双加固胶接接头承载能力评估：实验数据、有限元分析与数据驱动混合建模方法

《International Journal of Adhesion and Adhesives》：Estimation of the Load-Carrying Capacity of Double-Reinforced Adhesive Joints: Experimental Data, FEA, and Data-Driven Hybrid Modeling Approach

　　

• 实验数据、来源报告的有限元分析结果和机器学习在泄漏感知建模框架内进行了整合。• 在所研究的设计空间内，重叠长度 L 和 L1 是模型特定特征重要性分析中的主导预测变量。• 高斯过程回归取得了最佳的直接有限元代理测试性能，RMSE = 352.32 N，R2 = 0.9954。• 可部署的 Geom_FEA 残差校正将 RMSE 从 2990.79 N 降至 2373.26 N，并将 R2 从 0.4696 提高到 0.6660。• 残差校正消除了平均方向性有限元偏差，尽管 Bland-Altman 一致性界限并未收窄。引言复合材料结构中的磨损、裂纹、分层和由服役条件引起的局部损伤是航空航天、汽车和基础设施行业中遇到的最常见结构问题之一。由于通过更换整个面板或组件来修复此类损伤会导致高昂的成本、漫长的维护时间和运营中断，因此通过移除受损区域并用胶粘剂粘合补丁来加强受损区域已成为工业规模上最有效的修复策略之一。特别是双增强粘连接头，由于其载荷传递的连续性、消除了钻孔需求和较高的比强度，近年来已成为一种关键的设计方法。?itil [1] 在其博士论文中，在航空维修的背景下，通过实验拉伸测试和有限元分析，研究了经典和覆盖嵌入式双增强粘连接头，其中带有空心中心和/或中间元件，考察了 AA2024-T3 板材厚度 (h)、钢盖/补丁厚度 (t)、搭接长度 (L) 和间隔件长度 (L1) 对损伤载荷和应力分布的影响。本研究使用的实验-有限元分析数据直接从上述博士论文和相应出版物中列出的或明确报告的数值中转录，并随后进行了整理以进行本数据驱动分析。本研究的范围不包括对粘连接头中断裂力学、损伤进展、疲劳行为或环境退化机制的直接建模。所呈现的工作不是一项旨在直接解决这些物理过程的力学建模研究；相反，这是一项针对现有实验-数值数据集进行的基于回归的代理建模和有限元支持的数据驱动残差校正研究。因此，文献中关于断裂、环境老化、粘聚区建模和动态载荷研究的引用不打算进行直接比较；它们仅用于界定本研究的科学框架。在此背景下，使用数据驱动方法研究粘连接头行为的研究在文献中日益普遍。Birecikli 等人 [2] 研究了在拉伸载荷下粘合玻璃纤维增强聚合物 (GFRP) 复合材料接头中粘接角度、层排列和粘板厚度对失效载荷的影响；他们使用 Levenberg-Marquardt 算法训练的人工神经网络模型准确预测了失效载荷。该研究表明，人工神经网络 (ANN) 模型与实验结果高度一致，并且可以使用数据驱动方法成功地对粘连接头的力学行为进行建模。类似地，Zhang 等人 [3] 开发了一个考虑湿热环境效应的基于物理引导机器学习 (PGML) 的框架，用于碳纤维增强聚合物 (CFRP)/铝混合 (铆接/粘接) 和纯粘接头。在该研究中，创建了一个包含湿热老化和机械载荷综合影响的实验数据集；非线性损伤累积模型由残差神经网络支持以减少系统性预测误差。所提出的方法在疲劳寿命预测方面表现出高精度 (R2 ≈ 0.97)，并且物理建模和机器学习的结合使用具有显著优势。Wei 等人 [4] 对粘连接头进行了全面的文献综述。