【剑桥与诺丁汉大学复材顶刊】基于深度学习快速预测模具几何形状对织物褶皱的影响

摘要

文章开发了一种深度学习代理模型，可以用于双轴织物成形过程中快速预测任何给定模具几何形状下的褶皱模式。使用有限元模拟的基础数据集来研究模具几何形状对褶皱严重程度的影响。经过训练的代理模型能够以非常低的计算成本对褶皱模式进行可靠的预测，该项研究适用于模具设计优化。结果表明，某些几何特征对起皱的影响比其他几何特征大，在具有较大拔模角的几何形状上成形织物时所导致的褶皱较小。

引言

起皱是纺织复合材料构件制造过程中的一种重要缺陷，严重影响复合材料结构的力学性能。传统的试验方法以及有限元模拟方法受材料成本和计算成本限制，深度学习(DL)可以作为一种使用大型经验数据集的潜在方法，更好地了解不同条件下织物起皱的形成，并优化预成型体最小化起皱。特别是基于图像的深度学习网络——“全卷积网络”(FCNs)，它能够有效地处理基于图像的数据，非常适合于研究模具几何形状对织物成型行为的影响，直接建立模具几何形状与最终预成型织物形状之间的联系。

模具几何形状是影响最终预成型件中是否存在褶皱缺陷的一个关键因素，但在很多文献中很大程度上忽略了这一因素，而倾向于研究可以在预成型工艺阶段修改的工艺条件，如坯料夹持力和层间摩擦。然而，仅仅通过改变预成型工艺条件可能无法减轻褶皱，因此需要进一步了解部件几何形状对褶皱的影响。

有限元法已成为模拟预成形过程中褶皱形成的最广泛使用的方法。但现有模拟方法不适合于设计优化，这些方法要么过于简单，无法准确捕捉褶皱的发生（例如运动学或膜模型），要么计算成本太高，无法快速产生优化所需的结果（例如壳模型）。深度学习代理模型提供了一种新的解决方案，具有改进织物预成型工艺的潜力，理论上只需要较低的计算成本即可保持更高的精度。因此，这样的模型可以用于预成形过程中的迭代优化，以最小化褶皱缺陷。

全卷积模型是更常见的卷积神经网络（CNNs）的扩展，在网络的输入和输出端都有图像。输入图像像素和输出图像像素之间通常存在一对一的连接关系，允许模型基于给定输入对输出进行预测。在网络层内，输入图像首先被分解为高级特征表示，然后用于生成预期输出的逐像素预测。

2023年，剑桥大学与诺丁汉大学的研究人员开发了一种深度学习代理模型，以快速预测双轴非卷曲织物双隔膜成形过程中在给定凸形模具几何形状下的起皱严重程度，并研究了模具的几何特征与起皱严重程度之间的关系。该项研究于近期发表在复合材料领域国际顶刊《Composites Part B: Engineering》，标题为“Rapidly predicting the effect of tool geometry on the wrinkling of biaxial NCFs during composites manufacturing using a deep learning surrogate model”。

1. 材料、成型工艺和有限元模型

该研究中，深度学习代理模型基于宏观有限元模拟结果来训练，材料为Hexcel制造的±45°双轴碳纤维织物◦ 所模拟的双隔膜成形（DDF）过程基于诺丁汉大学开发的实验设备。

图1 双层非卷曲织物成形有限元模拟

图2 成形过程

宏观有限元模拟采用的是Yu等人2020年提出的基于DDF工艺的层压板壳体成形模型，模型已经过试验验证，该模型将壳体和薄膜弯曲行为解耦，用于对每个不同模具几何形状上的非卷曲织物褶皱行为进行建模。该织物使用单元边缘尺寸为3mm的简化四边形壳单元（S4R）。模具采用Abaqus中的R3D4及R3D3混合的刚体单元。所有有限元模拟使用了约54天（1307小时）的时间完成。

