基于人工神经网络代理模型的玻璃纤维增强聚合物复合板振动模态材料属性逆识别研究

《Scientific Reports》：A hybrid ANN-metaheuristic framework for vibration-based identification of orthotropic parameters in GFRP laminated plates

　　

摘要

玻璃纤维增强聚合物（GFRP）复合板在工程结构中应用广泛，但由于材料属性受各向异性、制造变异性及输入参数不确定性的影响而存在波动，其数值建模面临较大挑战。本研究开发了一种基于振动的快速数值框架，利用解析模态参考数据对GFRP复合板的正交各向异性材料属性进行有限元模型更新和逆识别。在Abaqus中建立了基线有限元模型，并将其与基于经典层合板理论获得的模态结果进行了对比。为降低模型更新过程中反复进行有限元仿真的高计算成本，基于参数化有限元数据训练了人工神经网络（ANN）代理模型，并将其与遗传算法（GA）、粒子群优化（PSO）和黏菌算法（SMA）优化方法相结合。本研究的创新之处在于将这些ANN辅助优化框架与直接的GA-Abaqus-Python更新方法在相同的模态识别问题下进行了对比。基于Pearson相关系数的敏感性分析表明，纵向弹性模量 E_x 是影响模态响应的支配性参数，其敏感性值范围约为0.62至0.80。在代表性更新模型中，ANN-SMA方法实现了最低的平均频率预测误差，为2.289%，而传统GA-Abaqus-Python更新模型的误差为3.821%。然而，对50次独立运行的统计分析表明，ANN-PSO方法具有最佳鲁棒性，其平均频率误差最低、标准差最小，且运行时间低于ANN-SMA。ANN辅助方法将计算时间从约5.830小时缩短至6.617–42.409秒。这些结果表明，ANN辅助模型更新为复合结构的基于振动的材料属性识别提供了一种高效的数值方法。