这项研究汇编了 2016 年至 2023 年的研究，详细说明了粘连接头的生产方法、实验表征、分析和数值建模方法以及设计参数对机械行为的影响。强调应力集中、剥离效应和边缘区域形成的应力奇点是限制结构强度的基本因素；突出了设计优化和先进建模方法的重要性。另一方面，关于添加剂粘合系统性能的研究也值得关注。Dhilipkumar 等人 [5] 研究了使用石墨烯增强环氧生产的单层 PLA 基 3D 打印接头的机械行为；他们表明添加 1.0% 的石墨烯可将剪切强度提高约 19.5%。在同一项研究中，开发了一个基于 ANN 的模型，并报告可以高精度预测损伤载荷 (R2 = 0.9861)。Jan 等人 [6] 关注时间相关的损伤机制，使用机器学习对单粘接接头的蠕变行为进行了建模。该研究表明，蠕变应力、胶粘剂弹性模量、粘接面积和蠕变变形等参数是决定性的；研究发现随机森林 (RF) 算法在预测蠕变寿命方面取得了最成功的结果。这项研究清楚地表明，数据驱动方法在预测粘连接头在长期载荷下的行为方面具有重要意义。本研究提出的方法不应被视为文献中定义的物理信息机器学习 (PIML) 方法。这是因为在本研究中，没有将控制微分方程、守恒定律、断裂力学关系或材料模型直接集成到学习过程中。相反，所提出的方法呈现了一种完全数据驱动的残差校正框架，基于实验数据与有限元分析结果之间的系统差异。该方法中使用的校正机制不涉及基于物理方程的约束；它仅统计性地对有限元输出与实验观察值之间的偏差进行建模。在此背景下，本研究中使用的"基于物理"或"物理一致性"术语不指直接将物理方程集成到机器学习模型中；而是指在保留有限元输出的几何和机械意义同时对其进行解释，并通过数据驱动残差消除这些输出中的系统性偏差。因此，与经典的 PINN 或 PIML 方法不同，所提出的方法提供了一种不包含物理约束但由有限元支持的数据驱动校正策略，从而呈现了一种实用的可应用的混合建模框架用于估算静载荷能力。限制粘连接头长期性能的最重要因素之一是环境退化。Al-Shawaf 和 Zhao [7] 使用三种不同的环氧树脂研究了 CFRP/钢接头在 ?20 °C 至 40 °C 之间的粘接行为；他们表明在低温下，脆化、应力集中和突然的界面分离变得更加明显。Ramírez 等人 [8] 的一项综合综述表明，温度和湿度显著降低了接近玻璃化转变温度区域的强度，并且湿度的影响通过塑化和化学降解显著降低了疲劳寿命。Liu 等人 [9] 研究了 BFRP/铝混合接头的环境影响，而 Wang 等人 [10] 评估了海水环境中的复合材料-钛连接，表明环境老化在粘接区产生空间损伤梯度并显著降低承载能力。界面断裂是决定接头可靠性的基本机制之一，特别是在 I 型-II 型和混合模式载荷条件下。Saikia 和 Muthu [11] 使用改进的 Arcan 型测试装置通过单一实验系统获得了粘聚强度、界面刚度和断裂韧性，并报告实验-数值一致性低于 5.11%。类似地，Sonwani 等人 [12] 使用他们为双面斜角和阶梯接头开发的基于能量的简化模型，在三维有限元分析和数字图像相关 (DIC) 测量之间实现了高度一致性，从而建立了一个低成本但物理一致的分析框架。近年来，机器学习方法已被广泛用作预测粘连接头承载能力和损伤行为的补充工具。Rishad 等人 [13] 证明可以使用基于决策树的模型高精度预测纳米树脂基接头中的应力分布。Mottaghian 和 Taheri [14] 报告可以使用深度学习和基于遗传算法的模型可靠地预测抗冲击性。Li 等人 [15] 证明可以通过将声学发射数据与支持向量回归相结合来确定损伤水平。Venkatappagari 等人 [16] 最近的综述强调，基于机器学习的粘连接头方法正在迅速变得重要，特别是在数据驱动预测和模型改进方面。