張峻銘 楊偉東 李 巖

同濟(jì)大學(xué)航空航天與力學(xué)學(xué)院, 上海 200092

1 引 言

先進(jìn)復(fù)合材料作為結(jié)構(gòu)輕量化的重要原材料, 已在航空航天、軌道交通、土木建筑等重要工程領(lǐng)域中得到廣泛應(yīng)用, 而復(fù)合材料的用量占比如今已成為衡量飛機(jī)先進(jìn)性的重要指標(biāo). 以民用航空領(lǐng)域?yàn)槔? 國外的先進(jìn)民航客機(jī), 如波音公司的B787和空客公司的A350, 復(fù)合材料用量已達(dá)結(jié)構(gòu)重量的50%以上, 而國產(chǎn)大飛機(jī)C919僅為12%, 復(fù)合材料應(yīng)用技術(shù)落后國外20年(杜善義和關(guān)志東 2008, 寧莉等2020). 但是, 中俄正在聯(lián)合研制的國產(chǎn)CR929遠(yuǎn)程寬體客機(jī)中, 復(fù)合材料用量計(jì)劃達(dá)到50%以上. 在當(dāng)前新形勢(shì)下, 這一跨越式發(fā)展的目標(biāo)對(duì)高性能復(fù)合材料的設(shè)計(jì)制造提出了新要求. 另一方面, 復(fù)合材料及其結(jié)構(gòu)的性能預(yù)測(cè)、結(jié)構(gòu)設(shè)計(jì)、工藝制造等全鏈條因素都會(huì)對(duì)其力學(xué)性能產(chǎn)生重要影響, 決定了復(fù)合材料的應(yīng)用水平. 因此, 如何通過多尺度多維度的復(fù)合材料設(shè)計(jì)進(jìn)一步減輕結(jié)構(gòu)重量并實(shí)現(xiàn)卓越的力學(xué)性能? 如何優(yōu)化創(chuàng)新成型工藝方法, 制造復(fù)雜復(fù)合材料結(jié)構(gòu)并降低制造成本? 如何實(shí)現(xiàn)對(duì)復(fù)合材料服役狀態(tài)的有效監(jiān)測(cè)、提升復(fù)合材料使用壽命? 這些問題是信息化時(shí)代背景下, 力學(xué)研究者所面臨的新機(jī)遇與新挑戰(zhàn).

傳統(tǒng)的復(fù)合材料研究方法, 主要以實(shí)驗(yàn)和理論建模為主, 逐漸形成了實(shí)驗(yàn)觀測(cè)、分析建模、數(shù)值模擬相輔相成的研究方法. 然而, 復(fù)合材料組分及結(jié)構(gòu)的復(fù)雜化, 給復(fù)合材料的性能預(yù)測(cè)、優(yōu)化設(shè)計(jì)、成型制造等提出了新問題. 例如, 復(fù)合材料的多尺度力學(xué)性能表征、精準(zhǔn)的反向結(jié)構(gòu)設(shè)計(jì)、復(fù)合材料的不確定性傳播等問題, 在傳統(tǒng)的實(shí)驗(yàn)分析、理論建模、拓?fù)鋬?yōu)化等框架下無法得到很好的解決. 實(shí)驗(yàn)觀測(cè)不足、理論模型缺乏、數(shù)值分析受限、結(jié)果驗(yàn)證困難等傳統(tǒng)研究手段的困境, 嚴(yán)重制約著復(fù)合材料研究面向未來應(yīng)用的快速發(fā)展.

21世紀(jì)以來, 隨著大數(shù)據(jù)的逐漸普及, 計(jì)算機(jī)算力的不斷提升, 深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等人工智能技術(shù)迅猛發(fā)展, 相關(guān)算法相繼被應(yīng)用到多個(gè)學(xué)科研究領(lǐng)域. 人工智能方法的優(yōu)勢(shì)是不再關(guān)心問題的具體物理機(jī)理, 直接由數(shù)據(jù)驅(qū)動(dòng), 因此無需建立復(fù)雜的物理模型, 也無需繁冗的經(jīng)驗(yàn)參數(shù), 實(shí)現(xiàn)了由傳統(tǒng)的因果機(jī)理探尋向人工智能支撐下變量關(guān)系建立的轉(zhuǎn)變. 人工智能作為一種技術(shù)方法, 在復(fù)合材料領(lǐng)域也呈現(xiàn)出廣闊的應(yīng)用前景: (1)在復(fù)合材料力學(xué)性能預(yù)測(cè)方面, 基于實(shí)驗(yàn)測(cè)試和數(shù)值模擬獲得大量數(shù)據(jù), 結(jié)合人工智能挖掘高維變量之間的復(fù)雜關(guān)系, 可建立由參數(shù)到性能的快速響應(yīng); (2)在復(fù)合材料優(yōu)化設(shè)計(jì)方面, 無需依賴于設(shè)計(jì)者的經(jīng)驗(yàn)積累和靈感直覺, 設(shè)定恰當(dāng)?shù)哪繕?biāo)函數(shù)后自動(dòng)迭代更新設(shè)計(jì)策略, 實(shí)現(xiàn)全局最優(yōu)或精準(zhǔn)的逆向設(shè)計(jì); (3)在復(fù)合材料制造方面, 快速探明各種制造參數(shù)對(duì)復(fù)合材料力學(xué)性能的影響, 改進(jìn)制造工藝, 甚至與精密機(jī)器人系統(tǒng)進(jìn)行協(xié)同制造, 實(shí)現(xiàn)大型復(fù)雜結(jié)構(gòu)成型新技術(shù). 另外, 在復(fù)合材料的健康監(jiān)測(cè)方面, 關(guān)聯(lián)多種傳感信號(hào)與復(fù)合材料狀態(tài)之間的關(guān)系, 在復(fù)雜載荷條件下完成對(duì)復(fù)合材料狀態(tài)的預(yù)測(cè)和控制.

圍繞著人工智能賦能復(fù)合材料研究的前沿領(lǐng)域, 本綜述的內(nèi)容組成為: 第2節(jié)概括人工智能在復(fù)合材料研究中的應(yīng)用步驟; 第3 ~ 5節(jié)分別介紹人工智能方法在復(fù)合材料性能預(yù)測(cè)、優(yōu)化設(shè)計(jì)、智能制造三方面研究的應(yīng)用現(xiàn)狀; 最后, 第6節(jié)對(duì)人工智能在復(fù)合材料領(lǐng)域的未來研究方向進(jìn)行探討與展望. 全文內(nèi)容的總括圖如圖1所示.

圖1

2 人工智能與復(fù)合材料

2.1 材料學(xué)中人工智能應(yīng)用的發(fā)展

材料是人類用以制造基本元件、構(gòu)件、機(jī)器以及更復(fù)雜材料產(chǎn)品的物質(zhì)基礎(chǔ). 人類社會(huì)的發(fā)展歷程, 在某種程度上, 就是以材料的發(fā)展與迭代為主要標(biāo)志的. 100萬年前, 原始人以石頭作為工具; 1萬年前, 人類對(duì)石器進(jìn)行加工, 使之成為器皿和精致的工具; 1千年前, 人類開始使用鑄鐵, 人類社會(huì)進(jìn)入鐵器時(shí)代; 1百年前, 人類科技得以迅猛發(fā)展, 合成高分子材料、陶瓷材料、電子材料、復(fù)合材料等新型材料的相繼發(fā)明, 使人類社會(huì)從工業(yè)時(shí)代進(jìn)入信息時(shí)代. 如今, 在5G和物聯(lián)網(wǎng)時(shí)代, 材料的設(shè)計(jì)與應(yīng)用也逐漸與人工智能技術(shù)建立起聯(lián)系, 藉由人工智能探索其新思路、新方法、新技術(shù). 因此, 人工智能有望為材料學(xué)發(fā)展帶來新的研究范式.

自1956年“人工智能(artificial intelligence, AI)”這一學(xué)科被正式提出以來, 其發(fā)展經(jīng)歷了多次高潮與低谷. 2006年, Hinton和Salakhutdinov(2006)提出深度學(xué)習(xí)的概念之后, 人工智能又重新進(jìn)入大眾視野. 人工智能的發(fā)展歷程如圖2所示. 近年來, 隨著計(jì)算機(jī)、大數(shù)據(jù)、互聯(lián)網(wǎng)、物聯(lián)網(wǎng)等先進(jìn)技術(shù)的飛速發(fā)展與融合, 人工智能在計(jì)算數(shù)據(jù)、算法、算力等方面均得到了巨大提升, 如今已跨越了學(xué)科之間的鴻溝, 并在前沿科技、工程應(yīng)用、醫(yī)療健康等面向未來的諸多重要領(lǐng)域中起著愈發(fā)關(guān)鍵的作用.

圖2

當(dāng)人工智能方法追溯到20世紀(jì)80年代, 專家系統(tǒng)(expert system)以其啟發(fā)性、透明性、靈活性及擴(kuò)充性等優(yōu)點(diǎn), 被廣泛應(yīng)用于材料的選擇與設(shè)計(jì). 專家系統(tǒng)作為一種智能計(jì)算機(jī)程序系統(tǒng), 其內(nèi)部含有大量的某個(gè)特定領(lǐng)域?qū)＜宜降闹R(shí)與經(jīng)驗(yàn), 再進(jìn)行推理和判斷, 從而模擬人類專家解決問題的決策過程. 但是, 專家系統(tǒng)對(duì)不同情況的適應(yīng)程度需由規(guī)則來決定, 而建立復(fù)雜問題的專家系統(tǒng)往往需要極高的時(shí)間成本和數(shù)據(jù)成本. 另外, 可移植性差、非魯棒性、無記憶性等缺陷也嚴(yán)重制約著專家系統(tǒng)形成通用方法. 進(jìn)入21世紀(jì), 神經(jīng)網(wǎng)絡(luò)的算力瓶頸, 隨著計(jì)算機(jī)硬件性能躍升而被打破, 這為基于大數(shù)據(jù)發(fā)展的人工智能方法奠定了基礎(chǔ). 其中, 線性回歸、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等方法, 逐漸被應(yīng)用于材料的性能預(yù)測(cè)、設(shè)計(jì)和優(yōu)化.例如, 采用機(jī)器學(xué)習(xí)方法可預(yù)測(cè)不同幾何參數(shù)下多晶硅試樣的斷裂韌性(Liu, Athanasiou et al.2020a); 采用卷積神經(jīng)網(wǎng)絡(luò)方法, 可基于大量頁巖微細(xì)觀結(jié)構(gòu)的圖像來構(gòu)建頁巖微結(jié)構(gòu)與彈性模量之間的關(guān)系(Li 2019); 采用強(qiáng)化學(xué)習(xí)方法可實(shí)現(xiàn)具有不同禁帶聲子晶體的設(shè)計(jì)(Luo C et al.2020).

2.2 復(fù)合材料領(lǐng)域人工智能方法

相比于各向同性或均質(zhì)、單一材料而言, 復(fù)合材料在力學(xué)性能上的高度各向異性、多樣性的設(shè)計(jì)參數(shù)、廣闊的設(shè)計(jì)空間, 使其天然地?fù)碛懈嫶蟮臄?shù)據(jù)量, 所以復(fù)合材料的設(shè)計(jì)與優(yōu)化過程也更為復(fù)雜. 因此, 如何將人工智能方法用于復(fù)合材料研究, 以加速復(fù)合材料的設(shè)計(jì)與迭代, 促進(jìn)其在工程領(lǐng)域的高水平應(yīng)用, 是復(fù)合材料領(lǐng)域研究面臨的重要科學(xué)問題. 目前, 人工智能方法

在復(fù)合材料研究流程可分為數(shù)據(jù)準(zhǔn)備、模型訓(xùn)練、模型評(píng)估三個(gè)步驟, 如圖3所示.

圖3

2.2.1 數(shù)據(jù)準(zhǔn)備

在復(fù)合材料領(lǐng)域, 原始的數(shù)據(jù)一般從數(shù)值模擬和實(shí)驗(yàn)中獲得, 但是這些數(shù)據(jù)通常會(huì)存在信息不完整、噪聲過多、數(shù)據(jù)冗余等問題. 對(duì)于信息采集中數(shù)據(jù)丟失而產(chǎn)生的不完整數(shù)據(jù)集, 應(yīng)對(duì)缺失數(shù)據(jù)進(jìn)行估算和刪除. 噪聲數(shù)據(jù)可以通過分箱、聚類等方法加以篩選. 在原始數(shù)據(jù)中, 有些輸入變量與想獲得的輸出變量無關(guān), 或與其他變量作用一致, 形成冗余數(shù)據(jù), 可由研究者的先驗(yàn)知識(shí)進(jìn)行選擇. 例如, 在預(yù)測(cè)復(fù)合材料加筋板的屈曲載荷時(shí), 設(shè)計(jì)參數(shù)多達(dá)十余種, 但最相關(guān)的只有四個(gè)因素: 加筋板的正交各向異性比、拉伸剛度與剪切剛度比、板與筋的拉伸剛度比以及剪切屈曲參數(shù)(Mallela et al. 2016). 因此, 在數(shù)據(jù)準(zhǔn)備階段對(duì)數(shù)據(jù)進(jìn)行合理的預(yù)處理, 有助于提高運(yùn)算效率, 提升預(yù)測(cè)精度, 獲得準(zhǔn)確的模型.

2.2.2 模型訓(xùn)練

確定輸入與輸出變量, 完成訓(xùn)練樣本的準(zhǔn)備后, 即開始對(duì)人工智能模型進(jìn)行訓(xùn)練. 以目前主流的神經(jīng)網(wǎng)絡(luò)為例, 模型內(nèi)部實(shí)際上是一個(gè)“黑盒子”, 在每層神經(jīng)元之間使用線性或非線性的函數(shù)建立關(guān)系, 最終在輸入數(shù)據(jù)及輸出數(shù)據(jù)之間形成鏈接. 在復(fù)合材料領(lǐng)域, 給定的目標(biāo)參數(shù)與目標(biāo)性能之間往往存在著已有理論模型無法合理詮釋的復(fù)雜關(guān)系, 而人工智能模型可直接基于數(shù)據(jù)進(jìn)行擬合和外推, 完成“參數(shù)?性能”關(guān)系的數(shù)據(jù)挖掘. 例如, 在兩相甚至多相復(fù)合材料中, 研究復(fù)雜微結(jié)構(gòu)對(duì)復(fù)合材料整體力學(xué)性能的影響時(shí), 很難找到一個(gè)理論公式準(zhǔn)確描述不同增強(qiáng)相在基體中不同的分布方式與復(fù)合材料力學(xué)性能之間的關(guān)系, 但通過人工智能可實(shí)現(xiàn)由實(shí)驗(yàn)數(shù)據(jù)進(jìn)行建模, 建立材料的“微結(jié)構(gòu)?性能”這一連接, 供研究者了解不同材料微結(jié)構(gòu)下性能的變化趨勢(shì),進(jìn)而推動(dòng)復(fù)合材料設(shè)計(jì)(Yang et al. 2019).

