張峻銘 楊偉東 李 巖

同濟大學航空航天與力學學院, 上海 200092

1 引 言

先進復合材料作為結(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域中得到廣泛應用, 而復合材料的用量占比如今已成為衡量飛機先進性的重要指標. 以民用航空領域為例, 國外的先進民航客機, 如波音公司的B787和空客公司的A350, 復合材料用量已達結(jié)構(gòu)重量的50%以上, 而國產(chǎn)大飛機C919僅為12%, 復合材料應用技術落后國外20年(杜善義和關志東 2008, 寧莉等2020). 但是, 中俄正在聯(lián)合研制的國產(chǎn)CR929遠程寬體客機中, 復合材料用量計劃達到50%以上. 在當前新形勢下, 這一跨越式發(fā)展的目標對高性能復合材料的設計制造提出了新要求. 另一方面, 復合材料及其結(jié)構(gòu)的性能預測、結(jié)構(gòu)設計、工藝制造等全鏈條因素都會對其力學性能產(chǎn)生重要影響, 決定了復合材料的應用水平. 因此, 如何通過多尺度多維度的復合材料設計進一步減輕結(jié)構(gòu)重量并實現(xiàn)卓越的力學性能? 如何優(yōu)化創(chuàng)新成型工藝方法, 制造復雜復合材料結(jié)構(gòu)并降低制造成本? 如何實現(xiàn)對復合材料服役狀態(tài)的有效監(jiān)測、提升復合材料使用壽命? 這些問題是信息化時代背景下, 力學研究者所面臨的新機遇與新挑戰(zhàn).

傳統(tǒng)的復合材料研究方法, 主要以實驗和理論建模為主, 逐漸形成了實驗觀測、分析建模、數(shù)值模擬相輔相成的研究方法. 然而, 復合材料組分及結(jié)構(gòu)的復雜化, 給復合材料的性能預測、優(yōu)化設計、成型制造等提出了新問題. 例如, 復合材料的多尺度力學性能表征、精準的反向結(jié)構(gòu)設計、復合材料的不確定性傳播等問題, 在傳統(tǒng)的實驗分析、理論建模、拓撲優(yōu)化等框架下無法得到很好的解決. 實驗觀測不足、理論模型缺乏、數(shù)值分析受限、結(jié)果驗證困難等傳統(tǒng)研究手段的困境, 嚴重制約著復合材料研究面向未來應用的快速發(fā)展.

21世紀以來, 隨著大數(shù)據(jù)的逐漸普及, 計算機算力的不斷提升, 深度學習、強化學習等人工智能技術迅猛發(fā)展, 相關算法相繼被應用到多個學科研究領域. 人工智能方法的優(yōu)勢是不再關心問題的具體物理機理, 直接由數(shù)據(jù)驅(qū)動, 因此無需建立復雜的物理模型, 也無需繁冗的經(jīng)驗參數(shù), 實現(xiàn)了由傳統(tǒng)的因果機理探尋向人工智能支撐下變量關系建立的轉(zhuǎn)變. 人工智能作為一種技術方法, 在復合材料領域也呈現(xiàn)出廣闊的應用前景: (1)在復合材料力學性能預測方面, 基于實驗測試和數(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雜關系, 可建立由參數(shù)到性能的快速響應; (2)在復合材料優(yōu)化設計方面, 無需依賴于設計者的經(jīng)驗積累和靈感直覺, 設定恰當?shù)哪繕撕瘮?shù)后自動迭代更新設計策略, 實現(xiàn)全局最優(yōu)或精準的逆向設計; (3)在復合材料制造方面, 快速探明各種制造參數(shù)對復合材料力學性能的影響, 改進制造工藝, 甚至與精密機器人系統(tǒng)進行協(xié)同制造, 實現(xiàn)大型復雜結(jié)構(gòu)成型新技術. 另外, 在復合材料的健康監(jiān)測方面, 關聯(lián)多種傳感信號與復合材料狀態(tài)之間的關系, 在復雜載荷條件下完成對復合材料狀態(tài)的預測和控制.

