面向层合复合材料板屈曲的力学信息无量纲化与物理约束神经代理模型及独立正交铺层外部验证

《Journal of Composites Science》：Mechanics-Informed Non-Dimensionalisation and Physics-Constrained Neural Surrogates for the Buckling of Laminated Composite Plates, with Independent Cross-Ply External Validation

　　

屈曲（buckling）控制薄层合复合材料板（laminated composite plates）的设计，然而对设计空间进行参数化有限元（finite element, FE）探索的计算成本很高。机器学习（machine learning, ML）代理模型（surrogates）可降低该计算成本，但通常仅以预测精度评价，而未检验学习到的响应是否遵循已知不变性（invariance）和经典理论界限。本工作将精度、不变性、解析符合性和外部泛化视为彼此不同的属性。建立分层壳有限元模型，并对照经典层合板理论（classical laminated plate theory, CLPT）的精确闭式解进行验证，复现基准临界载荷的误差在0.0237%以内，前五阶特征值误差在0.226%以内。采用500个算例的拉丁超立方（Latin hypercube）抽样方案，覆盖铺层方向（ply orientation）、厚度和25至250 GPa的纵向模量。力学信息特征仅在与非无量纲目标配对时有益，将留出相对误差（hold-out relative error）降至1.625%。在二十个种子（seeds）上比较四个骨干匹配（backbone-matched）且约束程度递进的网络。统计特征重要性（feature importance）不能确立逐点不变性（pointwise invariance），软惩罚（soft penalties）使判据符合性（criterion compliance）未获认证。在模型冻结（model freezing）后生成的120个交叉铺层（cross-ply）构型上，软约束网络迁移最佳（决定系数（coefficient of determination, R²）为0.9605，相对误差为1.638%），有界网络（bounded network）对全部2400个预测满足判据。对于交叉铺层层合板，精确闭式解优于每一个代理模型；因此，代理模型面向不存在闭式解的各向异性铺层（anisotropic layups）。

**研究背景与问题**
薄层合复合材料板（laminated composite plates）在航空航天、船舶、汽车和风能等轻质结构中承担主要载荷。面内压缩下，其设计通常由弹性稳定性而非材料强度控制，临界屈曲（buckling）载荷预测因而成为铺层设计与选型核心。层合板弯曲刚度取决于各铺层厚度位置与方向，恒质量下仅改变铺层顺序即可显著改变临界载荷。经典层合板理论（classical laminated plate theory, CLPT）仅对特殊正交各向异性等窄类构型给出闭式解；含开口、加筋、非均匀载荷和任意铺层的实际板需依赖有限元（finite element, FE）分析。代理模型（surrogates）可降低重复FE评估成本，但既有研究常仅报告同分布留出精度，训练数据离散误差未必经过形式化验证，且统计精度不能保证满足已知不变性和解析上限。研究人员因此将精度、不变性、解析符合性和外部泛化作为可分别测量的属性，开展力学信息无量纲化与物理约束神经代理模型研究。

**关键技术方法（不超过250字）**
研究人员建立ANSYS ACP Pre/Mechanical分层壳FE模型，采用一阶剪切变形理论（first-order shear deformation theory, FSDT），分析简支矩形对称四层合板在均匀单轴压缩下的线性特征值屈曲；以CLPT精确解和前五阶特征值验证，并用三网格网格收敛指数（grid convergence index, GCI）量化离散不确定性。样本来自作者生成的FE计算队列：500例拉丁超立方抽样（Latin hypercube sampling, LHS）参数化数据用于训练与内部评价，另生成120例交叉铺层（cross-ply）外部数据用于冻结后验证。研究比较原始目标、对数目标与非无量纲目标及两类特征编码，评价九类经典机器学习模型，并构建四个骨干匹配神经网络：无约束、软约束、硬厚度不变和硬解析有界变体，在二十个匹配随机种子下比较，并以4000个可实现层合板审计判据符合性。