2.2.3 模型評(píng)估

完成人工智能模型訓(xùn)練后, 對(duì)模型效果的評(píng)估至關(guān)重要. 通過評(píng)估, 可以了解利用當(dāng)前數(shù)據(jù)建立的模型是否準(zhǔn)確, 以及當(dāng)前模型在未經(jīng)訓(xùn)練的數(shù)據(jù)集上是否擁有良好的性能, 進(jìn)而選擇結(jié)果更為精確、泛化能力更強(qiáng)的人工智能模型. 因此, 應(yīng)將獲得的數(shù)據(jù)集劃分為兩個(gè)部分?訓(xùn)練集與測(cè)試集, 其中訓(xùn)練集用于訓(xùn)練模型, 測(cè)試集對(duì)訓(xùn)練后的模型進(jìn)行評(píng)估. 根據(jù)不同的數(shù)據(jù)集劃分方式, 可分為留出法、K折交叉驗(yàn)證法以及自助法.

(1)留出法: 指按照一定比例將數(shù)據(jù)集劃分為訓(xùn)練集與測(cè)試集, 在訓(xùn)練集上訓(xùn)練模型并在測(cè)試集上對(duì)模型進(jìn)行評(píng)估. 為了保證評(píng)估的準(zhǔn)確性, 需要盡量保持訓(xùn)練集與測(cè)試集的數(shù)據(jù)分布一致, 并進(jìn)行若干次隨機(jī)劃分, 重復(fù)實(shí)驗(yàn)取平均值.

(2)K折交叉驗(yàn)證法: 指隨機(jī)將樣本劃分成K個(gè)互斥且大小相同的子集, 以K?1個(gè)子集作為訓(xùn)練集訓(xùn)練模型, 剩余的一個(gè)子集作為測(cè)試集, 形成K種劃分方式進(jìn)行評(píng)估, 對(duì)所得結(jié)果取平均,是目前應(yīng)用最為廣泛的方法. 當(dāng)K與樣本數(shù)目相同時(shí), 又被稱為留一法. 該方法評(píng)估結(jié)果的可靠性隨著K的增大而增大, 然而所花費(fèi)的時(shí)間也隨之線性增長, 因此在實(shí)際應(yīng)用中選擇合適的K值尤為重要.

(3)自助法: 指以自主采樣為基礎(chǔ), 在n個(gè)樣本數(shù)據(jù)中隨機(jī)抽取一個(gè)并放回, 重復(fù)n次, 得到一個(gè)與樣本數(shù)據(jù)大小一致的訓(xùn)練集, 而未出現(xiàn)在訓(xùn)練集中的數(shù)據(jù)構(gòu)成測(cè)試集. 當(dāng)數(shù)據(jù)樣本較小,難以劃分測(cè)試集與訓(xùn)練集時(shí)該方法簡單、有效, 但自助法會(huì)更改原始數(shù)據(jù)集的分布, 從而引入估計(jì)誤差.

隨后, 通過將訓(xùn)練集得到模型的預(yù)測(cè)結(jié)果與測(cè)試集實(shí)際結(jié)果進(jìn)行比較, 可以檢查模型的準(zhǔn)確性. 針對(duì)不同的問題評(píng)估方法也不同, 如分類問題一般采用準(zhǔn)確率、精確率、召回率以及F1值,而回歸問題則多為均方誤差、均方根誤差及平均絕對(duì)百分比誤差等.

2.3 復(fù)合材料領(lǐng)域常用人工智能算法

在上述步驟中, 根據(jù)目標(biāo)問題選擇合適的模型進(jìn)行訓(xùn)練, 是最為關(guān)鍵的一步. 不同的人工智能算法對(duì)應(yīng)不同的應(yīng)用范圍, 目前還沒有一種算法能夠解決所有的問題(Liu et al. 2017). 目前在復(fù)合材料領(lǐng)域常用的人工智能算法可以大致分為三類: 回歸、分類和聚類. 其中, 回歸和分類作為監(jiān)督學(xué)習(xí), 多用于復(fù)合材料的性能預(yù)測(cè)(Bai et al. 2008, Jiang et al. 2008, Wen et al. 2011, Konstantopoulos et al. 2020)、損傷種類識(shí)別(Barry et al. 2015, Wang et al. 2018)、逆向設(shè)計(jì)(Kazi et al. 2020)等. 聚類用于判斷損傷是否存在和復(fù)合材料關(guān)鍵參數(shù)識(shí)別等(Zeliff et al. 2016, Zhou et al. 2018). 此外, 以遺傳算法為代表的智能計(jì)算方法也常用于優(yōu)化復(fù)合材料結(jié)構(gòu)設(shè)計(jì)、制造參數(shù)和人工智能模型超參數(shù)(Riche & Haftka 1993, Zheng et al. 2009, Kalantari et al. 2017, Vo-Duy et al. 2017).

神經(jīng)網(wǎng)絡(luò)(neural network, NN)是人工智能中應(yīng)用最為廣泛的算法, 多種神經(jīng)網(wǎng)絡(luò)在復(fù)合材料領(lǐng)域的分類與回歸任務(wù)上表現(xiàn)出優(yōu)異的性能. 組成神經(jīng)網(wǎng)絡(luò)的基本單位是一個(gè)個(gè)神經(jīng)元, 每個(gè)神經(jīng)元利用數(shù)學(xué)模型對(duì)神經(jīng)細(xì)胞進(jìn)行簡單模擬, 一個(gè)神經(jīng)元的輸出作為另一個(gè)神經(jīng)元的輸入, 多個(gè)神經(jīng)元相互連接構(gòu)成了神經(jīng)網(wǎng)絡(luò). 神經(jīng)網(wǎng)絡(luò)具有多種拓?fù)浣Y(jié)構(gòu), 最簡單也最為常見的是多層感知機(jī)(multilayer perceptron, MLP), 它由輸入層、輸出層和隱含層構(gòu)成. 輸入層連接輸入?yún)?shù), 輸出層給出輸出結(jié)果, 隱含層中前一層每個(gè)神經(jīng)元的輸出作為輸入傳遞給下一層的每個(gè)神經(jīng)元, 因此又被稱為全連接層(fully connected layer). 神經(jīng)網(wǎng)絡(luò)隱含層中每個(gè)神經(jīng)元采用非線性激活函數(shù)引入非線性, 具有極強(qiáng)的非線性擬合能力. 萬能近似定理表明, 具有一個(gè)包含有限數(shù)量神經(jīng)元隱藏層的神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)任意連續(xù)函數(shù)關(guān)系的擬合(Hornik 1991). 除了多層全連接前向神經(jīng)網(wǎng)絡(luò)外, 卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)是另一種廣泛使用的算法. 除全連接層以外, 卷積神經(jīng)網(wǎng)絡(luò)的隱含層中還包含了卷積層(convolutional layer)以及池化層(pooling layer),卷積層實(shí)現(xiàn)特征提取, 池化層進(jìn)行特征選擇和信息過濾. 與多層全連接前向神經(jīng)網(wǎng)絡(luò)相比, 卷積神經(jīng)網(wǎng)絡(luò)從信息中提取相關(guān)特征的能力更強(qiáng), 計(jì)算效率更高, 在圖像識(shí)別等任務(wù)上表現(xiàn)出更為優(yōu)異的性能.

遺傳算法(genetic algorithm, GA)是一種受達(dá)爾文進(jìn)化論啟發(fā), 借鑒生物進(jìn)化過程而提出的智能計(jì)算方法, 在復(fù)合材料的優(yōu)化設(shè)計(jì)領(lǐng)域有著較為成熟的應(yīng)用(Yuen et al. 2020). 遺傳算法首先將要求解的問題編碼為遺傳空間中的染色體或個(gè)體, 隨機(jī)產(chǎn)生初始群體, 根據(jù)優(yōu)化目標(biāo)設(shè)定適應(yīng)度函數(shù)對(duì)群體中的個(gè)體進(jìn)行評(píng)價(jià). 隨后, 對(duì)群體內(nèi)的優(yōu)勝個(gè)體進(jìn)行選擇, 劣質(zhì)個(gè)體進(jìn)行淘汰, 并進(jìn)行交叉、變異運(yùn)算產(chǎn)生新個(gè)體, 再次進(jìn)行評(píng)價(jià), 如此反復(fù)迭代直至最優(yōu)個(gè)體的適應(yīng)度不再上升或達(dá)到給定的迭代次數(shù). 遺傳算法的優(yōu)點(diǎn)是具有良好的自組織、自適應(yīng)和自學(xué)習(xí)能力, 搜索覆蓋面大, 有利于全局擇優(yōu). 其缺點(diǎn)是效率較低, 易出現(xiàn)“早熟”現(xiàn)象, 即過早收斂, 陷入局部最優(yōu).

在復(fù)合材料領(lǐng)域, 上述兩種方法應(yīng)用較為廣泛, 并逐漸形成了遺傳算法與神經(jīng)網(wǎng)絡(luò)相互結(jié)合,反復(fù)迭代, 實(shí)現(xiàn)復(fù)合材料的優(yōu)化設(shè)計(jì)的成熟模式(Ehsani & Dalir 2019). 除此之外, 決策樹、支持向量機(jī)等算法也常常被用于分類與回歸問題(Wagner et al. 2019, Jac Fredo et al. 2019). 人工蜂群算法、模擬退火算法、螢火蟲算法和粒子群算法等新型智能計(jì)算方法也逐漸應(yīng)用于復(fù)合材料或神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化設(shè)計(jì)(Erdal & Sonmez 2005, Apalak et al. 2013, Vosoughi et al. 2017, Gautam &Mishra 2019). 根據(jù)目標(biāo)問題合理選擇人工智能模型, 有助于獲得更好的預(yù)測(cè)結(jié)果(Freirejr et al.2007, Li et al. 2018).

本文按照復(fù)合材料的研發(fā)流程, 將人工智能方法在復(fù)合材料領(lǐng)域的應(yīng)用分為三類: (1)復(fù)合材料的性能預(yù)測(cè); (2)復(fù)合材料的優(yōu)化設(shè)計(jì); (3)復(fù)合材料的智能制造. 此外, 不僅人工智能方法可以助力復(fù)合材料研究的發(fā)展; 反過來, 力學(xué)理論作為準(zhǔn)確模型也可以指導(dǎo)設(shè)計(jì)出更為符合復(fù)合材料領(lǐng)域需求的人工智能模型. 因此, 基于力學(xué)理論指導(dǎo)的人工智能方法近些年來也得到了很多力學(xué)研究者的關(guān)注.

3 復(fù)合材料性能預(yù)測(cè)

與單一均質(zhì)材料相比, 復(fù)合材料由于其本身具有結(jié)構(gòu)屬性, 在設(shè)計(jì)時(shí)需統(tǒng)籌材料、結(jié)構(gòu)、工藝三方面設(shè)計(jì)以達(dá)到最優(yōu)性能. 同時(shí), 復(fù)合材料可設(shè)計(jì)性強(qiáng), 設(shè)計(jì)參數(shù)多, 如果缺乏設(shè)計(jì)參數(shù)對(duì)復(fù)合材料性能影響規(guī)律的清晰認(rèn)識(shí)而盲目設(shè)計(jì), 將會(huì)造成大量資源和時(shí)間的浪費(fèi). 因此, 需要對(duì)于擬設(shè)計(jì)復(fù)合材料的性能進(jìn)行定量預(yù)測(cè), 以實(shí)現(xiàn)根據(jù)實(shí)際需要來限制設(shè)計(jì)空間、指導(dǎo)設(shè)計(jì)方向, 達(dá)到高效設(shè)計(jì)高性能復(fù)合材料的目的.

目前主要采用實(shí)驗(yàn)研究和計(jì)算模擬兩種方法實(shí)現(xiàn)對(duì)復(fù)合材料力學(xué)性能的預(yù)測(cè), 但這兩種方法均難以準(zhǔn)確捕捉復(fù)合材料性能的諸多影響因素. 采用人工智能方法對(duì)復(fù)合材料性能進(jìn)行預(yù)測(cè),即通過數(shù)據(jù)挖掘微細(xì)觀結(jié)構(gòu)或設(shè)計(jì)參數(shù)與復(fù)合材料性能之間內(nèi)在的關(guān)系, 進(jìn)而對(duì)如基本力學(xué)性能、疲勞性能、沖擊性能等做出預(yù)測(cè), 或者建立材料的本構(gòu)模型, 是目前針對(duì)復(fù)合材料性能研究的前沿?zé)狳c(diǎn).

3.1 復(fù)合材料基本力學(xué)性能

復(fù)合材料研究水平不斷提升、應(yīng)用領(lǐng)域不斷拓展, 目前已逐漸被用于各類承載結(jié)構(gòu)(主承力和次承力結(jié)構(gòu)), 例如飛機(jī)機(jī)身機(jī)翼、汽車車身、風(fēng)電葉片等關(guān)鍵結(jié)構(gòu). 而復(fù)合材料模量、強(qiáng)度、韌性等基本力學(xué)性能是影響其結(jié)構(gòu)承載能力的決定性因素.

3.1.1 基于微結(jié)構(gòu)圖像的性能預(yù)測(cè)

復(fù)合材料的微細(xì)觀結(jié)構(gòu)決定其宏觀力學(xué)性能. 目前復(fù)合材料多尺度力學(xué)主要通過大規(guī)模觀測(cè)不同載荷下微細(xì)觀結(jié)構(gòu)形貌, 依據(jù)經(jīng)驗(yàn)判斷、提取關(guān)鍵特征, 進(jìn)而建立力學(xué)模型. 該方法相對(duì)繁瑣, 高度依賴研究者豐富的經(jīng)驗(yàn). 采用人工智能方法研究該問題, 可實(shí)現(xiàn)微細(xì)觀結(jié)構(gòu)特征的快速提取, 或直接建立“圖像?性能”這一關(guān)系, 驅(qū)動(dòng)復(fù)合材料多尺度力學(xué)的快速發(fā)展.

