一种面向含随机孔隙缺陷碳纤维增强聚合物复合材料应力场预测的形态与孔隙率感知生成式代理模型

《COMPOSITE STRUCTURES》:A morphology and porosity aware generative surrogate model for stress field prediction in CFRP composites with random void defects

【字体: 大 中 小 】 时间:2026年08月30日 来源:COMPOSITE STRUCTURES 7.8

编辑推荐:

   摘要当微观结构缺陷在形貌、空间分布和孔隙率方面呈现出真实的随机性时,复合材料的全场应力预测仍然极具挑战性。大多数现有的数据驱动模型都是在简化或高度理想化的微观结构上进行训练的,这限制了它们在复杂微观结构中的泛化能力。为解决这一局限,本研究开发了一种基于条件生成对抗网络(cGA

  

摘要

当微观结构缺陷在形貌、空间分布和孔隙率方面呈现出真实的随机性时,复合材料的全场应力预测仍然极具挑战性。大多数现有的数据驱动模型都是在简化或高度理想化的微观结构上进行训练的,这限制了它们在复杂微观结构中的泛化能力。为解决这一局限,本研究开发了一种基于条件生成对抗网络(cGAN)的深度学习方法代理模型,称为标签增强应力场预测网络(LSFPNet)。首先,生成了一个具有随机分布纤维和孔隙的高保真微观结构数据库。创新性的是,孔隙形貌和孔隙率被作为物理先验以条件标签的形式整合进生成器中,引导其学习缺陷特征与应力场之间的不同映射关系。此外,设计了一种双任务判别器,用于评估应力场的真实性并对孔隙标签进行分类,从而通过对抗学习联合约束并提升生成器的性能。结果表明,所提出的模型在所有评估指标上均优于所有基准模型(RMSE:9.0987,PSNR:29.0226,SSIM:0.9272,R2:0.9348),并且对具有不同纤维体积分数、纤维半径、孔隙率以及混合孔隙构型的未见微观结构表现出稳健的泛化能力。所提出的框架能够实现复合材料的高效、精确的高保真应力场预测、数据驱动的表征以及微观结构的不确定性量化。

