机器学习+复合材料力学应用探索相关研究进展（一）
2016年，AlphaGo战胜世界围棋冠军李世石这一里程碑事件引发了全世界的哗然与震惊，人工智能技术也由此真正走入了人们的视野，并逐渐成为改变人类生产、生活的新技术引擎。近几年，随着AI技术的发展，人工智能在诸多行业都得了广泛的应用。在传统力学领域，如材料基因组、结构健康监测、结构性能预测、智能化设计、流固耦合分析等方面，国内外研究人员也相继开展了广泛的应用探索。
虽然目前将智能化技术应用于力学领域尚不成熟，但探索的过程是非常必要的。接下来几期文章，我们将重点关注机器学习、深度学习在复合材料力学领域的应用探索。
第一期先介绍2022年发表在《Composites Part B: Engineering》上的几篇有关机器学习、深度学习的文章。
另外，本专栏持续征稿，欢迎投稿！
欢迎投稿
1
基于深度学习的纤维增强复合材料应力场预测
文章将深度学习工具应用于纤维增强基体复合材料的局部应力场预测，以期有效替代有限元分析。第一个挑战是预测具有固定数量纤维和不同空间配置的复合材料横截面的应力场图。通过卷积神经网络（CNN），实现了纤维的空间排列与相应的von Mises应力场之间的映射。使用与目标系统相同纤维数量的数据训练CNN。文章的第二个目标是使用CNN预测具有较大纤维数的复杂系统的应力场，CNN是根据较少纤维数的简单系统的数据进行预训练的。
采用abaqus建立模型生成样本数据
搭建U型构架
U-Net构架预测的Von Mises应力图（20根纤维组成的系统）
2
通过稀疏回归从实验数据中发现复合材料的失效准则
文章采用压缩感知（compressed sensing）实现稀疏回归（ sparse regression），从数据中发现失效准则。该方法不需要大数据对模型进行训练，能够识别控制数据的最重要候选函数。此外，作者收集了WWFE-I 的实验数据，以测试所提出的方法的性能。
文章研究了三个实例进行论证。第一个例子展示了框架的功能。采用hashin失效准则生成测试数据。然后，在数据中加入不同程度的噪声点。实现了从噪声数据中发现失效准则的框架。结果表明，基于压缩感知的稀疏回归方法能够准确识别噪声数据下的失效判据。第二个实例从WWFE-I试验数据中发现失效准则，结果表明，稀疏回归识别的失效准则与试验数据吻合较好。此外，稀疏回归识别失效准则比hashin失效准则更能捕捉数据的趋势。稀疏回归与深度神经网络（DNN）的比较表明，在有限的数据量下，稀疏回归优于DNN。第三个示例是使用一种优化方法来强制对发现的准则施加约束，以使预测数据小于实验数据，从而根据现有数据得出保守失效准则。
稀疏回归发现失效准则示意图
稀疏回归与深度神经网络结果比较
3
使用表面轮廓和机器学习预测 CFRP 层压板内部低速冲击损伤
该项研究在考虑三个因素（铺层堆叠顺序、冲头形状和冲击能量）的情况下进行了多次低速冲击试验，在试样上造成了目视勉强可见的冲击损伤（BVID），并进行了表面轮廓和内部损伤测量。
随后，根据表面轮廓创建了有助于推断冲击信息的原始特征数据（144个特征），之后，使用三种机器学习模型（岭回归ridge regression、逻辑回归logistic regression和随机森林random forest）预测冲击头形状、分层面积和分层长度。结果表明，使用压痕深度和压痕体积，模型可以正确推断出约80%的缺陷。所提出的模型能够从可见冲击信息中推断出不可见冲击信息，而无需进行大量检查。
不同形状的冲头
冲击过程时间-力曲线
实测表面损伤、凹坑等高线图和C扫描图像
试验与预测分层面积对比（a）岭回归和（b）随机森林观察到的分层面积与预测的分层面积，（c）岭回归与（d）随机森林得出的分层长度
原始文献：
[1]Anindya Bhaduri, Ashwini Gupta, Lori Graham-Brady,Stress field prediction in fiber-reinforced composite materials using a deep learning approach,Composites Part B: Engineering,Volume 238,2022,109879,ISSN 1359-8368.
https://doi.org/10.1016/j.compositesb.2022.109879.
(https://www.sciencedirect.com/science/article/pii/S135983682200258X)
[2]Saki Hasebe, Ryo Higuchi, Tomohiro Yokozeki, Shin-ichi Takeda,Internal low-velocity impact damage prediction in CFRP laminates using surface profiles and machine learning, Composites Part B: Engineering,Volume237, 2022,109844, ISSN 1359-8368.
https://doi.org/10.1016/j.compositesb.2022.109844.
(https://www.sciencedirect.com/science/article/pii/S1359836822002244)
[3]Fei Tao, Xin Liu, Haodong Du, Su Tian, Wenbin Yu,Discover failure criteria of composites from experimental data by sparse regression, Composites Part B: Engineering, Volume 239, 2022, 109947, ISSN 1359-8368.
https://doi.org/10.1016/j.compositesb.2022.109947.
(https://www.sciencedirect.com/science/article/pii/S1359836822003262)
专注于复合材料力学领域的知识创作与分享，国内复合材料领域颇具影响力的技术交流平台之一，第一时间更新复合材料方向前沿技术，所发布的前沿资讯、仿真案例、技术方法、代码插件助力了无数学子专业素养和专业技能的提升，深受广大学生群体及青年科技工作者喜爱。“聚焦前沿，引领未来”，复合材料力学公众平台期待您的关注！
欢迎投稿
| 原创作品 未经允许不得转载 |
公众号首页回复以下数字可获取相应信息
【01】：历史文章 【02】：投稿指南 【03】：视频资料
【04】：材料库 【05】：技术培训 【06】：项目合作
【07】：商务合作 【08】：文章转载 【09】：加入我们
【10】：联系我们 【11】：交流群 【12】：意见建议
本文使用 文章同步助手 同步