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

圖1

2 人工智能與復合材料

2.1 材料學中人工智能應用的發(fā)展

材料是人類用以制造基本元件、構(gòu)件、機器以及更復雜材料產(chǎn)品的物質(zhì)基礎. 人類社會的發(fā)展歷程, 在某種程度上, 就是以材料的發(fā)展與迭代為主要標志的. 100萬年前, 原始人以石頭作為工具; 1萬年前, 人類對石器進行加工, 使之成為器皿和精致的工具; 1千年前, 人類開始使用鑄鐵, 人類社會進入鐵器時代; 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、復合材料等新型材料的相繼發(fā)明, 使人類社會從工業(yè)時代進入信息時代. 如今, 在5G和物聯(lián)網(wǎng)時代, 材料的設計與應用也逐漸與人工智能技術建立起聯(lián)系, 藉由人工智能探索其新思路、新方法、新技術. 因此, 人工智能有望為材料學發(fā)展帶來新的研究范式.

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

圖2

當人工智能方法追溯到20世紀80年代, 專家系統(tǒng)(expert system)以其啟發(fā)性、透明性、靈活性及擴充性等優(yōu)點, 被廣泛應用于材料的選擇與設計. 專家系統(tǒng)作為一種智能計算機程序系統(tǒng), 其內(nèi)部含有大量的某個特定領域?qū)＜宜降闹R與經(jīng)驗, 再進行推理和判斷, 從而模擬人類專家解決問題的決策過程. 但是, 專家系統(tǒng)對不同情況的適應程度需由規(guī)則來決定, 而建立復雜問題的專家系統(tǒng)往往需要極高的時間成本和數(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重制約著專家系統(tǒng)形成通用方法. 進入21世紀, 神經(jīng)網(wǎng)絡的算力瓶頸, 隨著計算機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. 其中, 線性回歸、支持向量機、神經(jīng)網(wǎng)絡、深度學習、強化學習等方法, 逐漸被應用于材料的性能預測、設計和優(yōu)化.例如, 采用機器學習方法可預測不同幾何參數(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)絡方法, 可基于大量頁巖微細觀結(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系(Li 2019); 采用強化學習方法可實現(xiàn)具有不同禁帶聲子晶體的設計(Luo C et al.2020).

2.2 復合材料領域人工智能方法

相比于各向同性或均質(zhì)、單一材料而言, 復合材料在力學性能上的高度各向異性、多樣性的設計參數(shù)、廣闊的設計空間, 使其天然地擁有更龐大的數(shù)據(jù)量, 所以復合材料的設計與優(yōu)化過程也更為復雜. 因此, 如何將人工智能方法用于復合材料研究, 以加速復合材料的設計與迭代, 促進其在工程領域的高水平應用, 是復合材料領域研究面臨的重要科學問題. 目前, 人工智能方法

在復合材料研究流程可分為數(shù)據(jù)準備、模型訓練、模型評估三個步驟, 如圖3所示.

圖3

2.2.1 數(shù)據(jù)準備

在復合材料領域, 原始的數(shù)據(jù)一般從數(shù)值模擬和實驗中獲得, 但是這些數(shù)據(jù)通常會存在信息不完整、噪聲過多、數(shù)據(jù)冗余等問題. 對于信息采集中數(shù)據(jù)丟失而產(chǎn)生的不完整數(shù)據(jù)集, 應對缺失數(shù)據(jù)進行估算和刪除. 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, 或與其他變量作用一致, 形成冗余數(shù)據(jù), 可由研究者的先驗知識進行選擇. 例如, 在預測復合材料加筋板的屈曲載荷時, 設計參數(shù)多達十余種, 但最相關的只有四個因素: 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)準備階段對數(shù)據(jù)進行合理的預處理, 有助于提高運算效率, 提升預測精度, 獲得準確的模型.