利用二維微結(jié)構(gòu)像素圖像來預(yù)測(cè)復(fù)合材料整體力學(xué)性能的方法. Gu 等 (2018a)采用計(jì)算機(jī)生成35 960張8 × 8像素單位的兩相夾雜復(fù)合材料二維圖像, 結(jié)合有限元分析得到的韌性和強(qiáng)度訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò), 實(shí)現(xiàn)由二維結(jié)構(gòu)圖像預(yù)測(cè)材料的韌性和強(qiáng)度, 成功挖掘了結(jié)構(gòu)圖像與材料性能的定量關(guān)系, 且計(jì)算速度約為有限元方法的250倍. 針對(duì)具有任意形狀?yuàn)A雜相分布的二維復(fù)合材料微結(jié)構(gòu), Ye等(2019)在200 × 200像素單位圖像上進(jìn)行分析并建立卷積神經(jīng)網(wǎng)絡(luò), 可預(yù)測(cè)復(fù)合材料的等效楊氏模量以及泊松比, 預(yù)測(cè)結(jié)果相對(duì)誤差均低于4.0%. 另外, 針對(duì)纖維增強(qiáng)復(fù)合材料,可將纖維增強(qiáng)體視為夾雜相分布于樹脂基體中. 利用計(jì)算機(jī)生成的1800張?zhí)祭w維增強(qiáng)復(fù)合材料單向板的二維橫截面微觀結(jié)構(gòu)圖, 通過有限元施加周期性邊界計(jì)算出其彈性模量和屈服強(qiáng)度, 再采用梯度上升回歸樹方法將結(jié)果與復(fù)合材料微觀結(jié)構(gòu)相關(guān)聯(lián), 獲得了不超過5%的預(yù)測(cè)誤差(Pathan et al. 2019). 除力學(xué)性能外, 類似的方法在預(yù)測(cè)復(fù)合材料有效導(dǎo)熱系數(shù)和導(dǎo)電率上也取得了良好的效果(Turias et al. 2005, Gerrard et al. 2014).

上述研究均是針對(duì)二維復(fù)合材料微結(jié)構(gòu), 或?qū)⑷S問題簡化至二維平面問題. 但實(shí)際應(yīng)用中往往以三維復(fù)合材料為主, 一些復(fù)合材料(如具有不同角度鋪層的復(fù)合材料、三維編織復(fù)合材料)微結(jié)構(gòu)也難以簡化至二維問題. 僅僅采用二維圖像進(jìn)行研究存在一定的局限性, 因此需要對(duì)復(fù)合材料三維微結(jié)構(gòu)進(jìn)行建模研究. 基于三維微結(jié)構(gòu)圖像的復(fù)合材料性能預(yù)測(cè)方法如圖4所示.將計(jì)算機(jī)隨機(jī)生成圖像結(jié)合三維高斯濾波, Yang 等(2018)首先創(chuàng)建了8550個(gè)三維體素化復(fù)合材料微觀結(jié)構(gòu), 再以三維微結(jié)構(gòu)模型作為輸入, 有限元計(jì)算得到的有效剛度作為輸出訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò), 建立了三維微結(jié)構(gòu)與有效剛度的內(nèi)在關(guān)系. 相較于復(fù)雜的受物理啟發(fā)方法, 該方法預(yù)測(cè)結(jié)果平均絕對(duì)誤差減小了54%. Xu Y 等(2015)未直接建立復(fù)合材料三維微觀結(jié)構(gòu), 而是根據(jù)三維編織復(fù)合材料的微觀結(jié)構(gòu), 提取了纖維尺度與絲束尺度的關(guān)鍵幾何參數(shù), 利用人工神經(jīng)網(wǎng)絡(luò)構(gòu)建微觀結(jié)構(gòu)參數(shù)和拉伸模量之間的非線性映射關(guān)系. 該方法預(yù)測(cè)值與實(shí)驗(yàn)結(jié)果的誤差均小于10%, 且無需構(gòu)建超參數(shù)相對(duì)復(fù)雜的卷積神經(jīng)網(wǎng)絡(luò), 但如何準(zhǔn)確選擇微觀結(jié)構(gòu)的關(guān)鍵參數(shù), 仍依賴于研究者的經(jīng)驗(yàn)積累.

圖4

復(fù)合材料二維微結(jié)構(gòu)圖像會(huì)損失實(shí)際三維模型的信息, 因此采用三維模型與實(shí)際材料結(jié)構(gòu)更相符. 但使用三維微結(jié)構(gòu)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)耗費(fèi)的計(jì)算資源會(huì)隨著模型精細(xì)程度成倍增長, 不利于實(shí)現(xiàn)對(duì)復(fù)合材料微觀結(jié)構(gòu)的精確分析. 因此, 在三維微結(jié)構(gòu)中選取多個(gè)適當(dāng)?shù)亩S剖面作為輸入, 在某些復(fù)合材料結(jié)構(gòu)性能的預(yù)測(cè)中具有優(yōu)勢(shì). 如圖5所示, Rong等(2019)選取三維微結(jié)構(gòu)x和y方向的等距二維剖面作為輸入, 構(gòu)建二維卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)復(fù)合材料的有效導(dǎo)熱系數(shù). 結(jié)果表明, 相較于輸入整個(gè)三維結(jié)構(gòu), 以多個(gè)適當(dāng)?shù)亩S剖面作為輸入更加高效、精確, 其平均絕對(duì)誤差與均方根誤差分別為2.5%與3.1%. 該方法降低了基于復(fù)合材料三維微觀模型進(jìn)行性能預(yù)測(cè)時(shí)所需的計(jì)算量, 對(duì)具有較大計(jì)算量的復(fù)合材料結(jié)構(gòu)(如復(fù)合材料精細(xì)三維模型、無法采用代表性體積元計(jì)算的復(fù)合材料等)的性能預(yù)測(cè)提供了新方法.

圖5

3.1.2 基于復(fù)合材料設(shè)計(jì)參數(shù)的性能預(yù)測(cè)

利用復(fù)合材料微結(jié)構(gòu)圖像可有效預(yù)測(cè)復(fù)合材料力學(xué)性能, 但是, 工程應(yīng)用中復(fù)合材料微結(jié)構(gòu)圖像的獲取有時(shí)是非常困難的, 而利用復(fù)合材料的設(shè)計(jì)參數(shù)來預(yù)測(cè)其力學(xué)性能則相對(duì)容易, 如纖維增強(qiáng)復(fù)合材料中纖維的種類、鋪層的角度、設(shè)計(jì)結(jié)構(gòu)的布置, 顆粒/納米增強(qiáng)復(fù)合材料中填料的形態(tài)、大小等. 因此, 采用人工智能方法建立“設(shè)計(jì)參數(shù)?復(fù)合材料結(jié)構(gòu)?性能”的快速響應(yīng), 為進(jìn)一步開展復(fù)合材料優(yōu)化設(shè)計(jì)、加速復(fù)合材料研發(fā)進(jìn)程奠定基礎(chǔ).

對(duì)于連續(xù)纖維增強(qiáng)復(fù)合材料而言, 纖維、基體的種類和含量以及鋪層的數(shù)目和順序是影響力學(xué)性能的關(guān)鍵設(shè)計(jì)參數(shù). Bezerra等(2007)采用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)了碳纖維增強(qiáng)環(huán)氧復(fù)合材料和玻璃纖維增強(qiáng)環(huán)氧復(fù)合材料在不同鋪層順序下的剪切力學(xué)性能. Khan S M等(2019)以碳纖維、玻璃纖維作為增強(qiáng)纖維, 聚苯硫醚、高密度聚乙烯作為基體制備了四類復(fù)合材料, 并分別測(cè)定了不同鋪層數(shù)目下復(fù)合材料的硬度、懸臂梁沖擊強(qiáng)度以及橫向斷裂/抗彎強(qiáng)度, 利用人工神經(jīng)網(wǎng)絡(luò)通過鋪層數(shù)量以及纖維、基體的種類預(yù)測(cè)上述力學(xué)性能, 其平均絕對(duì)誤差均小于5%, 證明人工神經(jīng)網(wǎng)絡(luò)在復(fù)雜變量下仍能保持良好的預(yù)測(cè)穩(wěn)定性. Barbosa等(2020)利用人工神經(jīng)網(wǎng)絡(luò)對(duì)不同鋪層數(shù)目和鋪層角度的復(fù)合材料ABD矩陣本征值進(jìn)行了預(yù)測(cè). 另外, 工程中廣泛運(yùn)用的復(fù)合材料加筋板的屈曲性能與正交各向異性比、拉伸剛度與剪切剛度比、板與筋的拉伸剛度比以及剪切屈曲參數(shù)密切相關(guān), 這些參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入可以達(dá)到預(yù)測(cè)屈曲性能的目的(Mallela &Upadhyay, 2016). 其平均預(yù)測(cè)誤差僅為2%, 而計(jì)算速度可達(dá)有限元方法的數(shù)百倍, 大幅提升了復(fù)合材料加筋板設(shè)計(jì)中對(duì)結(jié)構(gòu)承載能力進(jìn)行評(píng)估的效率.

類似研究也已在顆粒增強(qiáng)復(fù)合材料以及納米復(fù)合材料之中展開. 采用人工神經(jīng)網(wǎng)絡(luò)方法, 可通過基體材料、填料材料、填料重量百分比、填料直徑以及填料長寬比對(duì)納米復(fù)合材料相對(duì)楊氏模量進(jìn)行預(yù)測(cè), 誤差僅為5.06% (Cupertino et al. 2011). Daghigh等(2020)則應(yīng)用AdaBoost以及回歸樹方法挖掘了顆粒增強(qiáng)復(fù)合材料中, 不同顆粒填充物與復(fù)合材料的斷裂韌性的內(nèi)在關(guān)系.還有一些研究通過基因規(guī)劃方法預(yù)測(cè)了材料的性能, 同樣呈現(xiàn)出良好的可靠性(Pouraliakbar et al.2014, Sabouhi et al. 2015). 除了準(zhǔn)確、高效外, 人工智能方法還能捕捉到現(xiàn)有理論模型未能發(fā)現(xiàn)的內(nèi)在關(guān)聯(lián), 彌補(bǔ)理論模型的不足. 例如在銅粉/聚乙烯復(fù)合材料中, 當(dāng)銅粉含量大于2%時(shí), 現(xiàn)有理論模型均無法計(jì)算不同銅粉含量下的斷裂延伸率、破壞應(yīng)力和楊氏模量, 而人工神經(jīng)網(wǎng)絡(luò)則可以由實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)確預(yù)測(cè)(Bhoopal et al. 2015).

復(fù)合材料在實(shí)際制造生產(chǎn)過程中往往具有一定的分散性與隨機(jī)性, 導(dǎo)致實(shí)際參數(shù)和材料性能等與設(shè)計(jì)時(shí)并不一致(António & Hoffbauer 2010). 若忽視這一現(xiàn)象, 會(huì)使復(fù)合材料的實(shí)際力學(xué)性能偏離設(shè)計(jì)目標(biāo). António和Hoffbauer (2013)將人工神經(jīng)網(wǎng)絡(luò)和蒙特卡羅模擬方法相結(jié)合, 研究了復(fù)合材料縱向、橫向彈性模量和拉伸、剪切強(qiáng)度的不確定性對(duì)可靠性指標(biāo)的影響. 結(jié)果表明, 復(fù)合材料基本力學(xué)性能的微小不確定性可能在可靠性指標(biāo)中放大, 不利于安全可靠的復(fù)合材料設(shè)計(jì)制造. 因此, 在采用設(shè)計(jì)參數(shù)預(yù)測(cè)復(fù)合材料的性能時(shí), 有必要將設(shè)計(jì)參數(shù)和材料性能的不確定性納入考慮. 如復(fù)合材料模壓成型工藝中隨機(jī)纖維取向?qū)αW(xué)性能影響顯著, 是預(yù)測(cè)模壓成型復(fù)合材料性能時(shí)需要考慮的關(guān)鍵不確定性因素. Sabiston等(2020)對(duì)模壓成型復(fù)合材料選定數(shù)個(gè)位置作為樣本進(jìn)行CT掃描得到斷面圖像, 并對(duì)圖像中的纖維取向采用二階張量進(jìn)行表征,構(gòu)建人工神經(jīng)網(wǎng)絡(luò)由位置坐標(biāo)預(yù)測(cè)纖維取向張量. 訓(xùn)練后的人工神經(jīng)網(wǎng)絡(luò)可對(duì)模壓成型復(fù)合材料不同位置的纖維取向張量實(shí)現(xiàn)快速、精確的預(yù)測(cè), 為未來實(shí)現(xiàn)模壓成型復(fù)合材料力學(xué)性能的精準(zhǔn)判斷奠定了基礎(chǔ).

3.2 復(fù)合材料本構(gòu)關(guān)系

復(fù)合材料的本構(gòu)關(guān)系和損傷失效模型可由基本的物理定律和假設(shè)導(dǎo)出, 理論上不存在不確定性. 然而實(shí)際中往往是基于實(shí)驗(yàn)數(shù)據(jù)對(duì)材料狀態(tài)進(jìn)行假設(shè), 選取多個(gè)經(jīng)驗(yàn)函數(shù)不斷修正, 構(gòu)建經(jīng)驗(yàn)?zāi)Ｐ? 隨著復(fù)合材料的組成和結(jié)構(gòu)日趨復(fù)雜, 非線性力學(xué)行為也更加復(fù)雜, 可能存在多種失效機(jī)制, 但現(xiàn)有力學(xué)模型難以同時(shí)體現(xiàn)這些機(jī)制的共同作用. 采用人工智能方法則直接由復(fù)合材料的設(shè)計(jì)參數(shù)和測(cè)得的應(yīng)力應(yīng)變曲線作為數(shù)據(jù), 構(gòu)建不同材料參數(shù)下應(yīng)力與應(yīng)變的關(guān)系, 無需考慮復(fù)合材料內(nèi)部復(fù)雜的機(jī)理, 也避免了經(jīng)驗(yàn)建模帶來的誤差.