Akkasali 等人 [17] 将实验验证的有限元分析与基于 ANN 的预测相结合，用于 AA2014 粘接的单搭接接头。他们验证的数值模型通过改变搭接长度、胶粘剂厚度和粘板厚度生成了 54 个案例，并且所得的 ANN 预测经过了实验验证。与那个直接失效载荷预测框架不同，本研究专注于通过泄漏感知的残差校正方法校正双增强接头中的实验-有限元分析差异。尽管实验测试、有限元分析、物理引导机器学习和残差学习策略已经应用于粘连接头，但本研究并不声称在这些个别方法组件中具有新颖性。特别地，该研究没有引入新的有限元公式、新的机器学习算法、受控制方程约束的物理信息学习方法或断裂/损伤进展模型。相反，其方法论贡献在于来源报告的有限元输出和匹配的实验载荷在双增强粘连接头中进行基于残差的偏差校正和可靠性评估的具体方式。更具体地说，该框架在单一泄漏感知工作流中结合了三个元素。首先，配置级别的实验-有限元差异被明确表述为残差目标 r=Pexp?PFEA，用于对来源有限元预测进行数据驱动校正。其次，推断时的预测变量可用性通过区分可部署的 Geom_res 和 Geom_FEA 公式与依赖 PFEA/Pexp 的 Geom_FEA_r 公式进行了明确控制，后者仅作为回顾性校准诊断保留。第三，校正后的预测通过结合留一交叉验证 (LOOCV)、折级别的符号和绝对误差变异性、Bland-Altman 一致性分析以及残差-预测值诊断的补充可靠性诊断工作流进行检验。因此，本研究的贡献在于这种特定的实验-有限元残差校正、预测变量可部署性和可靠性评估工作流，而不是开发新的物理失效模型或机器学习算法。单搭接接头未包含在本分析中，因为本研究被设计为针对专门为双增强（双带）接头配置开发的现有实验-数值数据集进行的二次数据驱动研究，这些接头配置有或没有中间元件。没有进行新的实验项目或新的有限元分析活动以生成额外的接头拓扑结构。因此，纳入单搭接接头将需要一个单独的一致匹配的实验-有限元数据集和独立的验证程序。因此，本研究的发现仅限于所研究的双增强接头配置，不应推广到单搭接接头。尽管如此，在文献综述 [5]、[6]、[17] 中承认单搭接研究作为粘连接头中重要且广泛研究的接头类别。在此基础上，本研究开发并评估了一个有限元支持的数据驱动框架，用于估算所研究的双增强粘连接头配置的静载荷能力，同时明确将其主张限制在可用的实验-数值数据集和所研究的设计空间内。数据集与特征定义本研究中使用的数据集被设计为一种包含实验和数值组件的多组件结构，以表示拉伸载荷下双增强粘连接头的机械行为。实验参考数据和相应的有限元分析 (FEA) 输出汇编自 ?itil 博士论文 [1] 和相应已发表研究中报告的双增强接头配置和数值结果。在此背景下，特征重要性分析用于基于有限元的载荷估算的 LSBoost 代理模型定量评估了四个基本几何参数（基材厚度 h、覆盖厚度 t、初始粘接长度 L1 和总粘接长度 L）的相对贡献。计算得到的特征重要性分布如图 7 所示。图 7 显示，总搭接长度 L 是最主要的参数。该变量是承载能力的主要决定因素，贡献结论本研究提出了一种结合实验数据、有限元输出和基于机器学习模型的混合方法，用于估算双增强粘连接头的承载能力。所开发的框架旨在通过基于残差的校正改善基于有限元的名义预测。结果表明，有限元的原始预测倾向于低估整体，并且通过基于残差的校正在整个CRediT 作者贡献声明Faruk Kurker：撰写 – 审稿与编辑。?erif ?itil：撰写 – 审稿与编辑。?emsettin Temiz：撰写 – 审稿与编辑利益冲突声明? 作者声明没有已知的相互竞争的财务利益或个人关系可能影响本文的工作。Faruk Kurker | ?erif ?itil | ?emsettin Temiz