2.2.2 模型訓練

確定輸入與輸出變量, 完成訓練樣本的準備后, 即開始對人工智能模型進行訓練. 以目前主流的神經(jīng)網(wǎng)絡為例, 模型內(nèi)部實際上是一個“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. 在復合材料領域, 給定的目標參數(shù)與目標性能之間往往存在著已有理論模型無法合理詮釋的復雜關系, 而人工智能模型可直接基于數(shù)據(jù)進行擬合和外推, 完成“參數(shù)?性能”關系的數(shù)據(jù)挖掘. 例如, 在兩相甚至多相復合材料中, 研究復雜微結(jié)構(gòu)對復合材料整體力學性能的影響時, 很難找到一個理論公式準確描述不同增強相在基體中不同的分布方式與復合材料力學性能之間的關系, 但通過人工智能可實現(xiàn)由實驗數(shù)據(jù)進行建模, 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,進而推動復合材料設計(Yang et al. 2019).

2.2.3 模型評估

完成人工智能模型訓練后, 對模型效果的評估至關重要. 通過評估, 可以了解利用當前數(shù)據(jù)建立的模型是否準確, 以及當前模型在未經(jīng)訓練的數(shù)據(jù)集上是否擁有良好的性能, 進而選擇結(jié)果更為精確、泛化能力更強的人工智能模型. 因此, 應將獲得的數(shù)據(jù)集劃分為兩個部分?訓練集與測試集, 其中訓練集用于訓練模型, 測試集對訓練后的模型進行評估. 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)集劃分為訓練集與測試集, 在訓練集上訓練模型并在測試集上對模型進行評估. 為了保證評估的準確性, 需要盡量保持訓練集與測試集的數(shù)據(jù)分布一致, 并進行若干次隨機劃分, 重復實驗取平均值.

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

(3)自助法: 指以自主采樣為基礎, 在n個樣本數(shù)據(jù)中隨機抽取一個并放回, 重復n次, 得到一個與樣本數(shù)據(jù)大小一致的訓練集, 而未出現(xiàn)在訓練集中的數(shù)據(jù)構(gòu)成測試集. 當數(shù)據(jù)樣本較小,難以劃分測試集與訓練集時該方法簡單、有效, 但自助法會更改原始數(shù)據(jù)集的分布, 從而引入估計誤差.

隨后, 通過將訓練集得到模型的預測結(jié)果與測試集實際結(jié)果進行比較, 可以檢查模型的準確性. 針對不同的問題評估方法也不同, 如分類問題一般采用準確率、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百分比誤差等.

2.3 復合材料領域常用人工智能算法

在上述步驟中, 根據(jù)目標問題選擇合適的模型進行訓練, 是最為關鍵的一步. 不同的人工智能算法對應不同的應用范圍, 目前還沒有一種算法能夠解決所有的問題(Liu et al. 2017). 目前在復合材料領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)督學習, 多用于復合材料的性能預測(Bai et al. 2008, Jiang et al. 2008, Wen et al. 2011, Konstantopoulos et al. 2020)、損傷種類識別(Barry et al. 2015, Wang et al. 2018)、逆向設計(Kazi et al. 2020)等. 聚類用于判斷損傷是否存在和復合材料關鍵參數(shù)識別等(Zeliff et al. 2016, Zhou et al. 2018). 此外, 以遺傳算法為代表的智能計算方法也常用于優(yōu)化復合材料結(jié)構(gòu)設計、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(neural network, NN)是人工智能中應用最為廣泛的算法, 多種神經(jīng)網(wǎng)絡在復合材料領域的分類與回歸任務上表現(xiàn)出優(yōu)異的性能. 組成神經(jīng)網(wǎng)絡的基本單位是一個個神經(jīng)元, 每個神經(jīng)元利用數(shù)學模型對神經(jīng)細胞進行簡單模擬, 一個神經(jīng)元的輸出作為另一個神經(jīng)元的輸入, 多個神經(jīng)元相互連接構(gòu)成了神經(jīng)網(wǎng)絡. 神經(jīng)網(wǎng)絡具有多種拓撲結(jié)構(gòu), 最簡單也最為常見的是多層感知機(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神經(jīng)元的輸出作為輸入傳遞給下一層的每個神經(jīng)元, 因此又被稱為全連接層(fully connected layer). 神經(jīng)網(wǎng)絡隱含層中每個神經(jīng)元采用非線性激活函數(shù)引入非線性, 具有極強的非線性擬合能力. 萬能近似定理表明, 具有一個包含有限數(shù)量神經(jīng)元隱藏層的神經(jīng)網(wǎng)絡可以實現(xiàn)任意連續(xù)函數(shù)關系的擬合(Hornik 1991). 除了多層全連接前向神經(jīng)網(wǎng)絡外, 卷積神經(jīng)網(wǎng)絡(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),卷積層實現(xiàn)特征提取, 池化層進行特征選擇和信息過濾. 與多層全連接前向神經(jīng)網(wǎng)絡相比, 卷積神經(jīng)網(wǎng)絡從信息中提取相關特征的能力更強, 計算效率更高, 在圖像識別等任務上表現(xiàn)出更為優(yōu)異的性能.