2.深度学习模型

深度学习所需的灰度图像数据分别来自于模具几何形状和有限元计算结果。如下图所示，输入层将模具的几何形状转化为几何高度灰度图，输出层则将有限元计算得到的褶皱幅度转化为二维灰度图。并且将褶皱结果映射到最初平坦的未变形织物上防止数据丢失。最后将模具高度灰度图和有限元计算褶皱灰度图用于训练机器学习代理模型。

图3 将有限元数据处理为用于训练深度学习模型的灰度图像：（a）模具高度数据（b）褶皱幅度数据。

第一期“织物成形性能表征与Abaqus成形工艺仿真”培训

近期课程推荐，系统讲解织物成形性能及Abaqus成形工艺仿真

通过将图像数据分割成子集，选择合适的神经网络结构，对模型进行训练，得到训练好的深度学习代理模型。然后通过比较预测结果与有限元模型计算结果来评估代理模型的预测能力。

整个数据集被分为两个子集:训练集和测试集。总数据集(1802)的大约90%(1616)用于训练，10%的数据保留给测试集(186)。测试集用于优化模型的性能以获得最大的精度，并评估模型预测分布。

此外，还创建了一个由10种几何形状组成的评估集来评估模型的最终性能如图4所示。这些评估几何形状是根据之前预成型实验中使用的实际几何形状来选择的，因此可以评估模型的真实性能。

图4 10种几何图形来评估深度学习代理模型的性能

图5（a） 用于代理模型的全卷积网络（FCN）。（b） 增加训练集大小对测试集获得的最大平均图像精度的影响。测试集大小始终保持恒定在186。

3.结果

在几何形状对NCF起皱的影响方面，文中使用了最大绝对皱纹幅度、皱纹面积和平均绝对皱纹幅度三个皱纹指标来评估灰度图像中皱纹模式的严重程度。分析结果表明，NCF层的起皱严重程度在很大程度上取决于模具几何形状，这些几何形状的某些特征对起皱行为的影响比其他特征更大。平均皱纹幅度与几何形状的圆锥度相关性最强。圆锥形几何形状往往导致较低的平均皱纹幅度。与圆锥度相反，高斯曲率与起皱严重程度呈弱相关。具有负高斯曲率(向内弯曲)的几何形状比具有正高斯曲率(向外弯曲)的几何形状更容易起皱。

在代理模型性能方面，基于测试集的代理模型性能如图6所示。预测图像具有较高的准确性，其中75%的预测结果的多尺度结构相似度度量（Multi-scale structural similarity metric，简写为𝑀𝑆 −𝑆𝑆𝐼𝑀）大于0.86，(其中𝑀𝑆−𝑆𝑆𝐼𝑀= 1对应于完美匹配)。

图6 （a） 186个测试集几何图形中图像精度的概率密度分布（b） 测试集中所有几何形状的预测平均褶皱幅度与预期平均褶皱幅度。

图7 （a） 基于有限元模拟的十个评估几何形状的褶皱数据归一化褶皱程度，（b）十个评估几何体的相对褶皱预测误差（c）来自代理模型的所有评估几何形状的褶皱模式预测与来自有限元模型的褶皱模式预测相比。

此外，文章还讨论了通过组件设计减少起皱、代理模型评估、代理模型的潜在应用以及局限性等问题，感兴趣的读者可以点击文末“阅读原文”了解更多内容。

原始文献：

J.V. Viisainen, F. Yu, A. Codolini, S. Chen, L.T. Harper, M.P.F. Sutcliffe, Rapidly predicting the effect of tool geometry on the wrinkling of biaxial NCFs during composites manufacturing using a deep learning surrogate model,Composites Part B: Engineering,

Volume 253,2023,110536. https://doi.org/10.1016/j.compositesb.2023.110536.

原文链接：

https://www.sciencedirect.com/science/article/pii/S1359836823000392

近期，复合材料力学公众平台将举办第一期“织物成形性能表征与Abaqus成形工艺仿真”培训，欢迎从事织物结构设计、分析、制造的读者关注，点击下方链接可查看详情。

【倒计时10天】第一期“织物成形性能表征与Abaqus成形工艺仿真”培训

本文使用 文章同步助手 同步