Pidapart和Palakal (1993)以纖維鋪放角度、初始應(yīng)力以及應(yīng)力增量作為輸入, 總應(yīng)變作為輸出訓(xùn)練了人工神經(jīng)網(wǎng)絡(luò), 成功構(gòu)建了不同鋪層角度下的單向?qū)雍习宓膽?yīng)力?應(yīng)變曲線, 提供了復(fù)合材料本構(gòu)建模的新方法. Ghaboussi等(1998)提出一種自動(dòng)漸進(jìn)訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法, 預(yù)測(cè)了復(fù)合材料不同應(yīng)變下的應(yīng)力響應(yīng), 與解析解十分吻合, 進(jìn)一步提升了預(yù)測(cè)的精確性.Yang C等(2020)基于卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)了兩相夾雜復(fù)合材料的超出彈性極限的應(yīng)力應(yīng)變曲線,預(yù)測(cè)結(jié)果與實(shí)際曲線吻合較好, 平均絕對(duì)誤差均在10%以內(nèi).

人工智能方法可以由實(shí)驗(yàn)數(shù)據(jù)直接建立本構(gòu)模型, 減少復(fù)雜的理論分析, 加速力學(xué)模型在工程上的應(yīng)用. 反之, 也可根據(jù)力學(xué)理論挑選人工智能的建模參數(shù), 減少干擾變量、冗余變量, 甚至基于力學(xué)約束改寫損失函數(shù)、優(yōu)化算法, 提升人工智能模型訓(xùn)練效率, 增強(qiáng)對(duì)未知數(shù)據(jù)的解釋能力, 實(shí)現(xiàn)力學(xué)理論對(duì)人工智能方法的指導(dǎo).

通過構(gòu)建多個(gè)的神經(jīng)網(wǎng)絡(luò)逐步分析, 可以在每一步中引入相關(guān)的理論模型進(jìn)行串聯(lián), 達(dá)到校準(zhǔn)模型參數(shù), 構(gòu)建復(fù)雜模型的目的. 基于多級(jí)相連人工神經(jīng)網(wǎng)絡(luò)構(gòu)建的準(zhǔn)各向同性復(fù)合材料層合板的漸進(jìn)損傷模型, Zobeiry等(2020)獲得了與實(shí)驗(yàn)結(jié)果高度重合的載荷?POD (pin opening displacement)曲線. 通常的神經(jīng)網(wǎng)絡(luò)系統(tǒng)均是以直接測(cè)量數(shù)據(jù)作為輸入與輸出, 而將神經(jīng)網(wǎng)絡(luò)與力學(xué)模型相連, 并改寫反向傳播(back propagation, BP)算法, 可以實(shí)現(xiàn)由間接測(cè)量數(shù)據(jù)構(gòu)建本構(gòu)模型(Liu, Tao et al. 2020). 該系統(tǒng)如圖6所示, 多個(gè)共享權(quán)重與偏差的神經(jīng)網(wǎng)絡(luò)構(gòu)成一個(gè)子系統(tǒng),并將神經(jīng)網(wǎng)絡(luò)的輸入(ik)與輸出(ok)通過其他力學(xué)模型子系統(tǒng)(如由經(jīng)典層合板理論推導(dǎo)出的運(yùn)動(dòng)學(xué)、動(dòng)力學(xué)方程), 與可測(cè)量的輸入(Is)與輸出(Os)相連接, 成功學(xué)習(xí)了復(fù)合材料非線性面內(nèi)剪切本構(gòu)方程以及失效起始準(zhǔn)則, 與相應(yīng)理論分析結(jié)果具有良好的一致性. Liu 等(Liu & Wu 2019, Liu Z et al. 2019, Liu 2020)將連續(xù)介質(zhì)力學(xué)、代表性體積元和均勻化理論等與神經(jīng)網(wǎng)絡(luò)方法相結(jié)合, 由力學(xué)模型組成神經(jīng)元, 構(gòu)建了深度材料網(wǎng)絡(luò). 該方法彌補(bǔ)了普通神經(jīng)網(wǎng)絡(luò)無法引入物理約束的缺陷, 在二維和三維材料結(jié)構(gòu)上均展現(xiàn)出良好的預(yù)測(cè)性能. Yang H等(2020)基于模擬得到的不同加載路徑下的平均應(yīng)力?應(yīng)變數(shù)據(jù), 采用人工神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練得到屈服函數(shù)(yielding function), 成功描述了微結(jié)構(gòu)材料的彈塑性本構(gòu)關(guān)系. 動(dòng)力學(xué)目前以常微分方程為橋梁,構(gòu)建了神經(jīng)網(wǎng)絡(luò)常微分方程, 在動(dòng)力系統(tǒng)的學(xué)習(xí)上展現(xiàn)了一定的潛力(Chen et al. 2018). 上述研究則為固體力學(xué)與神經(jīng)網(wǎng)絡(luò)的結(jié)合提供了多種可能. 神經(jīng)網(wǎng)絡(luò)不再單純是數(shù)據(jù)處理的工具, 而是更加緊密地與力學(xué)模型進(jìn)行結(jié)合, 由神經(jīng)網(wǎng)絡(luò)挖掘數(shù)據(jù)關(guān)系, 力學(xué)理論施加物理約束, 為材料多尺度力學(xué)行為的高效、高保真模擬開辟了嶄新的途徑.

圖6

3.3 復(fù)合材料沖擊性能

復(fù)合材料在制備、裝配和服役期間, 往往會(huì)受到多種意外載荷的沖擊, 其中較低速度的沖擊會(huì)對(duì)復(fù)合材料造成不可見、不可恢復(fù)的損傷, 使復(fù)合材料結(jié)構(gòu)力學(xué)性能下降. 高速度的沖擊會(huì)直接造成復(fù)合材料結(jié)構(gòu)的破壞, 形成重大安全事故. 目前, 復(fù)合材料在沖擊載荷作用下的損傷建模及材料性能折減關(guān)系仍是研究的熱點(diǎn)與難點(diǎn). 采用人工智能方法實(shí)現(xiàn)對(duì)復(fù)合材料在承受沖擊載荷后響應(yīng)的高效精確分析, 有利于準(zhǔn)確評(píng)估復(fù)合材料結(jié)構(gòu)的安全性、可靠性, 也有利于探索沖擊載荷下復(fù)合材料損傷規(guī)律, 從而實(shí)現(xiàn)耐沖擊復(fù)合材料設(shè)計(jì).

目前已有部分研究者將人工智能方法應(yīng)用于復(fù)合材料的低速和高速?zèng)_擊研究. Chandrashekhara等(1998)最先采用人工神經(jīng)網(wǎng)絡(luò)研究了低速?zèng)_擊中復(fù)合材料層合板的接觸力. Addona等(2012)根據(jù)實(shí)驗(yàn)數(shù)據(jù), 采用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)了玻璃纖維增強(qiáng)復(fù)合材料層合板在承受不同程度低速?zèng)_擊損傷后的剩余拉伸強(qiáng)度. Laban等(2020)采用人工神經(jīng)網(wǎng)絡(luò), 通過初始峰值力、平均載荷及壓碎力效率, 預(yù)測(cè)了受低速?zèng)_擊載荷后復(fù)合材料圓管的準(zhǔn)靜態(tài)壓縮承載能力, 成功對(duì)該高度非線性行為進(jìn)行建模, 均方差僅為0.191 N. Fernández-Fdz等(2008)將實(shí)驗(yàn)、有限元和人工神經(jīng)網(wǎng)絡(luò)三者結(jié)合, 針對(duì)復(fù)合材料的高速?zèng)_擊問題, 預(yù)測(cè)了在不同的沖擊角度和沖擊速度下, 復(fù)合材料是否被穿透, 以及未被穿透情況下的損傷區(qū)域面積和被穿透情況下的剩余角度和剩余速度.結(jié)果表明, 人工神經(jīng)網(wǎng)絡(luò)的各項(xiàng)預(yù)測(cè)結(jié)果與實(shí)際數(shù)據(jù)的誤差均在7%以內(nèi). Artero-Guerrero等(2018)同樣基于如圖7所示的“實(shí)驗(yàn)?有限元分析?人工神經(jīng)網(wǎng)絡(luò)”這一范式, 預(yù)測(cè)了復(fù)合材料在不同鋪層順序下的彈道極限(ballistic limit). 人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果在訓(xùn)練集和測(cè)試集上的誤差分別為3.7%與7%. 基于所建立人工神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確預(yù)測(cè), 歸納得出在復(fù)合材料受沖擊側(cè)布置0°和90°鋪層有助于提高復(fù)合材料層合板的彈道極限, 實(shí)現(xiàn)了對(duì)復(fù)合材料設(shè)計(jì)的指導(dǎo).

圖7

3.4 復(fù)合材料疲勞性能

由于復(fù)合材料具有疲勞損傷模式的多樣性和擴(kuò)展的不規(guī)律性, 傳統(tǒng)損傷模型的適用性較差,因此復(fù)合材料疲勞性能的確定往往依賴于大量的實(shí)驗(yàn). 人工智能方法為復(fù)合材料疲勞行為的模型建立提供了新途徑, 即直接預(yù)測(cè)復(fù)合材料的疲勞性能, 而無需關(guān)注復(fù)合材料疲勞破壞的復(fù)雜機(jī)理. 因此, 采用人工智能方法預(yù)測(cè)復(fù)合材料的疲勞性能將是一種有效的新思路.

Aymerich和Serra (1997)率先采用了人工神經(jīng)網(wǎng)絡(luò), 研究了不同循環(huán)周期下復(fù)合材料鋪層順序?qū)ζ趶?qiáng)度的影響, 但高周疲勞的誤差較大. 隨后, Lee 等(1999)除了考慮復(fù)合材料的拉伸強(qiáng)度、壓縮強(qiáng)度、拉伸破壞應(yīng)變及拉伸模量外, 還選取了峰值應(yīng)力、失效概率等疲勞試驗(yàn)參數(shù)建立人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)疲勞壽命, 預(yù)測(cè)準(zhǔn)確度有了顯著提升. Vassilopoulos等(2006)依照同樣的思路, 通過實(shí)驗(yàn)得到數(shù)據(jù)集, 建立人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)玻璃纖維增強(qiáng)復(fù)合材料的疲勞壽命. El Kadi團(tuán)隊(duì)(El Kadi 2008; Al-Assadi et al. 2009, 2010)則對(duì)人工智能方法復(fù)合材料單向板的疲勞壽命預(yù)測(cè)上展開了廣泛研究, 考慮了纖維取向、纖維類型等對(duì)復(fù)合材料疲勞壽命的影響, 還進(jìn)一步評(píng)估了不同人工智能方法的性能. 上述研究均是基于“點(diǎn)對(duì)點(diǎn)”問題出發(fā), 即以給定的一系列輸入物理量預(yù)測(cè)輸出物理量的值, 而復(fù)合材料的疲勞損傷則是一個(gè)與時(shí)間序列密切相關(guān)的問題. 因此, Tao等(2021)使用神經(jīng)網(wǎng)絡(luò)常微分方程與β變量自動(dòng)編碼器(β-variational autoencoder)對(duì)纖維增強(qiáng)復(fù)合材料的剛度退化行為進(jìn)行建模, 并給出了相應(yīng)的S-N曲線, 其預(yù)測(cè)效果顯著優(yōu)于現(xiàn)象學(xué)模型, 而無需建立復(fù)雜的力學(xué)模型. 目前的研究主要集中在恒定幅值載荷的疲勞壽命預(yù)測(cè)上, 面對(duì)更為復(fù)雜的變幅值載荷疲勞問題, 如何準(zhǔn)確提取關(guān)鍵特征進(jìn)行時(shí)間連續(xù)的疲勞壽命預(yù)測(cè), 仍需進(jìn)一步進(jìn)行研究.

3.5 小結(jié)

綜上所述, 目前將人工智能應(yīng)用于復(fù)合材料性能預(yù)測(cè)的主要方法是通過實(shí)驗(yàn)或數(shù)值模擬收集數(shù)據(jù), 運(yùn)用人工智能方法輔助力學(xué)模型建立, 或直接通過數(shù)據(jù)構(gòu)建模型, 在驗(yàn)證人工智能模型可靠性后進(jìn)行性能預(yù)測(cè). 因此, 采用人工智能方法實(shí)現(xiàn)復(fù)合材料性能預(yù)測(cè)時(shí)無需建立復(fù)雜的經(jīng)驗(yàn)?zāi)Ｐ? 也不存在經(jīng)驗(yàn)建模的誤差, 模型的預(yù)測(cè)準(zhǔn)確程度主要受數(shù)據(jù)集影響. 想要獲得能夠準(zhǔn)確預(yù)測(cè)材料性能的模型, 勢(shì)必要提供大量的數(shù)據(jù), 而這又將帶來計(jì)算量的巨大提升. 人工智能方法將傳統(tǒng)的建模問題轉(zhuǎn)變?yōu)閿?shù)據(jù)搜集以及數(shù)據(jù)處理的問題, 在預(yù)測(cè)復(fù)合材料性能中面臨的主要挑戰(zhàn)有: (1)高精度人工智能模型的建立需要大量的數(shù)據(jù), 對(duì)復(fù)合材料實(shí)驗(yàn)數(shù)據(jù)庫的構(gòu)建提出了要求;(2)在海量的數(shù)據(jù)中提取到最為關(guān)鍵的特征參數(shù)以減小計(jì)算量; (3)量化所建立模型中參數(shù)的不確定性及其影響; (4)由人工智能模型預(yù)測(cè)規(guī)律實(shí)現(xiàn)對(duì)相應(yīng)力學(xué)模型的構(gòu)建; (5)在人工智能模型構(gòu)建過程中合理引入力學(xué)模型, 施加物理約束, 實(shí)現(xiàn)力學(xué)理論對(duì)人工智能方法的指導(dǎo).