遺傳算法(genetic algorithm, GA)是一種受達爾文進化論啟發(fā), 借鑒生物進化過程而提出的智能計算方法, 在復合材料的優(yōu)化設計領域有著較為成熟的應用(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體, 隨機產(chǎn)生初始群體, 根據(jù)優(yōu)化目標設定適應度函數(shù)對群體中的個體進行評價. 隨后, 對群體內(nèi)的優(yōu)勝個體進行選擇, 劣質(zhì)個體進行淘汰, 并進行交叉、變異運算產(chǎn)生新個體, 再次進行評價, 如此反復迭代直至最優(yōu)個體的適應度不再上升或達到給定的迭代次數(shù). 遺傳算法的優(yōu)點是具有良好的自組織、自適應和自學習能力, 搜索覆蓋面大, 有利于全局擇優(yōu). 其缺點是效率較低, 易出現(xiàn)“早熟”現(xiàn)象, 即過早收斂, 陷入局部最優(yōu).

在復合材料領域, 上述兩種方法應用較為廣泛, 并逐漸形成了遺傳算法與神經(jīng)網(wǎng)絡相互結(jié)合,反復迭代, 實現(xiàn)復合材料的優(yōu)化設計的成熟模式(Ehsani & Dalir 2019). 除此之外, 決策樹、支持向量機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算方法也逐漸應用于復合材料或神經(jīng)網(wǎng)絡結(jié)構(gòu)的優(yōu)化設計(Erdal & Sonmez 2005, Apalak et al. 2013, Vosoughi et al. 2017, Gautam &Mishra 2019). 根據(jù)目標問題合理選擇人工智能模型, 有助于獲得更好的預測結(jié)果(Freirejr et al.2007, Li et al. 2018).

本文按照復合材料的研發(fā)流程, 將人工智能方法在復合材料領域的應用分為三類: (1)復合材料的性能預測; (2)復合材料的優(yōu)化設計; (3)復合材料的智能制造. 此外, 不僅人工智能方法可以助力復合材料研究的發(fā)展; 反過來, 力學理論作為準確模型也可以指導設計出更為符合復合材料領域需求的人工智能模型. 因此, 基于力學理論指導的人工智能方法近些年來也得到了很多力學研究者的關注.

3 復合材料性能預測

與單一均質(zhì)材料相比, 復合材料由于其本身具有結(jié)構(gòu)屬性, 在設計時需統(tǒng)籌材料、結(jié)構(gòu)、工藝三方面設計以達到最優(yōu)性能. 同時, 復合材料可設計性強, 設計參數(shù)多, 如果缺乏設計參數(shù)對復合材料性能影響規(guī)律的清晰認識而盲目設計, 將會造成大量資源和時間的浪費. 因此, 需要對于擬設計復合材料的性能進行定量預測, 以實現(xiàn)根據(jù)實際需要來限制設計空間、指導設計方向, 達到高效設計高性能復合材料的目的.

目前主要采用實驗研究和計算模擬兩種方法實現(xiàn)對復合材料力學性能的預測, 但這兩種方法均難以準確捕捉復合材料性能的諸多影響因素. 采用人工智能方法對復合材料性能進行預測,即通過數(shù)據(jù)挖掘微細觀結(jié)構(gòu)或設計參數(shù)與復合材料性能之間內(nèi)在的關系, 進而對如基本力學性能、疲勞性能、沖擊性能等做出預測, 或者建立材料的本構(gòu)模型, 是目前針對復合材料性能研究的前沿熱點.

