基于损伤信息的神经网络在2.5D编织复合材料多目标优化中的应用：实现轴向与非轴向拉伸性能的平衡

《COMPOSITE STRUCTURES》：Damage-guided neural network for multi-objective optimization of 2.5D woven composites: achieving balanced on/off-axis tensile performance

　　

赵超|边周阳|李家旭|周宇|秦青|黄洛峰|裴廷国|毛春健

摘要

利用非支配排序遗传算法（NSGA）优化2.5D编织复合材料的介观结构参数，可以有效提高其45°偏轴性能相对于轴向性能的保持率。NSGA通常依赖替代模型来处理优化过程中所需的大量性能评估。然而，常用的替代模型（如人工神经网络（ANN）在应用于小样本数据集时存在预测精度低的问题。为了解决这个问题，本文提出了一种受物理信息神经网络（PINN）启发的损伤引导神经网络（DGNN）模型。DGNN将纱线在极限应力状态下的损伤图像作为中间预测输出，这不仅提高了模型的可解释性，还利用这些损伤信息来指导性能预测并减少误差。通过将DGNN与NSGA结合进行多目标优化，可以获得全局帕累托前沿，随后利用相似性排序技术（TOPSIS）来确定具有优异综合性能的折中设计方案。与基线设计相比，所提出的方法使纵向拉伸模量提高了3.99%，强度提高了2.19%；横向拉伸模量提高了11.64%，强度提高了14.56%；45°偏轴拉伸模量和强度的保持率分别提高了4.77%和5.31%。