引言

复合材料由于其优异的力学性能,包括高比强度、高比刚度以及出色的耐腐蚀性 [1]、[2]、[3],被广泛应用于航空航天和汽车制造等领域。以波音787和空客A350 XWB为例,这两种机型的复合材料含量均超过50%,充分凸显了它们在减重和提升能源效率方面的关键作用 [4]。然而,复合材料在制造过程中常常会形成孔隙等缺陷。这些孔隙随机分布,其尺寸、形状和位置均存在不确定性。作为潜在的应力集中点,它们会显著降低材料的力学性能和长期可靠性 [5]、[6]。因此,准确预测和评估含有孔隙等缺陷的复合材料性能,已成为材料科学领域的一个重要问题。
基于有限元方法(FEM)的微观力学模拟和多尺度模拟已成为分析复合材料的主流方法 [7]。然而,即使在现代计算系统中,求解大规模多尺度偏微分方程(PDE)组仍因其复杂性而导致计算资源的大量消耗 [8]、[9]。因此,构建有效的子尺度代理模型以降低计算成本,已成为实现可行的并发多尺度模拟框架的关键途径。
近年来,数据科学和机器学习技术的快速发展为解决这一问题开辟了新的途径 [10]、[11]、[12]、[13]。许多研究致力于采用机器学习方法作为计算成本高昂的FEM的替代方案,这些方法已被广泛用于目标参数的代理建模。例如,深度学习模型已被应用于预测复合材料的宏观力学性能和响应,例如刚度 [14]、[15]、拉伸或压缩强度 [16]、应力曲线 [17]、[18]、[19]、[20],以及分层行为 [21]。在均匀化力学性能方面,Li等人 [16] 提出了一种将主成分分析(PCA)与遗传算法优化的反向传播神经网络(GABP)相结合的方法来预测复合材料的拉伸和压缩强度。随后,为解决多模态数据融合问题,Li等人 [14] 提出了一种卷积神经网络-多层感知机(CNN-MLP)混合模型,用于预测复合材料中单根碳纤维的刚度。在后续工作中,Wang等人 [15] 提出了一种基于ResNet-36迁移学习的方法,用于预测复合材料的均匀化刚度。关于宏观力学响应,Sengodan [17] 开发了一种结合PCA和CNN的深度学习模型,用于预测两相复合材料的应力-应变曲线。类似地,Kim等人 [18] 提出了一种结合PCA和深度神经网络(DNN)的模型,通过数据增强策略解决了数据不足和泛化能力有限的问题。Yin等人 [19] 比较了ResNet、DenseNet和EfficientNet对复合材料应力-应变曲线的预测性能。Cristiani等人 [21] 引入了一种基于CNN的方法,用于预测CFRP双悬臂梁(DCB)试样的分层。然而,上述研究虽然取得了相对令人满意的结果,但它们主要关注宏观响应参数,这些参数可以用有限数量的标量来表征。对于大多数设计应用和工程分析场景,获得应变或应力张量分布等物理场数据是至关重要的。此类物理场数据的预测要困难得多,因为它涉及具有特定空间相关性的多个标量参数。
深度学习在计算固体力学的应力场预测领域也取得了一系列进展。例如,Sepasdar等人 [22] 提出了一种双生成器U-Net架构,能够预测复合材料的全场应力分布和失效模式。类似地,Bhaduri等人 [23] 开发了一种基于U-Net框架的全场应力预测方法,能够预测具有大量纤维系统中的应力场分布。Wang等人 [24] 开发了一个两阶段U-Net深度学习框架,用于预测含孔隙缺陷复合材料的裂纹模式和宏观力学性能。为了提高局部应力场预测的精度,Li等人 [25] 提出了一种通过三元组注意力机制增强的U-Net网络架构,提升了模型提取关键应力特征的能力。
然而,上述大多数方法依赖于最小化欧几里得距离来进行模型训练,这可能导致生成图像模糊等问题 [26]。模糊的预测轮廓往往会导致场变量的映射不准确。为解决这一问题,Isola等人 [26] 提出了基于cGAN的Pix2Pix框架,通过采用评估生成图像与真实图像之间可区分性的损失函数,增强了输出图像的清晰度和真实感。Yang等人 [27] 利用cGAN实现了从材料微观结构图像到全场应力和应变分布的端到端预测。尽管如此,尽管现有研究在应力分布预测方面取得了进展,但在处理具有复杂微观结构、涉及不同孔隙含量和孔隙形貌的非均质材料的非线性应力分布时,泛化性和鲁棒性方面的挑战依然存在。
受先前工作和基于cGAN的Pix2Pix架构 [26] 的启发,本研究提出了标签增强应力场预测网络(LSFPNet),用于预测具有不同孔隙形貌和孔隙率的复合材料的全场应力。这解决了此前研究尚未探索的一个空白。本工作的创新之处在于将不同的孔隙形貌和孔隙率作为不同的先验标签纳入预测模型中,同时构建双任务检测判别器进行联合约束。这一设计能够精确引导模型按照标签类别学习微观结构特征与复杂应力场之间的映射关系。本文系统地验证了该方法在预测包含多种随机孔隙形貌和孔隙率的代表性体积元(RVE)应力场方面的卓越性能。它还比较了不同网络架构和传统非标签增强框架的预测效果,旨在为复合材料的全场应力预测提供一个高效准确的代理模型。

章节摘要

方法

基于LSFPNet的含随机孔隙CFRP应力预测方法如图1所示。该方法包括以下三个核心阶段:(a) 数据集生成:建立包含具有不同形貌和孔隙率的随机孔隙的RVE模型,并通过参数化FEM模拟生成训练数据集。(b) 网络构建与训练:设计并训练一个具有标签增强机制的生成器和判别器,称为LSFPNet。(c)

结果与讨论

本节将LSFPNet的微观应力预测结果与其他五种图像转换模型的结果进行比较,以展示其预测性能。

结论

本文提出了一种基于cGAN、名为LSFPNet的深度学习代理模型,用于预测含随机孔隙缺陷的CFRP的微观应力场。该方法实现了从微观结构图像到全场应力分布的端到端快速映射。主要结论如下:
  • 1)
    提出了一种结合物理先验的监督式条件生成对抗网络框架。通过将孔隙形状和孔隙率作为条件标签嵌入生成器中

CRediT作者贡献声明

Mengze Li:撰写—审阅与编辑、撰写—初稿、软件、资源、获取资助、形式分析、数据管理、概念构思。Hui Xu:软件、方法学、数据管理。Hanling Wu:撰写—审阅与编辑、撰写—初稿、项目管理、方法学、数据管理、概念构思。

利益冲突声明

作者声明,他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

致谢

本工作得到了中国国家自然科学基金(编号:52505161)、浙江省自然科学基金(编号:QN26E050091)和浙江省科学技术协会青年人才支持计划(编号:ZJSKXQT2026062)的资助。
Mengze Li|Hui Xu|Hanling Wu
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号