3.1 復合材料基本力學性能

復合材料研究水平不斷提升、應用領域不斷拓展, 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)), 例如飛機機身機翼、汽車車身、風電葉片等關鍵結(jié)構(gòu). 而復合材料模量、強度、韌性等基本力學性能是影響其結(jié)構(gòu)承載能力的決定性因素.

3.1.1 基于微結(jié)構(gòu)圖像的性能預測

復合材料的微細觀結(jié)構(gòu)決定其宏觀力學性能. 目前復合材料多尺度力學主要通過大規(guī)模觀測不同載荷下微細觀結(jié)構(gòu)形貌, 依據(jù)經(jīng)驗判斷、提取關鍵特征, 進而建立力學模型. 該方法相對繁瑣, 高度依賴研究者豐富的經(jīng)驗. 采用人工智能方法研究該問題, 可實現(xiàn)微細觀結(jié)構(gòu)特征的快速提取, 或直接建立“圖像?性能”這一關系, 驅(qū)動復合材料多尺度力學的快速發(fā)展.

利用二維微結(jié)構(gòu)像素圖像來預測復合材料整體力學性能的方法. Gu 等 (2018a)采用計算機生成35 960張8 × 8像素單位的兩相夾雜復合材料二維圖像, 結(jié)合有限元分析得到的韌性和強度訓練卷積神經(jīng)網(wǎng)絡, 實現(xiàn)由二維結(jié)構(gòu)圖像預測材料的韌性和強度, 成功挖掘了結(jié)構(gòu)圖像與材料性能的定量關系, 且計算速度約為有限元方法的250倍. 針對具有任意形狀夾雜相分布的二維復合材料微結(jié)構(gòu), Ye等(2019)在200 × 200像素單位圖像上進行分析并建立卷積神經(jīng)網(wǎng)絡, 可預測復合材料的等效楊氏模量以及泊松比, 預測結(jié)果相對誤差均低于4.0%. 另外, 針對纖維增強復合材料,可將纖維增強體視為夾雜相分布于樹脂基體中. 利用計算機生成的1800張?zhí)祭w維增強復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算出其彈性模量和屈服強度, 再采用梯度上升回歸樹方法將結(jié)果與復合材料微觀結(jié)構(gòu)相關聯(lián), 獲得了不超過5%的預測誤差(Pathan et al. 2019). 除力學性能外, 類似的方法在預測復合材料有效導熱系數(shù)和導電率上也取得了良好的效果(Turias et al. 2005, Gerrard et al. 2014).

上述研究均是針對二維復合材料微結(jié)構(gòu), 或?qū)⑷S問題簡化至二維平面問題. 但實際應用中往往以三維復合材料為主, 一些復合材料(如具有不同角度鋪層的復合材料、三維編織復合材料)微結(jié)構(gòu)也難以簡化至二維問題. 僅僅采用二維圖像進行研究存在一定的局限性, 因此需要對復合材料三維微結(jié)構(gòu)進行建模研究. 基于三維微結(jié)構(gòu)圖像的復合材料性能預測方法如圖4所示.將計算機隨機生成圖像結(jié)合三維高斯濾波, Yang 等(2018)首先創(chuàng)建了8550個三維體素化復合材料微觀結(jié)構(gòu), 再以三維微結(jié)構(gòu)模型作為輸入, 有限元計算得到的有效剛度作為輸出訓練卷積神經(jīng)網(wǎng)絡, 建立了三維微結(jié)構(gòu)與有效剛度的內(nèi)在關系. 相較于復雜的受物理啟發(fā)方法, 該方法預測結(jié)果平均絕對誤差減小了54%. Xu Y 等(2015)未直接建立復合材料三維微觀結(jié)構(gòu), 而是根據(jù)三維編織復合材料的微觀結(jié)構(gòu), 提取了纖維尺度與絲束尺度的關鍵幾何參數(shù), 利用人工神經(jīng)網(wǎng)絡構(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系. 該方法預測值與實驗結(jié)果的誤差均小于10%, 且無需構(gòu)建超參數(shù)相對復雜的卷積神經(jīng)網(wǎng)絡, 但如何準確選擇微觀結(jié)構(gòu)的關鍵參數(shù), 仍依賴于研究者的經(jīng)驗積累.