4 復(fù)合材料優(yōu)化設(shè)計(jì)

材料設(shè)計(jì)通常是指依據(jù)積累的經(jīng)驗(yàn)、歸納的實(shí)驗(yàn)規(guī)律以及總結(jié)的科學(xué)原理, 來制備具有確定目標(biāo)性能的材料. 傳統(tǒng)的材料設(shè)計(jì)是依賴大量實(shí)驗(yàn)的不斷試錯(cuò)、大面積篩選的方法. 相比于各向同性或均質(zhì)、單一材料, 復(fù)合材料的設(shè)計(jì)空間更為廣闊, 力學(xué)機(jī)理更為復(fù)雜, 目前尚不能擺脫經(jīng)驗(yàn)設(shè)計(jì)方法. 而采用反復(fù)實(shí)驗(yàn)的方法進(jìn)行設(shè)計(jì)需要消耗大量的人力、物力以及時(shí)間成本, 且最終優(yōu)化設(shè)計(jì)得到的結(jié)果也未必是最優(yōu)解. 在這種條件下, 研究者們開始應(yīng)用計(jì)算機(jī)技術(shù)輔助復(fù)合材料的設(shè)計(jì), 以降低實(shí)驗(yàn)成本, 減少設(shè)計(jì)時(shí)間. 如今, 隨著數(shù)值模擬技術(shù)的成熟以及人工智能技術(shù)的不斷發(fā)展, 使得計(jì)算機(jī)代替研究者進(jìn)行模擬實(shí)驗(yàn)、探索設(shè)計(jì)空間成為了現(xiàn)實(shí), 為實(shí)現(xiàn)復(fù)合材料準(zhǔn)確、高效的優(yōu)化設(shè)計(jì), 提供了有效的途徑和嶄新的思路.

4.1 纖維增強(qiáng)復(fù)合材料的優(yōu)化設(shè)計(jì)

纖維增強(qiáng)復(fù)合材料以其輕質(zhì)高強(qiáng)的特點(diǎn)被廣泛用于航空航天、汽車船舶等重要領(lǐng)域. 以纖維復(fù)合材料在航空工業(yè)上的應(yīng)用為例, 波音787客機(jī)上對(duì)于復(fù)合材料的使用已經(jīng)占據(jù)其結(jié)構(gòu)總重量的50%, 使其結(jié)構(gòu)減重超過25% (楊乃賓 2008). 為進(jìn)一步發(fā)揮復(fù)合材料力學(xué)性能上的優(yōu)勢(shì),提升復(fù)合材料的競(jìng)爭力, 需要在維持復(fù)合材料承載能力的同時(shí), 盡可能減小復(fù)合材料結(jié)構(gòu)件的重量以及制造成本. 因此, 復(fù)合材料的優(yōu)化設(shè)計(jì)一直是復(fù)合材料研究的重要領(lǐng)域. 20世紀(jì)90年代,研究者們將專家系統(tǒng)引入復(fù)合材料領(lǐng)域, 針對(duì)復(fù)合材料的選材與設(shè)計(jì)等問題展開了系列研究(Choi & Lee 1995, Lee & Liebowitz 1995, Jeon et al. 2002). 但專家系統(tǒng)只能考慮一定的范圍, 學(xué)習(xí)能力較差, 依賴領(lǐng)域?qū)＜业南闰?yàn)知識(shí), 限制了其進(jìn)一步的發(fā)展. 與此同時(shí), 遺傳算法、模擬退火、粒子群優(yōu)化等智能計(jì)算方法的研究日趨成熟, 成為求解復(fù)雜問題系統(tǒng)的有效方法. 研究者們基于一定的設(shè)計(jì)規(guī)則, 利用智能計(jì)算方法求解了簡單載荷下復(fù)合材料層合板的鋪層優(yōu)化問題, 證明了該方法相對(duì)人工設(shè)計(jì)更為準(zhǔn)確、高效(Ball et al. 1993, Sargent et al. 1995). Kim 等 (2005)和Kim(2007)則將專家系統(tǒng)與遺傳算法相結(jié)合, 開發(fā)了針對(duì)較為復(fù)雜約束條件下復(fù)合材料層合板的鋪層優(yōu)化系統(tǒng), 提升了專家系統(tǒng)學(xué)習(xí)與設(shè)計(jì)的效率. 隨著有限元方法的不斷發(fā)展, 對(duì)復(fù)雜問題的求解能力逐漸增強(qiáng), 將有限元與智能計(jì)算方法相結(jié)合, 使具有復(fù)雜幾何構(gòu)型和復(fù)雜承載條件的復(fù)合材料優(yōu)化成為可能. 例如, Herencia等(2007)以強(qiáng)度和屈曲載荷為約束優(yōu)化了T型加筋板的鋪層, Lopes 等 (2009a, 2009b)采用非標(biāo)準(zhǔn)鋪層對(duì)受沖擊載荷的層合板進(jìn)行了優(yōu)化設(shè)計(jì), Wang 等(2016)考慮了應(yīng)力約束、變形約束、屈曲約束、鋪層約束和可制造性對(duì)復(fù)合材料風(fēng)力渦輪機(jī)葉片進(jìn)行了優(yōu)化, 使得重量降低17.4%. 此外, 在使用智能計(jì)算時(shí), 預(yù)先采用如K近鄰算法、樸素貝葉斯、隨機(jī)森林和決策樹等分類算法對(duì)設(shè)計(jì)變量進(jìn)行了分類, 篩選關(guān)鍵設(shè)計(jì)變量, 可以大幅減少計(jì)算量而仍保持良好的帕累托邊界(Pareto frontier)(Zeliff et al. 2016).

有限元方法與智能計(jì)算方法的結(jié)合, 實(shí)現(xiàn)了利用計(jì)算機(jī)自主探索復(fù)合材料設(shè)計(jì)空間. 但相較于智能計(jì)算方法的快速響應(yīng), 有限元通常需要耗費(fèi)大量計(jì)算時(shí)間, 阻礙了計(jì)算機(jī)自主設(shè)計(jì)速度的進(jìn)一步提升. 對(duì)于一些經(jīng)典力學(xué)問題, 可以通過采用理論計(jì)算而非有限元的方法來節(jié)省計(jì)算時(shí)間. 將經(jīng)典層合板理論與智能計(jì)算方法進(jìn)行結(jié)合, 可以實(shí)現(xiàn)針對(duì)復(fù)合材料強(qiáng)度問題的多目標(biāo)優(yōu)化, 減少復(fù)合材料的重量和制造成本(Omkar et al. 2011, António 2014). Pelaez等(2017)基于雙軸拉伸載荷下復(fù)合材料層合板強(qiáng)度問題的解析解, 運(yùn)用文化基因算法進(jìn)行了纖維、基體的選擇以及鋪層順序的優(yōu)化. Kamarian等(2018)利用Mori-Tanaka方法、廣義微分求積法計(jì)算了八層對(duì)稱鋪層矩形層合板的固有頻率, 結(jié)合螢火蟲算法對(duì)鋪層順序進(jìn)行了優(yōu)化, 得到了最大固有頻率的鋪層設(shè)計(jì). 優(yōu)化結(jié)果表明, 螢火蟲算法雖然會(huì)損失少量計(jì)算精度, 但設(shè)計(jì)效率可提升上百倍.Wagner等(2019)以理想/非理想屈曲載荷下的單邊界攝動(dòng)法分析得到的數(shù)據(jù)為基礎(chǔ), 訓(xùn)練決策樹模型得到一般性的設(shè)計(jì)建議, 并優(yōu)化了層合板的鋪層順序. 與傳統(tǒng)優(yōu)化方法得到的層合板相比, 該方法設(shè)計(jì)的層合板具有更高屈曲載荷以及更低的缺陷敏感度.

上述研究均針對(duì)簡單載荷或簡單構(gòu)型下的復(fù)合材料展開, 因此理論計(jì)算取得了較好的效果.但對(duì)于復(fù)雜的復(fù)合材料結(jié)構(gòu)或缺乏理論解的受載情況, 上述方法則難以應(yīng)用. 受神經(jīng)網(wǎng)絡(luò)在復(fù)合材料性能預(yù)測(cè)上應(yīng)用的啟發(fā), 一些研究者使用已成功訓(xùn)練的神經(jīng)網(wǎng)絡(luò)對(duì)材料性能進(jìn)行快速預(yù)測(cè),逐漸形成如圖8所示的神經(jīng)網(wǎng)絡(luò)與智能計(jì)算相結(jié)合的優(yōu)化設(shè)計(jì)方法, 大幅提升了優(yōu)化問題的計(jì)算效率. Jayatheertha等(1996)訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)代替有限元方法, 與模擬退火算法相結(jié)合, 對(duì)在剛度與強(qiáng)度約束下層合板的鋪層順序進(jìn)行了優(yōu)化. Zhang 等(2008)通過人工神經(jīng)網(wǎng)絡(luò), 由復(fù)合材料的最大應(yīng)力預(yù)測(cè)其強(qiáng)度特性, 再進(jìn)一步使用遺傳算法對(duì)2.5維編織復(fù)合材料的包纏纖維密度及填充纖維密度進(jìn)行了優(yōu)化, 實(shí)現(xiàn)了復(fù)合材料的減重設(shè)計(jì). Szklarek等(2020)采用人工神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合的方式, 對(duì)復(fù)合材料U型板的鋪層順序進(jìn)行了優(yōu)化, 提升了臨界屈曲載荷.Bisagni 和 Lanzi (2002)針對(duì)復(fù)合材料的后屈曲優(yōu)化問題, 訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)取代非線性有限元分析, 采用遺傳算法優(yōu)化復(fù)合材料板的鋪層、加強(qiáng)筋鋪層、加強(qiáng)筋數(shù)量及加強(qiáng)筋形狀四個(gè)設(shè)計(jì)變量, 使復(fù)合材料加筋板的重量減少約18%. 此外, 他們還對(duì)復(fù)合材料圓柱殼、三維編織復(fù)合材料加筋板的后屈曲問題進(jìn)行了優(yōu)化設(shè)計(jì), 提升了結(jié)構(gòu)的最大屈曲載荷和剛度(Fu X et al. 2015,Pitton et al. 2019).

圖8

無論是采用有限元或其他計(jì)算方法, 目前纖維增強(qiáng)復(fù)合材料的主要設(shè)計(jì)思路可以概括如下:首先, 根據(jù)設(shè)計(jì)參數(shù), 計(jì)算得到復(fù)合材料的性能; 其次, 基于復(fù)合材料性能的計(jì)算結(jié)果, 采用智能算法更新設(shè)計(jì)參數(shù), 探索設(shè)計(jì)空間. 而后不斷迭代, 直至復(fù)合材料性能無法提升. 而與上述思路不同, Kazi等(2020)基于實(shí)驗(yàn)測(cè)得的不同短切棉纖維含量下復(fù)合材料性能的數(shù)據(jù), 選定八個(gè)力學(xué)性能指標(biāo), 利用人工神經(jīng)網(wǎng)絡(luò)反向建立了性能?纖維含量之間的關(guān)系, 直接求出目標(biāo)力學(xué)性能下的纖維含量. 該方法與采用材料的設(shè)計(jì)參數(shù)預(yù)測(cè)性能類似, 均為通過人工神經(jīng)網(wǎng)絡(luò)直接建立二者之間的聯(lián)系, 再進(jìn)一步進(jìn)行預(yù)測(cè). 通過設(shè)計(jì)參數(shù)預(yù)測(cè)材料性能為“多對(duì)一”的問題, 而指定的性能卻未必只有一種設(shè)計(jì)方案, 且在數(shù)據(jù)搜集階段, 仍需要大量探索設(shè)計(jì)空間. 該方法為快速設(shè)計(jì)的實(shí)現(xiàn)提供了新的思路, 但在材料優(yōu)化設(shè)計(jì)方面的應(yīng)用仍需進(jìn)一步的研究與評(píng)估. 生成對(duì)抗網(wǎng)絡(luò)(generative adversarial networks, GAN)和強(qiáng)化學(xué)習(xí)(reinforcement learning, RL)近些年來在生成建模中取得了令人矚目的成績, 其探索、博弈、優(yōu)化的核心思想與材料的優(yōu)化設(shè)計(jì)不謀而合, 并已成功應(yīng)用在一些簡單的材料設(shè)計(jì)中. 例如, Luo C 等(2020)采用強(qiáng)化學(xué)習(xí)設(shè)計(jì)了基于給定禁帶的一維聲學(xué)超材料, Mao等(2020)利用GAN獲得了接近Hashin上界的數(shù)百種二維周期性胞元,同時(shí)滿足了給定的晶體對(duì)稱性和體積分?jǐn)?shù). 此外, 二者互相結(jié)合的生成對(duì)抗模仿學(xué)習(xí)(generative adversarial imitation learning, GAIL)在生成、設(shè)計(jì)領(lǐng)域也展現(xiàn)出巨大的潛力. 在更為復(fù)雜的復(fù)合材料優(yōu)化設(shè)計(jì)中, 上述方法均面臨著計(jì)算量大幅提升的挑戰(zhàn). 尤其是在不斷試錯(cuò)中習(xí)得規(guī)律的強(qiáng)化學(xué)習(xí), 對(duì)復(fù)合材料性能高效率、高保真的計(jì)算有著迫切的需求. Kalita等(2019)分別采用多目標(biāo)遺傳算法和粒子群優(yōu)化算法與遺傳編程方法相結(jié)合實(shí)現(xiàn)符號(hào)回歸, 對(duì)復(fù)合材料層合板的自由振動(dòng)問題進(jìn)行了多尺度的優(yōu)化設(shè)計(jì). 該方法可以針對(duì)計(jì)算密集型問題快速生成精確的多尺度優(yōu)化設(shè)計(jì)結(jié)果, 為將來進(jìn)行多尺度優(yōu)化設(shè)計(jì), 更全面、更廣泛地探索設(shè)計(jì)空間提供了可能.

4.2 顆粒/納米復(fù)合材料的優(yōu)化設(shè)計(jì)

與纖維增強(qiáng)復(fù)合材料類似, 材料性能計(jì)算與智能優(yōu)化算法相結(jié)合的方法在顆粒復(fù)合材料和納米復(fù)合材料的優(yōu)化設(shè)計(jì)中也被被廣泛應(yīng)用. 不同于纖維增強(qiáng)復(fù)合材料常使用宏觀參數(shù)進(jìn)行優(yōu)化, 由于顆粒/納米復(fù)合材料的微結(jié)構(gòu)能夠表征其整體的力學(xué)性能, 許多研究者從微結(jié)構(gòu)入手, 對(duì)顆粒/納米復(fù)合材料的微觀參數(shù)進(jìn)行了優(yōu)化設(shè)計(jì). Gu等(2018b)利用卷積神經(jīng)網(wǎng)絡(luò)由微觀圖像預(yù)測(cè)兩相夾雜復(fù)合材料的斷裂韌性, 并結(jié)合自學(xué)習(xí)方法, 在兩相夾雜復(fù)合材料的設(shè)計(jì)空間中不斷尋找設(shè)計(jì)參數(shù), 進(jìn)行性能排序后篩選出最佳韌性的設(shè)計(jì)方法. Vinoth和Datta(2019)構(gòu)建了人工神經(jīng)網(wǎng)絡(luò), 通過七個(gè)納米填料的幾何參數(shù)預(yù)測(cè)了超高分子量聚乙烯基納米復(fù)合材料的彈性模量以及極限拉伸強(qiáng)度, 并采用遺傳算法對(duì)幾何參數(shù)進(jìn)行了多目標(biāo)優(yōu)化, 獲得了更高的材料性能.

