基于深度学习的短纤维增强聚氨酯复合材料性能预测

论文摘要

结合深度学习在图像识别领域的优势,将卷积神经网络(CNN)应用于有限元代理模型,预测了平面随机分布短纤维增强聚氨酯复合材料的有效弹性参数,并针对训练过程出现的过拟合,提出了一种数据增强的方法。为验证该代理模型的有效性,比较了其与传统代理模型在预测有效杨氏模量和剪切模量上的精度差异。在此基础上结合蒙特卡洛法利用卷积神经网络代理模型研究了材料微几何参数不确定性的误差正向传递。结果表明:相对于传统代理模型,卷积神经网络模型能更好地学习图像样本的内部特征,得到更加精确的预测结果,并在训练样本空间外的一定范围内可以保持较好的鲁棒性;随着纤维长宽比的增大,微几何参数的不确定性对材料有效性能预测结果会传递较大的误差。

论文目录

• 1 RSF/UC有限元模型描述
•   1.1 RVE模型假设
•   1.2 边界条件的施加和求解
• 2 RSF/UC代理模型的构建
•   2.1 特征提取与传统代理模型的构建
•   2.2 卷积神经网络代理模型构建
• 3 结果分析
•   3.1 RSF/UC传统模型训练结果
•   3.2 CNN训练结果
• 4 RSF/UC微几何参数不确定性误差传递分析算例
• 5 结论

文章来源

类型: 期刊论文

作者: 闫海,邓忠民

关键词: 短纤维增强聚氨酯复合材料,有效性能,深度学习,代理模型,不确定性

来源: 复合材料学报 2019年06期

年度: 2019

分类: 工程科技Ⅰ辑

专业: 有机化工,材料科学

单位: 北京航空航天大学宇航学院

基金: 国家自然科学基金(11772018)

分类号: TQ327;TB332

DOI: 10.13801/j.cnki.fhclxb.20180821.001

页码: 1413-1420

总页数: 8

文件大小: 338K

下载量: 442