圖4

復合材料二維微結(jié)構(gòu)圖像會損失實際三維模型的信息, 因此采用三維模型與實際材料結(jié)構(gòu)更相符. 但使用三維微結(jié)構(gòu)訓練卷積神經(jīng)網(wǎng)絡耗費的計算資源會隨著模型精細程度成倍增長, 不利于實現(xiàn)對復合材料微觀結(jié)構(gòu)的精確分析. 因此, 在三維微結(jié)構(gòu)中選取多個適當?shù)亩S剖面作為輸入, 在某些復合材料結(jié)構(gòu)性能的預測中具有優(yōu)勢. 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)絡預測復合材料的有效導熱系數(shù). 結(jié)果表明, 相較于輸入整個三維結(jié)構(gòu), 以多個適當?shù)亩S剖面作為輸入更加高效、精確, 其平均絕對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合材料三維微觀模型進行性能預測時所需的計算量, 對具有較大計算量的復合材料結(jié)構(gòu)(如復合材料精細三維模型、無法采用代表性體積元計算的復合材料等)的性能預測提供了新方法.

圖5

3.1.2 基于復合材料設計參數(shù)的性能預測

利用復合材料微結(jié)構(gòu)圖像可有效預測復合材料力學性能, 但是, 工程應用中復合材料微結(jié)構(gòu)圖像的獲取有時是非常困難的, 而利用復合材料的設計參數(shù)來預測其力學性能則相對容易, 如纖維增強復合材料中纖維的種類、鋪層的角度、設計結(jié)構(gòu)的布置, 顆粒/納米增強復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“設計參數(shù)?復合材料結(jié)構(gòu)?性能”的快速響應, 為進一步開展復合材料優(yōu)化設計、加速復合材料研發(fā)進程奠定基礎.

對于連續(xù)纖維增強復合材料而言, 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性能的關鍵設計參數(shù). Bezerra等(2007)采用人工神經(jīng)網(wǎng)絡預測了碳纖維增強環(huán)氧復合材料和玻璃纖維增強環(huán)氧復合材料在不同鋪層順序下的剪切力學性能. Khan S M等(2019)以碳纖維、玻璃纖維作為增強纖維, 聚苯硫醚、高密度聚乙烯作為基體制備了四類復合材料, 并分別測定了不同鋪層數(shù)目下復合材料的硬度、懸臂梁沖擊強度以及橫向斷裂/抗彎強度, 利用人工神經(jīng)網(wǎng)絡通過鋪層數(shù)量以及纖維、基體的種類預測上述力學性能, 其平均絕對誤差均小于5%, 證明人工神經(jīng)網(wǎng)絡在復雜變量下仍能保持良好的預測穩(wěn)定性. Barbosa等(2020)利用人工神經(jīng)網(wǎng)絡對不同鋪層數(shù)目和鋪層角度的復合材料ABD矩陣本征值進行了預測. 另外, 工程中廣泛運用的復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, 這些參數(shù)作為神經(jīng)網(wǎng)絡的輸入可以達到預測屈曲性能的目的(Mallela &Upadhyay, 2016). 其平均預測誤差僅為2%, 而計算速度可達有限元方法的數(shù)百倍, 大幅提升了復合材料加筋板設計中對結(jié)構(gòu)承載能力進行評估的效率.

類似研究也已在顆粒增強復合材料以及納米復合材料之中展開. 采用人工神經(jīng)網(wǎng)絡方法, 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納米復合材料相對楊氏模量進行預測, 誤差僅為5.06% (Cupertino et al. 2011). Daghigh等(2020)則應用AdaBoost以及回歸樹方法挖掘了顆粒增強復合材料中, 不同顆粒填充物與復合材料的斷裂韌性的內(nèi)在關系.還有一些研究通過基因規(guī)劃方法預測了材料的性能, 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)在關聯(lián), 彌補理論模型的不足. 例如在銅粉/聚乙烯復合材料中, 當銅粉含量大于2%時, 現(xiàn)有理論模型均無法計算不同銅粉含量下的斷裂延伸率、破壞應力和楊氏模量, 而人工神經(jīng)網(wǎng)絡則可以由實驗數(shù)據(jù)準確預測(Bhoopal et al. 2015).