在對(duì)復(fù)合材料的微結(jié)構(gòu)進(jìn)行優(yōu)化設(shè)計(jì)時(shí), 關(guān)鍵的研究問題之一是如何獲取一組數(shù)量足夠小但充分詳細(xì)的設(shè)計(jì)參數(shù)來確定設(shè)計(jì)空間. 若選取參數(shù)無法描述一個(gè)完整的設(shè)計(jì)空間, 那么勢(shì)必會(huì)造成設(shè)計(jì)方案的遺漏, 難以達(dá)到最優(yōu)設(shè)計(jì)的目的. 反之, 大量的設(shè)計(jì)參數(shù)可以詳細(xì)描述設(shè)計(jì)空間,但會(huì)造成智能優(yōu)化的運(yùn)算量過大, 不利于求解. Xu H 等(2015)針對(duì)這一問題, 基于Relief監(jiān)督學(xué)習(xí)算法建立微結(jié)構(gòu)參數(shù)與材料性能的關(guān)系, 對(duì)大量用于確定納米復(fù)合材料微結(jié)構(gòu)參數(shù)進(jìn)行反復(fù)篩選, 最終確定為一小組描述符, 并運(yùn)用試驗(yàn)設(shè)計(jì)/元模型方法進(jìn)行優(yōu)化設(shè)計(jì)驗(yàn)證, 得到的設(shè)計(jì)結(jié)果顯著優(yōu)于未篩選設(shè)計(jì)參數(shù)得到的結(jié)果. 最近, Chen和Gu (2020)構(gòu)建了一種逆設(shè)計(jì)生成網(wǎng)絡(luò)(圖9)實(shí)現(xiàn)復(fù)合材料的微結(jié)構(gòu)優(yōu)化. 該網(wǎng)絡(luò)由兩個(gè)人工神經(jīng)網(wǎng)絡(luò)構(gòu)成, 分別稱為預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)與設(shè)計(jì)神經(jīng)網(wǎng)絡(luò). 前者通過數(shù)據(jù)訓(xùn)練預(yù)測(cè)復(fù)合材料的性能, 后者則共享前者的權(quán)重矩陣, 在反向傳播階段不再更新權(quán)重矩陣, 而是逆向輸出復(fù)合材料的設(shè)計(jì)方案. 他們以兩相夾雜復(fù)合材料的I型斷裂韌性為例, 將該方法與遺傳算法及拓?fù)鋬?yōu)化進(jìn)行了對(duì)比, 證明了這種新型的算法可以得到更高的I型斷裂韌性. 隨著對(duì)神經(jīng)網(wǎng)絡(luò)的可遷移性研究的不斷深入, 這種方法有望在訓(xùn)練完成后進(jìn)行對(duì)相似優(yōu)化設(shè)計(jì)問題進(jìn)行快速解決, 而無需如遺傳算法、模擬退火算法、群智能算法等智能優(yōu)化算法耗費(fèi)大量時(shí)間與計(jì)算資源探索設(shè)計(jì)空間, 為基于高維度高通量數(shù)據(jù)的智能優(yōu)化設(shè)計(jì)提供了可行的方案.

圖9

4.3 小結(jié)

基于人工智能實(shí)現(xiàn)快速性能預(yù)測(cè), 并結(jié)合智能計(jì)算方法自動(dòng)尋優(yōu)的方法在復(fù)合材料設(shè)計(jì)、優(yōu)化領(lǐng)域被越來越多的研究者關(guān)注. 這種方法根據(jù)不同設(shè)計(jì)參數(shù)對(duì)材料性能的影響尋求優(yōu)化路徑, 有的放矢, 避免了大量實(shí)驗(yàn)資源和人力資源的投入. 與復(fù)合材料性能預(yù)測(cè)所面臨的的問題類似, 建立人工智能實(shí)現(xiàn)復(fù)合材料優(yōu)化設(shè)計(jì)的核心在于前期構(gòu)建材料性能數(shù)據(jù)集的有效性. 復(fù)合材料多尺度的內(nèi)部結(jié)構(gòu)特征復(fù)雜, 可供選擇的設(shè)計(jì)參數(shù)廣泛, 如何從數(shù)據(jù)中排除冗余特征, 尋找與優(yōu)化設(shè)計(jì)目標(biāo)最為相關(guān)的設(shè)計(jì)參數(shù), 準(zhǔn)確量化模型中的不確定性以及其影響, 以實(shí)現(xiàn)高效、準(zhǔn)確的優(yōu)化設(shè)計(jì)模型的構(gòu)建, 成為這一方法面臨的主要挑戰(zhàn). 此外, 人工智能方法在樣本數(shù)據(jù)覆蓋的空間中具有較高的預(yù)測(cè)準(zhǔn)確率, 但其是否具有良好的外推性能仍需加以驗(yàn)證, 因此在構(gòu)建數(shù)據(jù)集時(shí)應(yīng)保證數(shù)據(jù)信息盡可能的覆蓋目標(biāo)設(shè)計(jì)空間. 最近, 生成對(duì)抗網(wǎng)絡(luò)在模型生成中取得成功應(yīng)用, 深度強(qiáng)化學(xué)習(xí)在組合優(yōu)化問題上嶄露頭角. 這些方法在構(gòu)建合理環(huán)境的前提下, 可一定程度上擺脫數(shù)據(jù)集的束縛. 有望在未來通過生成對(duì)抗模仿學(xué)習(xí)、深度強(qiáng)化學(xué)習(xí)等方法, 構(gòu)建與力學(xué)原理相結(jié)合的材料優(yōu)化設(shè)計(jì)模式, 充分挖掘人們難以認(rèn)識(shí)到的復(fù)合材料規(guī)律, 設(shè)計(jì)出具有多種優(yōu)異性能的復(fù)合材料.

5 復(fù)合材料智能制造

在實(shí)際工程應(yīng)用中, 內(nèi)部的缺陷和損傷會(huì)顯著降低復(fù)合材料的力學(xué)性能, 使其無法達(dá)到預(yù)期的設(shè)計(jì)目標(biāo). 在復(fù)合材料的成型及加工過程中, 借助傳感器得到復(fù)合材料在不同工藝條件下的狀態(tài), 并調(diào)整相應(yīng)的工藝參數(shù), 可以有效地減少復(fù)合材料的缺陷和損傷. 在復(fù)合材料裝配、服役的過程中, 利用傳感器獲取數(shù)據(jù)進(jìn)行健康監(jiān)測(cè), 定期對(duì)復(fù)合材料健康狀態(tài)進(jìn)行檢測(cè), 實(shí)現(xiàn)復(fù)合材料的損傷識(shí)別及預(yù)警, 準(zhǔn)確把握復(fù)合材料結(jié)構(gòu)的健康狀態(tài), 制定優(yōu)化維護(hù)策略, 可以有效提升復(fù)合材料結(jié)構(gòu)件的使用安全性. 相較于復(fù)合材料的性能預(yù)測(cè)與設(shè)計(jì), 成型、制造、健康監(jiān)測(cè)及檢測(cè)中傳感器得到的數(shù)據(jù)規(guī)模更大, 維度更廣, 更有利于同人工智能方法相結(jié)合. 目前, 采用無監(jiān)督學(xué)習(xí)可以實(shí)現(xiàn)對(duì)于不同的缺陷及損傷是否存在的判斷, 監(jiān)督學(xué)習(xí)則被應(yīng)用于缺陷及損傷的分類及量化. 將人工智能應(yīng)用于復(fù)合材料的制造及健康方面具有以下優(yōu)勢(shì): (1)減少復(fù)合材料成型及加工過程中的缺陷及損傷, 獲得設(shè)計(jì)預(yù)期的力學(xué)性能; (2)提升復(fù)合材料健康監(jiān)測(cè)及檢測(cè)精度, 實(shí)現(xiàn)對(duì)微小損傷的捕捉; (3)縮減復(fù)合材料無損檢測(cè)時(shí)間, 大幅提升檢測(cè)規(guī)模.

5.1 復(fù)合材料成型工藝

在復(fù)合材料成型中, 確定恰當(dāng)?shù)墓に噮?shù)對(duì)獲得高性能復(fù)合材料至關(guān)重要. 在傳統(tǒng)的復(fù)合材料成型工藝中, 對(duì)工藝參數(shù)的制定主要集中在基體方面. 在應(yīng)用廣泛的樹脂基復(fù)合材料中, 樹脂基體的固化制度的制定至關(guān)重要, 不合理的固化制度會(huì)產(chǎn)生較大的固化變形和殘余應(yīng)力, 導(dǎo)致復(fù)合材料無法進(jìn)行裝配或承載能力大幅降低. 采用數(shù)值模擬數(shù)據(jù)訓(xùn)練人工神經(jīng)網(wǎng)絡(luò), 可實(shí)現(xiàn)對(duì)樹脂固化過程中樹脂的溫度和固化度等信息的快速預(yù)測(cè), 防止溫度過沖或固化度不足導(dǎo)致零件報(bào)廢(Rai & Pitchumani 1997, Su et al. 1998). Pagano等(2014)采用混合神經(jīng)網(wǎng)絡(luò)模型描述固化動(dòng)力學(xué), 結(jié)合粒子群優(yōu)化方法設(shè)計(jì)了纖維纏繞工藝中的固化制度, 提高了固化程度, 縮短了加工時(shí)間.Stamopoulos等(2018)制備了在不同熱壓罐壓力下的復(fù)合材料單向板, 采用人工神經(jīng)網(wǎng)絡(luò)建立了熱壓罐壓力與復(fù)合材料孔隙率、力學(xué)性能之間的關(guān)系. Luo L 等(2020)針對(duì)非對(duì)稱鋪層的碳/環(huán)氧復(fù)合材料的固化過程, 進(jìn)行了熱力耦合的有限元分析, 依據(jù)有限元數(shù)據(jù)構(gòu)建人工神經(jīng)網(wǎng)絡(luò), 快速預(yù)測(cè)不同鋪層復(fù)合材料的固化后變形, 為利用非對(duì)稱鋪層設(shè)計(jì)實(shí)現(xiàn)特定形狀的復(fù)合材料提供了依據(jù). 但他們的預(yù)測(cè)結(jié)果只能應(yīng)用于同樣材料、形狀的復(fù)合材料, 普適性更強(qiáng)的人工神經(jīng)網(wǎng)絡(luò)仍需高通量、高維度的數(shù)據(jù)進(jìn)行訓(xùn)練. 除利用神經(jīng)網(wǎng)絡(luò)進(jìn)行固化過程的預(yù)測(cè), Aleksendri? 等(2016)還進(jìn)一步結(jié)合遺傳算法對(duì)固化制度進(jìn)行了優(yōu)化, 有助于實(shí)際生產(chǎn)過程中良好固化制度的制定. 神經(jīng)網(wǎng)絡(luò)與遺傳算法的結(jié)合還可以實(shí)現(xiàn)對(duì)樹脂傳遞模塑(resin transfer molding, RTM)工藝中樹脂流動(dòng)狀態(tài)的實(shí)時(shí)預(yù)測(cè), 制定合理的樹脂注入/流出口布局, 得到穩(wěn)定、均勻的樹脂流動(dòng)前沿, 減少復(fù)合材料孔隙率(Luo et al. 2001), 或?qū)︿X基復(fù)合材料的溫度梯度、冷卻速率進(jìn)行優(yōu)化設(shè)計(jì), 獲得更高的力學(xué)性能(Mazahery & Shabani 2012, Shabani & Mazahery 2012, 2013).

作為先進(jìn)的復(fù)合材料自動(dòng)化成型技術(shù), 自動(dòng)纖維鋪放可以對(duì)大曲率復(fù)雜曲面進(jìn)行自動(dòng)化鋪放, 成型效率高, 被廣泛應(yīng)用于大型客機(jī)及其他航空航天器的制造中. 但由于溫度、鋪放速度、纖維張力、鋪放路徑等的影響, 目前在自動(dòng)纖維鋪放中仍會(huì)產(chǎn)生一定的缺陷. 將人工智能手段引入自動(dòng)纖維鋪放工藝中, 可以實(shí)現(xiàn)對(duì)于成型中缺陷的自主檢測(cè)、判斷, 纖維鋪放路徑的智能規(guī)劃, 進(jìn)一步提高成型精度及效率. Sacco等(2020)如圖10所示, 將視覺模塊采集的圖像由全卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行語義分割, 判斷如間隙、扭曲、褶皺等缺陷區(qū)域, 并采用Marching Squares算法生成修補(bǔ)路徑, 驅(qū)使機(jī)械臂對(duì)缺陷處進(jìn)行修復(fù). 該方法將人工智能與精密機(jī)器人系統(tǒng)相結(jié)合, 進(jìn)一步提升了自動(dòng)纖維鋪放工藝的制造精度. Vijayachandran等(2020)構(gòu)建神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)了不同纖維鋪放角度下復(fù)合材料屈曲性能, 并結(jié)合遺傳算法以最大化屈曲性能為目標(biāo)對(duì)纖維鋪放路徑進(jìn)行優(yōu)化. 相較于傳統(tǒng)的直纖維鋪放, 優(yōu)化后的可轉(zhuǎn)向纖維鋪放使屈曲性能提升了40%以上.Wanigasekara等(2020)針對(duì)自動(dòng)纖維鋪放學(xué)習(xí)樣本數(shù)量小、數(shù)據(jù)難以獲得的問題, 采用虛擬樣本生成的方法擴(kuò)充了數(shù)據(jù)集, 并構(gòu)建人工神經(jīng)網(wǎng)絡(luò)驗(yàn)證了虛擬樣本的有效性.