**结果与讨论**
**理论与力学表述**：研究人员给出CLPT本构、层合板刚度矩阵和简支板屈曲方程。对特殊正交各向异性板，双正弦场为精确解，临界载荷由半波数最小值确定；保留弯扭耦合时单模态不再精确，忽略耦合项的单项Rayleigh商构成经典特征值上界，即经典理论上限判据。
**有限元建模与验证**：分层壳FE模型复现基准CLPT临界载荷误差0.0237%，前五阶特征值误差0.226%；观察收敛阶2.26，细网格GCI为0.015%，生产网格与最细网格相差0.05%以内。结果表明FE数据生成程序经过基准验证。
**数据集与力学信息表征**：500例LHS覆盖两个独立铺层角、总厚度和纵向模量；厚度在CLPT下对非无量纲目标精确不变。质量筛查中，480/500例FE结果低于Ritz参考，偏差主要与参考截断和各向异性有关；原始载荷乘子跨度3.43—902.22，非无量纲屈曲系数仅2.302—5.573。结果表明力学信息特征必须与非无量纲目标耦合才有优势。
**经典机器学习方法**：采用400例开发集和100例留出集、嵌套交叉验证和九类算法，对三种目标与两类特征作全因子比较。原始目标留出相对误差8.61%，对数目标2.89%，非无量纲目标2.80%；力学信息特征对非无量纲目标最好。高斯过程回归（Gaussian process regression, GPR）与支持向量回归（support vector regression, SVR）领先且统计未分优劣；厚度置换重要性近零，但受控厚度扫描仍显示未约束模型漂移，说明平均重要性不等于逐点不变性。
**物理约束神经网络方法**：四个变体共享64-64-32 SiLU骨干。软约束以损失惩罚厚度配对与单边界限；硬不变变体移除厚度输入；硬有界变体以logistic输出参数化保证不超过经典上限。结果显示三种约束均改善平均留出精度；软约束平均最佳但优势小于一个种子标准差；软约束和硬不变在20/20种子优于控制，硬有界在17/20种子占优且区间跨零；软惩罚仅将判据违反率由5.33%降至4.35%，硬不变不降低违反率，硬有界在4000个可实现层合板上精确消除违反。权重十倍敏感性检验中，软约束留出误差1.52%—1.76%，外部误差1.47%—1.98%。
**独立交叉铺层外部验证**：模型完全冻结后评价120例交叉铺层，铺层角为0°和90°，厚度4.06—15.95 mm，正交异性比2.97—27.98；外部集弯扭耦合参数为零，部分落在训练范围外。FE与CLPT精确解平均偏差小，最大0.675%。所有代理模型外部性能下降；软约束网络外部R²为0.9605、相对误差1.638%，硬有界网络对全部2400个外部预测满足判据。交叉铺层上闭式解平均绝对百分比误差0.084%，远优于代理模型，表明有闭式解时应直接采用；代理模型价值在于无闭式解的各向异性铺层。约束网络较未约束网络和核方法迁移更好，结构保证对未见数据成立。
**局限性与未来工作**：研究固定几何、长宽比、载荷和边界条件，仅考虑对称四层合板与线性特征值屈曲，未包含初始缺陷、固化残余应力、材料非线性、损伤、分层和后屈曲；GCI仅覆盖基准和最各向异性两个构型，面内线约束使该构型临界载荷提高2.2%；无实验验证；外部集仅覆盖低各向异性交叉铺层。未来可扩展长宽比、边界条件、双轴或剪切载荷、角度铺层外部集、厚板、后屈曲、损伤与实验验证，并将解析判据概率化。
**结论翻译**：本工作建立了用于层合复合材料板屈曲的力学信息与物理约束代理框架，将预测精度、非无量纲表征、近似不变性、解析符合性和外部泛化视为不同且可分别测量的属性。所演示代理模型特定于长宽比2、简支矩形板、均匀单轴压缩、横向材料常数固定的对称四层铺层，以及所采用分层壳实现中的线性特征值屈曲，因此尚不是层合板屈曲的通用预测器。有限元模型对基准构型复现精确闭式经典解误差0.0237%以内，前五阶特征值0.226%以内，观察收敛阶2.26，细网格GCI为0.015%。解析非无量纲化与力学信息特征构造相互耦合而非独立有用：非无量纲特征集对量纲目标差得多，对非无量纲目标好得多，将留出相对误差降至1.63%。GPR和SVR是强经典基线，内部留出上统计未分优劣，因此不宣称谁占优。低平均特征重要性对逐点不变性指导弱，软惩罚不保证判据符合。每个未约束模型在受控厚度扫描下漂移，尽管厚度重要性近零；最准确经典代理模型超过解析判据的频率高于精度低得多的集成模型。软约束网络预测平衡最佳，内部平均精度和外部迁移最好。对解析判据的结构性执行以可量化精度代价提供精确保证；其相对未约束控制的精度优势统计未分辨，但保证精确。软硬约束不可互换，机制应匹配被强制执行陈述的数学地位：需要保证且陈述精确时用结构执行，陈述在数据中仅近似成立或目的为正则化时用惩罚。最后，120个交叉铺层构型在模型完全冻结后一次性评价，确认核心结论经受有意义分布偏移。在当前冻结后交叉铺层计算测试中，约束网络迁移优于未约束网络和所评估核基线，结构有界网络在全部2400个外部预测上满足所采用经典理论上限判据。