《Proceedings of the Design Society》：An approach to the test design for smart composite vessels enabling remaining useful life estimation
编辑推荐：
本研究提出了一种面向智能复合材料氢气罐设计的系统性方法，通过应变片（strain gauges）和有限元分析（finite element analysis,速度与压力相关系，FEA）实现连续的结构健康监测（structural health monitori
本研究提出了一种面向智能复合材料氢气罐设计的系统性方法，通过应变片（strain gauges）和有限元分析（finite element analysis,速度与压力相关系，FEA）实现连续的结构健康监测（structural health monitoring，SHM）。仿真分析用于识别关键应力点以优化传感器布置。实验室爆破试验和循环疲劳试验为剩余使用寿命（remaining useful life，RUL）分析提供了基准验证和概念验证，从而提升氢气储存的安全性和资源利用效率。研究结果表明，应变数据能够有效反映应力分布模式及材料响应特征，支持在加压循环过程中对容器状态进行有效监测。
该论文发表于《Proceedings of the Design Society》，研究人员针对氢能储运领域面临的结构健康监测需求，提出了一套面向智能复合材料压力容器的系统性测试设计方法。氢能作为清洁能源载体，其广泛应用的先决条件之一是实现安全可靠的储存技术。然而，氢气具有极高的易燃性、无色无臭等特性，使得泄漏检测极为困难，相较汽油等常规燃料具有更高的安全风险。复合材料缠绕压力容器（composite overwrapped pressure vessels，COPVs）因轻量化优势在航空、重型运输等领域得到广泛应用，但纤维增强聚合物（fibre-reinforced polymers，FRPs）的疲劳损伤预测极具挑战性，加之制造变异、循环载荷、高压及低温等复杂工况，对容器耐久性、可靠性和安全性提出了严峻考验。当前尚缺乏系统性的设计导向方法论，以确定在真实工况下监测结构退化所需传感器的最优位置、数量及类型，同时兼顾轻量化与成本敏感的工程约束。为此，研究人员开展了这项研究，旨在建立一套结合实验测量与结构分析的传感器设计方法，为原位状态监测和剩余使用寿命预测奠定基础。
该研究采用的主要关键技术方法包括：有限元分析（使用Siemens NX (2412) Nastran软件）与基于商业可购得的III型纤维增强聚合物氢气储存容器（样本队列来源）开展实验验证。有限元分析采用层合单元模拟复合材料缠绕层，结合三维壳体单元表征铝制内芯，通过参数化建模识别结构薄弱点。传感器选用HBM 1-LY18-6/120GE型金属应变片，辅以热电偶进行温度监测。实验系统包括：手动超高压泵驱动的静态爆破测试装置，以及可施加正弦压力载荷的高压脉冲试验台（频率5–20 Hz），采用ISO VG xx型液压油作为加压介质以替代氢气确保安全。数据采集频率为600 Hz，12个样本参与了循环测试。
研究结果部分包含三个核心方面。在"仿真结果"方面，研究人员通过有限元分析确定了沿圆柱筒壁中部的最大主应力分布区域，并在瓶肩处识别出压应力集中区，同时发现主筒体下端的最大变形位置与后续爆破失效位置高度吻合，据此指导了应变片的优化布置。"实验室测试结果"显示，静态爆破试验中III型压力容器在1700 bar时发生突发性灾难失效，超出设计极限，呈现脆性断裂特征，断口表现为纤维断裂、层间分层及铝内衬严重撕裂；循环疲劳试验中，在100–900 bar（约53%爆破压力）、5–10 Hz条件下，试样于约4000–5500周次出现"先漏后破"（leak-before-break）行为，裂纹起始于铝内衬并向碳纤维增强聚合物（carbon fibre reinforced polymer，CFRP）层扩展，导致含油介质局部渗透，而降低载荷幅值后部分试样可承受近40000周次。"结果反思"部分进一步论证了仿真与实验的高度一致性，确认了压缩区的存在及其物理解释，指出最大变形累积区与压力入口区域的关联性，并强调循环载荷下铝内衬早期开裂对安全评估的重要性，表明单纯基于压力循环计数的方法存在局限性，应变监测能提供更丰富的材料行为信息。
在讨论与未来研究方向部分，研究人员指出大规模高压高频循环测试面临试验设备短缺和操作复杂等挑战，但当前尺度下仿真与实验的强相关性表明，未来研究可主要依赖经过验证的仿真模型确定传感器布置，实验室测试将主要用于验证仿真模型和验证数据处理算法的可行性，这种仿真引领的方法可减少物理试验需求、加速开发进程并支持监测方案的经济可扩展性。研究人员还提到，基于长期原位传感器数据的持续分析正在推进中，未来工作将探索人工智能（artificial intelligence，AI）和机器学习（machine learning，ML）等先进数据驱动技术的应用，以提升剩余使用寿命预测精度和结构健康监测能力。研究结论可概括为：该项工作建立了实验方法与方法论基础，实现了原位状态监测；应变监测数据能够有效表征应力模式与材料响应，支持容器在加压循环过程中的状态评估；该框架为优化传感器布置策略、推进具有增强安全性和未来寿命预测能力的智能容器技术奠定了坚实基础。
