学性能参数，保证了随机力学可靠力学性能预测的准确性。
此外，参照图7，本发明实施例还提出一种复合材料的力学性能预测装置，所述复合材料的力学性能预测装置包括：
获取模块10，用于获取待预测复合材料的多个基本材料参数。
分析模块20，用于根据各基本材料参数进行力学影响分析，确定多个目标材料参数。
所述分析模块20，还用于根据各目标材料参数和预设代表体单元模型进行力学性能分析，得到预测力学性能参数。
完成模块30，用于根据所述预测力学性能参数完成对所述待预测复合材料的力学性能预测。
本实施例通过获取待预测复合材料的多个基本材料参数；根据各基本材料参数进行力学影响分析，确定多个目标材料参数；根据各目标材料参数和预设代表体单元模型进行力学性能分析，得到预测力学性能参数；根据所述预测力学性能参数完成对所述待预测复合材料的力学性能预测。通过上述方式，获取待预测复合材料的多个基本材料参数，根据各基本材料参数进行力学影响分析，确定多个目标材料参数，结合预设代表体单元模型进行力学性能分析，得到待预测复合材料的预测力学性能参数，从而完成对待预测复合材料的力学性能预测，实现了对复合材料的力学性能预测的精度和效率，保证了随机力学可靠力学性能预测的准确性。
在一实施例中，所述分析模块20，还用于对各基本材料参数的随机力学性能进行分解，确定分解正交函数；
根据所述分解正交函数进行函数计算，确定多个分解函数子项；
根据多个分解函数子项确定多个目标材料参数。
在一实施例中，所述分析模块20，还用于根据多个分解函数子项进行量化评估值计算，确定各基本材料参数的量化评估值；
获取预设评估阈值；
根据各基本材料参数的量化评估值和所述预设评估阈值对各基本材料参数进行筛选，确定多个目标材料函数。
在一实施例中，所述分析模块20，还用于根据各目标材料参数和预设采样方法进行采样，确定多个参数样本；
根据各参数样本和预设代表体单元模型进行力学性能分析，得到各参数样本的刚度矩阵；
根据各参数样本的刚度矩阵进行矩阵求解，确定预测力学性能参数。
在一实施例中，所述分析模块20，还用于输入各参数样本至预设代表体单元模型，得到预测单元模型；
对所述预测单元模型施加周期性边界条件，确定所述预测单元模型的虚位移函数、微观位移以及宏观位移；
根据所述虚位移函数、所述微观位移以及所述宏观位移进行矩阵变换，得到各参数样本的刚度矩阵。
在一实施例中，所述分析模块20，还用于根据各参数样本的刚度矩阵进行矩阵求解，确定各参数样本的弹性模量、剪切模量以及泊松比；
根据各参数样本的弹性模量、剪切模量以及泊松比进行均值计算，确定均值弹性模量、均值剪切模量以及均值泊松比；
根据所述均值弹性模量、所述均值剪切模量以及所述均值泊松比确定预测力学性能参数。
在一实施例中，所述完成模块30，还用于 获取预设性能阈值；
根据所述预设性能阈值和所述预测性能参数进行性能比较，确定比较结果；
根据所述比较结果确定生成材料改进策略；
根据所述材料改进策略对所述待预测复合材料进行材料改进。
由于本装置采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有复合材料的力学性能预测程序，所述复合材料的力学性能预测程序被处理器执行时实现如上文所述的复合材料的力学性能预测方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的复合材料的力学性能预测方法，此处不再赘述。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的 技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来，该计算机软件产品存储在一个存储介质（如只读存储器（Read Only Memory，ROM）/RAM、磁碟、光 盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种复合材料的力学性能预测方法，其特征在于，所述复合材料的力学性能预测方法，包括：
获取待预测复合材料的多个基本材料参数；
根据各基本材料参数进行力学影响分析，确定多个目标材料参数；
根据各目标材料参数和预设代表体单元模型进行力学性能分析，得到预测力学性能参数；
根据所述预测力学性能参数完成对所述待预测复合材料的力学性能预测。
2.如权利要求1所述的复合材料的力学性能预测方法，其特征在于，所述根据各基本材料参数进行力学影响分析，确定多个目标材料参数，包括：
对各基本材料参数的随机力学性能进行分解，确定分解正交函数；
根据所述分解正交函数进行函数计算，确定多个分解函数子项；
根据多个分解函数子项确定多个目标材料参数。
3.如权利要求2所述的复合材料的力学性能预测方法，其特征在于，所述根据多个分解函数子项确定多个目标材料参数，包括：
根据多个分解函数子项进行量化评估值计算，确定各基本材料参数的量化评估值；
获取预设评估阈值；
根据各基本材料参数的量化评估值和所述预设评估阈值对各基本材料参数进行筛选，确定多个目标材料函数。
4.如权利要求1所述的复合材料的力学性能预测方法，其特征在于，所述根据各目标材料参数和预设代表体单元模型进行力学性能分析，得到预测力学性能参数，包括：
根据各目标材料参数和预设采样方法进行采样，确定多个参数样本；
根据各参数样本和预设代表体单元模型进行力学性能分析，得到各参数样本的刚度矩阵；
根据各参数样本的刚度矩阵进行矩阵求解，确定预测力学性能参数。
5.如权利要求4所述的复合材料的力学性能预测方法，其特征在于，所述根据各参数样本和预设代表体单元模型进行力学性能分析，得到各参数样本的刚度矩阵，包括：
输入各参数样本至预设代表体单元模型，得到预测单元模型；
对所述预测单元模型施加周期性边界条件，确定所述预测单元模型的虚位移函数、微观位移以及宏观位移；
根据所述虚位移函数、所述微观位移以及所述宏观位移进行矩阵变换，得到各参数样本的刚度矩阵。
6.如权利要求4所述的复合材料的力学性能预测方法，其特征在于，所述根据各参数样本的刚度矩阵进行矩阵求解，确定预测力学性能参数，包括：
根据各参数样本的刚度矩阵进行矩阵求解，确定各参数样本的弹性模量、剪切模量以及泊松比；
根据各参数样本的弹性模量、剪切模量以及泊松比进行均值计算，确定均值弹性模量、均值剪切模量以及均值泊松比；
根据所述均值弹性模量、所述均值剪切模量以及所述均值泊松比确定预测力学性能参数。
7.如权利要求1至6中任一项所述的复合材料的力学性能预测方法，其特征在于，所述根据所述预测力学性能参数完成对所述待预测复合材料的力学性能预测之后，还包括：
获取预设性能阈值；
根据所述预设性能阈值和所述预测性能参数进行性能比较，确定比较结果；
根据所述比较结果确定生成材料改进策略；
根据所述材料改进策略对所述待预测复合材料进行材料改进。
8.一种复合材料的力学性能预测装置，其特征在于，所述复合材料的力学性能预测装置包括：
获取模块，用于获取待预测复合材料的多个基本材料参数；
分析模块，用于根据各基本材料参数进行力学影响分析，确定多个目标材料参数；
所述分析模块，还用于根据各目标材料参数和预设代表体单元模型进行力学性能分析，得到预测力学性能参数；
完成模块，用于根据所述预测力学性能参数完成对所述待预测复合材料的力学性能预测。
9.一种复合材料的力学性能预测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的复合材料的力学性能预测程序，所述复合材料的力学性能预测程序配置为实现如权利要求1至7中任一项所述的复合材料的力学性能预测方法。