圖10

5.2 復(fù)合材料加工過程

經(jīng)過成型工藝制成的復(fù)合材料結(jié)構(gòu)件上, 仍有許多裝配連接、附件安裝所需要的定位面、孔、開口等, 需要進(jìn)行切削、鉆削、銑削等精密加工. 不同于傳統(tǒng)材料, 復(fù)合材料加工往往較為困難, 易出現(xiàn)分層、撕裂、燒蝕等損傷, 刀具磨損也較為嚴(yán)重, 加工質(zhì)量難以保證. 利用人工智能技術(shù), 可以對(duì)復(fù)合材料機(jī)械加工過程中的熱學(xué)、力學(xué)問題進(jìn)行建模, 探究加工參數(shù)對(duì)復(fù)合材料加工質(zhì)量的影響. 例如, António等(2007)在人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程中使用遺傳算法調(diào)整超參數(shù),實(shí)現(xiàn)了對(duì)聚醚醚酮基復(fù)合材料正交切削加工中力學(xué)行為的建模. Hanafi等(2012)采用模糊邏輯方法, 由復(fù)合材料切削過程中切削速度、進(jìn)給速度、切削深度預(yù)測(cè)了切削力和比切削壓力. Tsao(2007)利用徑向基函數(shù)網(wǎng)絡(luò), 建立了復(fù)合材料鉆削加工中進(jìn)給速率、主軸轉(zhuǎn)速和直徑比與鉆削推力之間的關(guān)系. Latha和Senthilkumar (2009, 2010)根據(jù)實(shí)驗(yàn)數(shù)據(jù)構(gòu)建了基于規(guī)則的鉆削推力模糊邏輯模型, 通過鉆頭直徑、進(jìn)給速度以及主軸轉(zhuǎn)速預(yù)測(cè)鉆削的推力和表面粗糙度, 并表明進(jìn)給速度以及鉆頭直徑是影響鉆削推力和表面粗糙度的主要因素. Bobbili等(2020)基于自組織映射網(wǎng)絡(luò)方法, 建立了玻璃纖維編織復(fù)合材料鉆削過程中鉆頂角、進(jìn)給速度及主軸轉(zhuǎn)速與鉆孔推力、孔表面粗糙度、毛刺高度之間的關(guān)系. Babu等(2020)運(yùn)用模糊推理系統(tǒng)對(duì)碳?；祀s纖維增強(qiáng)復(fù)合材料的鉆孔行為進(jìn)行了建模, 表征了主軸轉(zhuǎn)速、鉆頭直徑、進(jìn)給速度等工藝參數(shù)與推力、扭矩、分層因子及表面粗糙度之間的關(guān)系. 部分研究者還采用人工智能方法對(duì)一些非機(jī)械加工方式進(jìn)行了研究. Antil等(2020)利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)了碳化硅/環(huán)氧復(fù)合材料在不同電化學(xué)放電加工參數(shù)下的鉆孔的材料去除率以及錐度. Solati等(2019)構(gòu)建人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)了不同工藝參數(shù)下激光鉆孔的熱影響區(qū)域以及承載強(qiáng)度, 表明隨熱影響區(qū)域面積的增大, 被加工件的承載強(qiáng)度顯著降低. 適當(dāng)控制激光鉆孔的參數(shù)以減小熱影響區(qū)域, 可以獲得比機(jī)械鉆孔效果更好的加工件.

此外, 還可以通過加工過程中傳感器獲得的信號(hào), 由人工智能方法實(shí)時(shí)監(jiān)測(cè)刀具和被加工件的狀態(tài), 對(duì)加工全過程進(jìn)行捕捉、分析, 實(shí)現(xiàn)動(dòng)態(tài)的感知、判斷、優(yōu)化. 如圖11所示, Wang,Dixit 等 (2020)在亞麻纖維增強(qiáng)復(fù)合材料的正交切削過程中, 引入多傳感器的數(shù)據(jù)采集系統(tǒng)對(duì)復(fù)合材料加工過程中聲發(fā)射信號(hào)和振動(dòng)信號(hào)進(jìn)行提取. 利用隨機(jī)森林算法將特定頻段上的信號(hào)與加工條件、工件狀態(tài)相關(guān)聯(lián), 實(shí)現(xiàn)了對(duì)于加工狀態(tài)的監(jiān)測(cè), 同時(shí)為加工條件的優(yōu)化提供了可能.隨后, 他們又基于聲發(fā)射監(jiān)測(cè)的方式, 與雙向門控循環(huán)神經(jīng)網(wǎng)絡(luò)相結(jié)合, 動(dòng)態(tài)地通過聲發(fā)射信號(hào)對(duì)加工狀態(tài)進(jìn)行了表征(Wang , Chegdani et al. 2020). 通過六種不同的切削速度和三種不同的切削方向?qū)υ撗h(huán)神經(jīng)網(wǎng)絡(luò)的性能進(jìn)行了評(píng)估, 表明其準(zhǔn)確度約為87%. 該方法有望實(shí)現(xiàn)在加工過程中實(shí)時(shí)調(diào)整加工參數(shù), 以達(dá)到更為優(yōu)良的加工效果.

圖11

5.3 復(fù)合材料無損檢測(cè)

無損檢測(cè)是通過合理有效的檢測(cè)手段, 及時(shí)、準(zhǔn)確地發(fā)現(xiàn)復(fù)合材料內(nèi)部的損傷, 評(píng)估復(fù)合材料的安全性、可靠性. 復(fù)合材料在正常服役條件下通常不會(huì)發(fā)生突然的破壞, 其失效往往是由于損傷的不斷積累, 因此采用無損檢測(cè)方法對(duì)復(fù)合材料進(jìn)行檢測(cè)可以及時(shí)發(fā)現(xiàn)問題, 有效規(guī)避風(fēng)險(xiǎn), 提高復(fù)合材料使用的安全性. 現(xiàn)有的無損檢測(cè)方法在獲得檢測(cè)信號(hào)后, 通常還需要人工判斷是否有損傷或損傷的部位. 采用人工智能技術(shù)對(duì)檢測(cè)信號(hào)進(jìn)行處理, 可以實(shí)現(xiàn)對(duì)損傷自動(dòng)、高效的判斷, 對(duì)細(xì)微特征信號(hào)的捕捉. Graham等(2004)基于高溫超導(dǎo)量子干涉儀的檢測(cè)數(shù)據(jù), 采用梯度閾值檢索函數(shù)進(jìn)行特征提取后建立人工神經(jīng)網(wǎng)絡(luò)成功判斷了復(fù)合材料沖擊損傷的位置. 該方法有效提升了無損檢測(cè)的效率, 特征提取也使得在數(shù)據(jù)含有環(huán)境噪聲下的檢測(cè)精度有所提高.針對(duì)復(fù)合材料夾心結(jié)構(gòu), Just-Agosto等(2008)利用振動(dòng)的模態(tài)響應(yīng)識(shí)別面板、界面及夾心的損壞, 熱成像技術(shù)對(duì)振動(dòng)分析無法檢測(cè)的細(xì)小穿孔進(jìn)行補(bǔ)足, 貝葉斯神經(jīng)網(wǎng)絡(luò)將二者數(shù)據(jù)相結(jié)合進(jìn)行建模, 實(shí)現(xiàn)了對(duì)復(fù)合材料夾心結(jié)構(gòu)損傷的類型、位置以及大小的精確檢測(cè). De Fenza等(2015)在使用蘭姆波的無損檢測(cè)中, 根據(jù)檢測(cè)信號(hào)定義了損傷指數(shù)作為結(jié)構(gòu)破壞的決定因素, 并進(jìn)一步引入了人工神經(jīng)網(wǎng)絡(luò)和概率橢圓方法, 實(shí)現(xiàn)了對(duì)于復(fù)合材料損傷的識(shí)別. Xu 等(2019)對(duì)濕熱環(huán)境下產(chǎn)生損傷的復(fù)合材料單搭接接頭的聲發(fā)射數(shù)據(jù), 對(duì)主成分進(jìn)行分析選取關(guān)鍵參數(shù)后, 利用改進(jìn)的K均值聚類方法確定了檢測(cè)信號(hào)與損傷模式間的關(guān)系. Liu P 等(2019)在59.5 m長的復(fù)合材料風(fēng)機(jī)葉片上布置傳感器陣列, 對(duì)檢測(cè)信號(hào)進(jìn)行快速傅里葉變換和時(shí)差分析定位損傷源, 并使用K均值聚類方法識(shí)別了不同的損傷模式. 該方法充分考慮了超聲信號(hào)在葉片中的衰減規(guī)律, 實(shí)現(xiàn)了對(duì)在大型復(fù)合材料結(jié)構(gòu)件中的損傷進(jìn)行精確判斷和定位. Khatir等(2019)針對(duì)復(fù)合材料層合板的振動(dòng)建立了等幾何分析方法, 根據(jù)結(jié)果確定了帶有不同損傷的層合板的Cornwell指數(shù), 并建立了與粒子群優(yōu)化算法相結(jié)合的人工神經(jīng)網(wǎng)絡(luò), 對(duì)復(fù)合材料層合板的損傷進(jìn)行量化, 大幅縮減了無損檢測(cè)所需要的時(shí)間. Cacciola等(2013)以超聲檢測(cè)為基礎(chǔ), 結(jié)合貝葉斯神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)合材料進(jìn)行無損檢測(cè). 不同于其他研究者將檢測(cè)數(shù)據(jù)置于計(jì)算機(jī)上進(jìn)行離線處理, 他們通過現(xiàn)場(chǎng)可編程門陣列的可重新編程性在實(shí)際應(yīng)用中迅速改變網(wǎng)絡(luò)的參數(shù), 成功實(shí)現(xiàn)了增量學(xué)習(xí), 對(duì)未來實(shí)現(xiàn)無損檢測(cè)的在線學(xué)習(xí)具有重要意義.

連續(xù)纖維增強(qiáng)復(fù)合材料是目前復(fù)合材料結(jié)構(gòu)件的主要應(yīng)用形式. 由于在厚度方向缺少增強(qiáng),其層間性能相較于面內(nèi)性能較為薄弱, 因此分層成為一種主要損傷形式. 分層損傷會(huì)導(dǎo)致復(fù)合材料的強(qiáng)度及剛度顯著降低, 造成結(jié)構(gòu)的災(zāi)難性破壞, 不利于復(fù)合材料服役過程中的穩(wěn)定性、安全性. 上述無損檢測(cè)方法也同樣適用于復(fù)合材料的分層檢測(cè), 例如將人工神經(jīng)網(wǎng)絡(luò)與聲發(fā)射技術(shù)結(jié)合, 可以實(shí)現(xiàn)對(duì)分層損傷定性、定量的分析(Su & Ye. 2004, 2005; Pan et al. 2006). 除此之外, 根據(jù)損傷理論, 復(fù)合材料發(fā)生分層后其模態(tài)及固有頻率會(huì)發(fā)生顯著改變, 因此基于模態(tài)響應(yīng)和固有頻率的分析被廣泛應(yīng)用于分層損傷的檢測(cè). Okafor等(1996)根據(jù)分層損傷理論模型及實(shí)驗(yàn)得到的數(shù)據(jù)訓(xùn)練人工神經(jīng)網(wǎng)絡(luò), 通過模態(tài)頻率預(yù)測(cè)了分層損傷的大小, 取得了較好的效果. Valoor和Chandrashekhara (2000)在建立模型時(shí)考慮了泊松效應(yīng)和橫向剪切, 使人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的損傷大小和位置更貼近實(shí)際. 相較于采用實(shí)驗(yàn)或理論模型生成訓(xùn)練數(shù)據(jù), 有限元方法能以較低的成本獲得大量復(fù)雜復(fù)合材料結(jié)構(gòu)的數(shù)據(jù)集, 提升該方法對(duì)不同問題的適應(yīng)性. 利用有限元生成數(shù)據(jù)集訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò), 在單向板和復(fù)雜鋪層結(jié)構(gòu)層合板上均展現(xiàn)出了良好的預(yù)測(cè)效果(Chakraborty 2005, Nasiri et al. 2011). Zhang 等(2019)利用有限元結(jié)合人工神經(jīng)網(wǎng)絡(luò)的方法對(duì)復(fù)合材料彎曲板的分層損傷進(jìn)行檢測(cè), 其定位精度可達(dá)90.57%. 基于分層理論、高階電勢(shì)場(chǎng)和有限元方法建立力?電耦合模型, 可以有效模擬圖12中壓電傳感器的響應(yīng), 并訓(xùn)練如多層感知機(jī)、支持向量機(jī)、卷積神經(jīng)網(wǎng)絡(luò)等監(jiān)督學(xué)習(xí)方法對(duì)分層損傷進(jìn)行分類、預(yù)測(cè)(Khan & Kim 2018, Khan A et al. 2019). Zheng等(2009, 2011)則將分層檢測(cè)中采用的多種神經(jīng)網(wǎng)絡(luò)與層次遺傳算法、最小二乘法、遺傳模糊混合學(xué)習(xí)算法等相結(jié)合, 大幅提高了預(yù)測(cè)系統(tǒng)的魯棒性, 對(duì)未來的工業(yè)應(yīng)用具有重要意義.

