本发明涉及复合材料疲劳损伤领域,具体而言涉及一种数据-物理驱动的复合材料疲劳分层扩展预测方法。
背景技术:
1、复合材料因其具有轻量化、高比强度和高比刚度等优异的性能而被广泛应用于航空航天领域,在科学研究和工程实践中共同表明,50%-60%的复合材料结构失效与分层损伤密切相关,在疲劳载荷作用下,分层损伤的发生和扩展将导致复合材料结构的强度和刚度退化,甚至会导致结构在服役过程中发生灾难性的破坏。近几十年来用于表征复合材料疲劳分层扩展行为的方法可分为:基于应力/应变的方法、基于断裂力学的方法、基于黏聚区模型和基于扩展有限元法的模型。然而,这些方法的使用和模型的开发都需要依赖大量的疲劳实验,这确实是耗时和昂贵的。近几年随着人工智能技术的发展,数据驱动方法为复合材料疲劳分层扩展行为的表征和预测提供了新的思路,但纯数据驱动方法在某些问题中缺乏鲁棒性和可解释性,甚至违背物理常识或物理规律,并且其完全依赖于经验数据,而没有纳入对数据内部物理机制的任何理解,同时对数据量的依赖性较高。因此,有必要探索同时具备准确性、鲁棒性、可解释性、快速性和低数据依赖性的复合材料疲劳分层扩展预测方法,以此满足对复合材料损伤预测技术的需求。
技术实现思路
1、本发明的目的是提供一种数据-物理驱动的复合材料疲劳分层扩展预测方法,可提高对复合材料疲劳分层扩展行为预测的准确性和快速性。
2、为实现上述目的,本发明采取以下技术方案:
3、一种数据-物理驱动的复合材料疲劳分层扩展预测方法,其特征在于,包括:
4、获取复合材料的疲劳分层损伤信息数据;所述疲劳分层损伤信息包括裂纹扩展长度a-a0、对应的疲劳循环次数cyc、最大应变能释放率gmax和应变能释放率幅值δ√g;
5、基于astm e647标准,根据所述裂纹扩展长度a-a0和疲劳循环次数cyc确定真实疲劳分层扩展速率da/dntrue;
6、基于paris准则,通过拟合所述应变能释放率幅值δ√g和所述真实疲劳分层扩展速率da/dntrue确定所述不同裂纹扩展长度a-a0所对应的所述paris准则幂律关系中的常值参数c和n,每一段所述裂纹扩展长度a-a0都对应着不同的所述常值参数c和n;
7、通过拟合所述不同裂纹扩展长度a-a0和所对应的所述paris准则幂律关系中的常值参数c确定所述常值参数c随裂纹扩展长度a-a0的变化规律c(a-a0);通过拟合所述不同裂纹扩展长度a-a0和所对应的所述paris准则幂律关系中的常值参数n确定所述常值参数n随裂纹扩展长度a-a0的变化规律n(a-a0);
8、基于物理知识神经网络的原理,根据所述裂纹扩展长度a-a0、所述最大应变能释放率gmax、所述应变能释放率幅值δ√g、所述真实疲劳分层扩展速率da/dntrue、所述paris准则幂律关系、所述常值参数c随裂纹扩展长度a-a0的变化规律c(a-a0)和所述常值参数n随裂纹扩展长度a-a0的变化规律n(a-a0)构建并优化数据-物理驱动的复合材料疲劳分层扩展预测模型,从而得到最优数据-物理驱动的复合材料疲劳分层扩展预测模型;
9、采用所述最优数据-物理驱动的复合材料疲劳分层扩展预测模型可以根据任意相同应力比下复合材料的所述裂纹扩展长度a-a0、所述最大应变能释放率gmax和所述应变能释放率幅值δ√g来预测任意相同应力比下复合材料的疲劳分层扩展行为。
10、可选的,所述最优数据-物理驱动的复合材料疲劳分层扩展预测模型,具体包括:
11、以物理知识损失函数最小为目标对所述数据-物理驱动的复合材料疲劳分层扩展预测模型进行优化,得到所述最优数据-物理驱动的复合材料疲劳分层扩展预测模型;所述物理知识损失函数为预测误差函数与带有动态权重参数的物理知识约束函数之和;所述预测误差函数值为根据所述真实疲劳分层扩展速率da/dntrue以及数据-物理驱动的复合材料疲劳分层扩展预测模型得到的疲劳分层扩展速率预测值da/dnpre确定的;所述物理知识约束函数值为根据所述paris准则幂律关系得到的疲劳分层扩展速率理论值da/dnparis以及数据-物理驱动的复合材料疲劳分层扩展预测模型得到的疲劳分层扩展速率预测值da/dnpre确定的;所述动态权重参数可以动态调节所述物理知识约束函数在所述物理知识损失函数中的权重。
12、可选的,所述动态权重参数和所述数据-物理驱动的复合材料疲劳分层扩展预测模型中的动态学习率均采用了同一种衰减函数,所述衰减函数可以使所述动态权重参数和所述动态学习率在优化迭代达到一定次数后开始按照指数函数的形式动态减小。
13、与现有技术相比,本发明具备如下有益效果:
14、1、本发明基于物理知识神经网络的原理将paris准则幂律关系与复合材料真实的疲劳分层损伤信息有机结合,使得预测过程能够考虑载荷历程依赖性,预测结果更加符合断裂力学的理论和规律。
15、2、本发明提出的数据-物理驱动的复合材料疲劳分层扩展预测方法可以提高对复合材料疲劳分层扩展预测的准确性、鲁棒性和可解释性。
16、3、本发明提出的方法实现了在复合材料疲劳分层扩展预测中数据与物理的双驱动,从而有效地降低了对数据量的依赖性。
1.一种数据-物理驱动的复合材料疲劳分层扩展预测方法,其特征在于,包括:
2.根据权利要求1所述的一种数据-物理驱动的复合材料疲劳分层扩展预测方法,其特征在于,所述最优数据-物理驱动的复合材料疲劳分层扩展预测模型,具体包括:
3.根据权利要求2所述的一种数据-物理驱动的复合材料疲劳分层扩展预测方法,其特征在于,所述动态权重参数和所述数据-物理驱动的复合材料疲劳分层扩展预测模型中的动态学习率均采用了同一种衰减函数,所述衰减函数可以使所述动态权重参数和所述动态学习率在优化迭代达到一定次数后开始按照指数函数的形式动态减小。