10.一种存储介质，其特征在于，所述存储介质上存储有复合材料的力学性能预测程序，所述复合材料的力学性能预测程序被处理器执行时实现如权利要求1至7任一项所述的复合材料的力学性能预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310262845.7A CN116384078A (zh) | 2023-03-17 | 2023-03-17 | 复合材料的力学性能预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310262845.7A CN116384078A (zh) | 2023-03-17 | 2023-03-17 | 复合材料的力学性能预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116384078A true CN116384078A (zh) | 2023-07-04 |
Family
ID=86964844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310262845.7A Pending CN116384078A (zh) | 2023-03-17 | 2023-03-17 | 复合材料的力学性能预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116384078A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117174211A (zh) * | 2023-08-28 | 2023-12-05 | 无锡车联天下信息技术有限公司 | 一种复合材料的力学性能分析方法、装置、设备及介质 |
-
2023
- 2023-03-17 CN CN202310262845.7A patent/CN116384078A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117174211A (zh) * | 2023-08-28 | 2023-12-05 | 无锡车联天下信息技术有限公司 | 一种复合材料的力学性能分析方法、装置、设备及介质 |
| CN117174211B (zh) * | 2023-08-28 | 2024-05-03 | 无锡车联天下信息技术有限公司 | 一种复合材料的力学性能分析方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sriramula et al. | Quantification of uncertainty modelling in stochastic analysis of FRP composites | |
| CN107633117B (zh) | 基于高斯过程模型的全局灵敏度分析方法 | |
| CN116384078A (zh) | 复合材料的力学性能预测方法、装置、设备及存储介质 | |
| Balasubramani et al. | Micro-mechanical analysis on random RVE size and shape in multiscale finite element modelling of unidirectional FRP composites | |
| CN103366085A (zh) | 编织复合材料力学性能的多尺度预测方法 | |
| Döbrich et al. | Modelling of textile composite reinforcements on the micro-scale | |
| CN111024484B (zh) | 纤维增强复合材料随机力学性能预测方法 | |
| Oskay et al. | On calibration and validation of eigendeformation-based multiscale models for failure analysis of heterogeneous systems | |
| CN110068406A (zh) | 基于静载识别的四边简支薄板结构光纤应变场重构方法 | |
| Cherouat et al. | Numerical tools for composite woven fabric preforming | |
| Leichsenring et al. | Numerical simulation of wooden structures with polymorphic uncertainty in material properties | |
| Wu et al. | Numerical analyses of bending fatigue of four-step three-dimensional rectangular-braided composite materials from unit cell approach | |
| Tian et al. | Snow Geese Algorithm: A novel migration-inspired meta-heuristic algorithm for constrained engineering optimization problems | |
| CN110245455B (zh) | 一种单向碳纤维增强复合材料的设计方法 | |
| CN114741744B (zh) | 一种适用于针刺复合材料的细观建模及多尺度分析方法 | |
| CN112948115B (zh) | 一种基于极限学习机的云工作流调度器压力预测方法 | |
| Van Bavel et al. | Vine copulas for accelerated prediction of composite strength variability | |
| Winslow et al. | Mapping two-way grids onto free-form surfaces | |
| Ben Sghaier et al. | High cycle fatigue prediction of glass fiber-reinforced epoxy composites: reliability study | |
| Sakata et al. | Ns-kriging based microstructural optimization applied to minimizing stochastic variation of homogenized elasticity of fiber reinforced composites | |
| CN113987895B (zh) | 纤维增强复合材料结构的随机损伤形貌预测方法及系统 | |
| Kushari et al. | Metamodeling-assisted probabilistic first ply failure analysis of laminated composite plates—RS-HDMR-and GPR-based approach | |
| Vanaerschot et al. | Mechanical property evaluation of polymer textile composites by multi-scale modelling based on internal geometry variability | |
| Possenti et al. | Detection of changes in dynamic characteristics of composite structures using Kriging metamodeling procedure: Experimental and computational analysis | |
| Bhamidipati et al. | Nonlinear Beam based Digital Chain Modeling for 3D-woven Textiles |
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 |