圖12

5.4 復(fù)合材料健康監(jiān)測(cè)

針對(duì)復(fù)合材料結(jié)構(gòu)特點(diǎn)及應(yīng)用環(huán)境發(fā)展形成的健康監(jiān)測(cè)技術(shù), 可以在復(fù)合材料結(jié)構(gòu)使用過程中采集健康狀況信息, 提高復(fù)合材料結(jié)構(gòu)的安全性. 不同于無損檢測(cè)技術(shù), 復(fù)合材料健康監(jiān)測(cè)以在材料上布置傳感器為基礎(chǔ), 實(shí)現(xiàn)了對(duì)于復(fù)合材料狀態(tài)的實(shí)時(shí)監(jiān)測(cè), 減少不可逆損傷的發(fā)生,大幅降低了復(fù)合材料結(jié)構(gòu)件的維護(hù)成本, 提高了復(fù)合材料的使用安全性(Worden & Staszewski 2000). 利用人工智能技術(shù)對(duì)傳感器采集的信號(hào)進(jìn)行自主分析, 可以實(shí)現(xiàn)由聲、光、電阻等物理信息到復(fù)合材料受載、損傷狀態(tài)信息的智能轉(zhuǎn)換, 而無需人力進(jìn)行大量判斷. Yuan等(2005)基于受損層合板的蘭姆波數(shù)據(jù), 訓(xùn)練了Kohonen神經(jīng)網(wǎng)絡(luò), 成功實(shí)現(xiàn)了對(duì)不同損傷模式的實(shí)時(shí)判別. Song等(2007)根據(jù)碳纖維增強(qiáng)復(fù)合材料電阻值隨施加載荷變化的特性, 采用人工神經(jīng)網(wǎng)絡(luò)建立了復(fù)合材料電阻值和應(yīng)變間的關(guān)系, 實(shí)現(xiàn)了對(duì)復(fù)合材料簡單受載狀況的實(shí)時(shí)監(jiān)測(cè). Fu T 等(2015)使用菱形光纖聲發(fā)射傳感器陣列檢測(cè)復(fù)合材料受沖擊時(shí)的應(yīng)力波, 實(shí)現(xiàn)了最大定位誤差僅為6.3 mm的高精度監(jiān)測(cè). Sai等(2019)應(yīng)用光纖布拉格光柵傳感器陣列和窄帶激光解調(diào)技術(shù),監(jiān)測(cè)復(fù)合材料受沖擊后的聲信號(hào), 建立了基于極限學(xué)習(xí)機(jī)的沖擊定位模型, 在500 mm×500 mm正方形板件的沖擊定位實(shí)驗(yàn)中, 平均定位誤差為14.7 mm. 同樣使用光纖布拉格光柵作為傳感器,Califano等(2020)基于復(fù)合材料層合板中的損傷會(huì)改變應(yīng)變分布這一現(xiàn)象, 由人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了“光纖信號(hào)?應(yīng)變?損傷”轉(zhuǎn)換模式. Si和Li(2020)利用聲發(fā)射和超聲方法分別建立了兩種損傷指數(shù), 僅利用線性回歸就實(shí)現(xiàn)了對(duì)損傷程度的實(shí)時(shí)預(yù)測(cè). 由于線性回歸計(jì)算快捷, 實(shí)現(xiàn)簡單, 有望在未來應(yīng)用于復(fù)合材料結(jié)構(gòu)可靠性的在線評(píng)估.

除了將傳感器布置到復(fù)合材料表面外, 還可在復(fù)合材料的內(nèi)部埋入傳感器, 形成如圖13所示的“智能復(fù)合材料”. 一些智能復(fù)合材料還可根據(jù)應(yīng)用場(chǎng)景布置處理器、致動(dòng)器和修復(fù)元件, 結(jié)合力學(xué)模型以達(dá)到自感知、自驅(qū)動(dòng)、自學(xué)習(xí)、自修復(fù)的目標(biāo). 以人工智能方法替代傳統(tǒng)模型進(jìn)行判斷, 進(jìn)行智能化的特征提取, 可以具有更高的效率、更好的魯棒性, 也有利于處理器的微型化, 減少侵入式布置對(duì)復(fù)合材料造成的損傷. 針對(duì)復(fù)合材料振動(dòng)抑制這一問題, 傳統(tǒng)的智能復(fù)合材料一般通過內(nèi)置的壓電傳感器感知材料當(dāng)前振動(dòng)狀況, 而后結(jié)合動(dòng)力學(xué)方程, 驅(qū)動(dòng)壓電致動(dòng)器削弱復(fù)合材料的振動(dòng)直至穩(wěn)定(Saravanos et al. 1997, Narayanan & Balamurugan 2003). 而通過仿真數(shù)據(jù)訓(xùn)練如人工神經(jīng)網(wǎng)絡(luò)、對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)等人工智能模型, 并在智能復(fù)合材料中代替?zhèn)鹘y(tǒng)的動(dòng)力學(xué)方程, 使其對(duì)復(fù)雜載荷環(huán)境的適應(yīng)性有所提高, 具有更好的魯棒性(Valoor et al. 2000,Srivastava et al. 2016). 在智能復(fù)合材料的損傷判斷中, 人工智能模型也有效實(shí)現(xiàn)了對(duì)損傷位置、狀態(tài)的準(zhǔn)確判斷, 甚至對(duì)微裂紋損傷的精確捕捉(Larrosa et al. 2014, Geng et al. 2018). Sung等(2016)除利用人工神經(jīng)網(wǎng)絡(luò)對(duì)沖擊損傷進(jìn)行精確定位外, 還進(jìn)一步監(jiān)測(cè)了沖擊發(fā)生的時(shí)間和破壞程度, 實(shí)現(xiàn)對(duì)沖擊損傷的溯源. Khan 和Kim (2020)基于復(fù)合材料中壓電材料的低頻響應(yīng), 在數(shù)據(jù)處理時(shí)采用主成分分析法剔除了冗余的數(shù)據(jù)特征, 解決了智能復(fù)合材料損傷分類中的過擬合問題. Alvarez-Montoya等(2020)在無人機(jī)復(fù)合材料機(jī)翼前梁中布置了20個(gè)光纖布拉格光柵進(jìn)行應(yīng)變感知, 采用自組織圖和主成分分析方法實(shí)現(xiàn)基于應(yīng)變場(chǎng)的損傷模式識(shí)別. 該智能復(fù)合材料機(jī)翼在實(shí)際飛行實(shí)驗(yàn)中對(duì)于人為引入損傷的檢測(cè)精度可達(dá)98.1%, 為未來實(shí)現(xiàn)飛行器復(fù)合材料結(jié)構(gòu)的自主損傷監(jiān)測(cè)提供了良好的范例.

圖13

5.5 小結(jié)

復(fù)合材料成型過程、加工過程以及健康狀態(tài)的檢測(cè)、監(jiān)測(cè)是人工智能應(yīng)用相對(duì)成熟的領(lǐng)域.結(jié)合人工智能可以提升對(duì)于傳感器信號(hào)數(shù)據(jù)處理的效率及精度, 并捕捉信號(hào)與復(fù)合材料狀態(tài)之間不易發(fā)覺的潛在關(guān)系. 復(fù)合材料在服役過程中通常面臨復(fù)雜的工作環(huán)境, 具有應(yīng)力場(chǎng)、溫度場(chǎng)、濕度場(chǎng)、電場(chǎng)等多場(chǎng)相互耦合的特點(diǎn). 因此, 目前面臨的主要挑戰(zhàn)是如何準(zhǔn)確地從龐雜的傳感器信號(hào)中清理噪聲信號(hào), 抽取、分離關(guān)鍵特征, 明確各個(gè)因素對(duì)復(fù)合材料狀態(tài)的影響及時(shí)變特性,建立響應(yīng)數(shù)據(jù)到材料狀態(tài)甚至結(jié)構(gòu)性能的關(guān)系模式, 實(shí)現(xiàn)時(shí)間、空間上的連續(xù)感知. 除了已被廣泛采用的成分分析手段外, 目前蓬勃發(fā)展的深度學(xué)習(xí)在特征抽取上有著顯著的優(yōu)勢(shì), 降低了對(duì)于傳感器信號(hào)關(guān)鍵特征的提取難度, 有望在未來實(shí)現(xiàn)對(duì)具有復(fù)雜構(gòu)型復(fù)合材料在多樣服役環(huán)境下健康狀態(tài)的精確判斷.

6 總結(jié)與展望

工程應(yīng)用領(lǐng)域?qū)哂懈吡W(xué)性能的輕量化材料的需求日益迫切, 如何設(shè)計(jì)并制造出具有卓越力學(xué)性能的復(fù)合材料結(jié)構(gòu), 以進(jìn)一步發(fā)揮復(fù)合材料本身輕質(zhì)高強(qiáng)的優(yōu)勢(shì), 已逐漸成為復(fù)合材料研究的核心領(lǐng)域之一. 目前復(fù)合材料的設(shè)計(jì)主要依賴于設(shè)計(jì)者在生產(chǎn)設(shè)計(jì)領(lǐng)域積累的經(jīng)驗(yàn)知識(shí),但這種經(jīng)驗(yàn)設(shè)計(jì)的方法往往需要耗費(fèi)大量的人力物力, 設(shè)計(jì)周期長, 且無法保證能夠達(dá)到全局最優(yōu)解. 近些年來, 與數(shù)值模擬相結(jié)合的拓?fù)鋬?yōu)化被成功應(yīng)用于結(jié)構(gòu)設(shè)計(jì)領(lǐng)域(Sigmund & Maute 2013). 但由于復(fù)合材料本身的特性, 其拓?fù)鋬?yōu)化計(jì)算量巨大, 設(shè)計(jì)約束難以明確, 且難以保證優(yōu)化后的工藝性. 如何擺脫傳統(tǒng)先驗(yàn)式、積木式的設(shè)計(jì)方法, 實(shí)現(xiàn)對(duì)復(fù)合材料設(shè)計(jì)空間進(jìn)行智能探索, 縮短設(shè)計(jì)周期, 提高設(shè)計(jì)質(zhì)量, 將是復(fù)合材料未來研究的新需求.

近些年來, 隨著人工智能技術(shù)的不斷發(fā)展, 為如生物、醫(yī)藥、地球物理等許多傳統(tǒng)研究領(lǐng)域的研究者們提供了新思路、新方法. 在復(fù)合材料領(lǐng)域, 人工智能方法也正在蓬勃發(fā)展. 基于人工智能方法的材料性能預(yù)測(cè), 已逐漸形成以實(shí)驗(yàn)結(jié)果為基礎(chǔ), 以數(shù)值模擬方法生成數(shù)據(jù)集, 以人工智能方法進(jìn)行建模預(yù)測(cè)的成熟范式. 而最近提出的多精度深度神經(jīng)網(wǎng)絡(luò)可以由大量低成本、低精度的數(shù)據(jù)捕捉趨勢(shì)特征后, 對(duì)少量的高成本、高精度數(shù)據(jù)進(jìn)行精確擬合, 在復(fù)合材料的多尺度、高保真性能預(yù)測(cè)中有著巨大的應(yīng)用潛力(Meng & Karniadakis 2020, Motamed 2020). 人工智能賦能下的“性能預(yù)測(cè)?材料設(shè)計(jì)”這一迭代優(yōu)化設(shè)計(jì)模式也已有雛形, 強(qiáng)化學(xué)習(xí)在材料的精準(zhǔn)逆向設(shè)計(jì)中也有著廣闊的前景. 將復(fù)合材料設(shè)計(jì)制造、狀態(tài)監(jiān)測(cè)與人工智能、大數(shù)據(jù)、新型制造方法相結(jié)合, 勢(shì)必成為復(fù)合材料發(fā)展的新趨勢(shì).

3D打印技術(shù)在復(fù)合材料領(lǐng)域的應(yīng)用, 為復(fù)合材料的快速制造提供了可能. 目前, 人工智能技術(shù)已初步應(yīng)用于3D打印產(chǎn)品的設(shè)計(jì)、實(shí)時(shí)監(jiān)測(cè)和工藝參數(shù)的調(diào)整(亓欣波等2019, Jin et al.2019). 但已有的大多數(shù)3D打印方法均是沿Z方向逐層積累打印材料的“2.5D打印”, 且打印范圍較小, 不能充分發(fā)揮復(fù)合材料力學(xué)性能上的優(yōu)勢(shì)(吳陳銘等2019). 以機(jī)械臂為基礎(chǔ)的多自由度3D打印技術(shù)則成為解決上述問題的關(guān)鍵. 在多自由度3D打印中, 曲面層打印下的切片和路徑規(guī)劃、視覺反饋用于精準(zhǔn)定位、多機(jī)協(xié)作打印提升靈活性等問題亟需人工智能的智能優(yōu)化、機(jī)器視覺、多智能體等技術(shù)賦能. 因此, 有望在“性能預(yù)測(cè)?材料設(shè)計(jì)”這一模式完成設(shè)計(jì)后, 基于多自由3D打印方法快速制造具有復(fù)雜構(gòu)型的復(fù)合材料.

隨著大數(shù)據(jù)時(shí)代的來臨, 數(shù)字孿生技術(shù)在復(fù)合材料的制造加工、缺陷控制、狀態(tài)監(jiān)測(cè)等領(lǐng)域也逐漸開始興起(Eder & Chen 2020, Ghanem et al. 2020, Polini & Corrado 2020, Seon et al.2020). 結(jié)合人工智能技術(shù), 數(shù)字孿生可以在計(jì)算機(jī)中快速建立數(shù)字模型, 將產(chǎn)品設(shè)計(jì)、制造中的多種不確定性綜合考量, 利用傳感器不斷引入海量數(shù)據(jù)驅(qū)動(dòng)數(shù)字模型的狀態(tài)趨近于實(shí)體. 數(shù)字模型與實(shí)體狀態(tài)互為補(bǔ)充, 實(shí)體狀態(tài)提供數(shù)據(jù)彌補(bǔ)數(shù)字模型的非真實(shí)性, 實(shí)現(xiàn)完全仿真, 數(shù)字模型補(bǔ)充實(shí)體狀態(tài)數(shù)據(jù)的非完整性, 實(shí)現(xiàn)對(duì)實(shí)體全方位的預(yù)測(cè)與診斷. 將人工智能與數(shù)字孿生技術(shù)結(jié)合, 有望在未來實(shí)現(xiàn): (1)預(yù)先對(duì)復(fù)合材料進(jìn)行虛擬的設(shè)計(jì)、制造、裝配及分析, 加速設(shè)計(jì)方案改進(jìn). (2)實(shí)時(shí)監(jiān)測(cè)復(fù)合材料結(jié)構(gòu)件的外部環(huán)境和內(nèi)部狀態(tài), 實(shí)現(xiàn)智能評(píng)估、環(huán)境優(yōu)化. (3)對(duì)復(fù)合材料結(jié)構(gòu)件的檢測(cè)與維修, 由現(xiàn)在的“出現(xiàn)問題后診斷”到全壽命的實(shí)時(shí)診斷, 乃至對(duì)結(jié)構(gòu)狀態(tài)實(shí)現(xiàn)預(yù)先診斷以實(shí)施預(yù)防性的保護(hù)措施, 增強(qiáng)復(fù)合材料結(jié)構(gòu)件的安全性.

目前, 人工智能在復(fù)合材料的設(shè)計(jì)、制造和健康監(jiān)測(cè)等方面仍處于相對(duì)初步的階段, 但已經(jīng)展現(xiàn)出非凡的潛力. 有理由期待在未來, 以人工智能技術(shù)為橋梁, 將力學(xué)、材料、機(jī)器人、計(jì)算機(jī)等學(xué)科在復(fù)合材料領(lǐng)域緊密連接, 為復(fù)合材料技術(shù)注入新的生機(jī)與活力.

致 謝 國家杰出青年科學(xué)基金(11625210)、國家重點(diǎn)研發(fā)計(jì)劃(2020YFB0311500)、上海市浦江人才計(jì)劃(2020PJD072)以及中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目.