復合材料在實際制造生產(chǎn)過程中往往具有一定的分散性與隨機性, 導致實際參數(shù)和材料性能等與設計時并不一致(António & Hoffbauer 2010). 若忽視這一現(xiàn)象, 會使復合材料的實際力學性能偏離設計目標. António和Hoffbauer (2013)將人工神經(jīng)網(wǎng)絡和蒙特卡羅模擬方法相結(jié)合, 研究了復合材料縱向、橫向彈性模量和拉伸、剪切強度的不確定性對可靠性指標的影響. 結(jié)果表明, 復合材料基本力學性能的微小不確定性可能在可靠性指標中放大, 不利于安全可靠的復合材料設計制造. 因此, 在采用設計參數(shù)預測復合材料的性能時, 有必要將設計參數(shù)和材料性能的不確定性納入考慮. 如復合材料模壓成型工藝中隨機纖維取向?qū)αW性能影響顯著, 是預測模壓成型復合材料性能時需要考慮的關鍵不確定性因素. Sabiston等(2020)對模壓成型復合材料選定數(shù)個位置作為樣本進行CT掃描得到斷面圖像, 并對圖像中的纖維取向采用二階張量進行表征,構(gòu)建人工神經(jīng)網(wǎng)絡由位置坐標預測纖維取向張量. 訓練后的人工神經(jīng)網(wǎng)絡可對模壓成型復合材料不同位置的纖維取向張量實現(xiàn)快速、精確的預測, 為未來實現(xiàn)模壓成型復合材料力學性能的精準判斷奠定了基礎.

3.2 復合材料本構(gòu)關系

復合材料的本構(gòu)關系和損傷失效模型可由基本的物理定律和假設導出, 理論上不存在不確定性. 然而實際中往往是基于實驗數(shù)據(jù)對材料狀態(tài)進行假設, 選取多個經(jīng)驗函數(shù)不斷修正, 構(gòu)建經(jīng)驗模型. 隨著復合材料的組成和結(jié)構(gòu)日趨復雜, 非線性力學行為也更加復雜, 可能存在多種失效機制, 但現(xiàn)有力學模型難以同時體現(xiàn)這些機制的共同作用. 采用人工智能方法則直接由復合材料的設計參數(shù)和測得的應力應變曲線作為數(shù)據(jù), 構(gòu)建不同材料參數(shù)下應力與應變的關系, 無需考慮復合材料內(nèi)部復雜的機理, 也避免了經(jīng)驗建模帶來的誤差.

Pidapart和Palakal (1993)以纖維鋪放角度、初始應力以及應力增量作為輸入, 總應變作為輸出訓練了人工神經(jīng)網(wǎng)絡, 成功構(gòu)建了不同鋪層角度下的單向?qū)雍习宓膽?應變曲線, 提供了復合材料本構(gòu)建模的新方法. Ghaboussi等(1998)提出一種自動漸進訓練的人工神經(jīng)網(wǎng)絡訓練方法, 預測了復合材料不同應變下的應力響應, 與解析解十分吻合, 進一步提升了預測的精確性.Yang C等(2020)基于卷積神經(jīng)網(wǎng)絡預測了兩相夾雜復合材料的超出彈性極限的應力應變曲線,預測結(jié)果與實際曲線吻合較好, 平均絕對誤差均在10%以內(nèi).

人工智能方法可以由實驗數(shù)據(jù)直接建立本構(gòu)模型, 減少復雜的理論分析, 加速力學模型在工程上的應用. 反之, 也可根據(jù)力學理論挑選人工智能的建模參數(shù), 減少干擾變量、冗余變量, 甚至基于力學約束改寫損失函數(shù)、優(yōu)化算法, 提升人工智能模型訓練效率, 增強對未知數(shù)據(jù)的解釋能力, 實現(xiàn)力學理論對人工智能方法的指導.

通過構(gòu)建多個的神經(jīng)網(wǎng)絡逐步分析, 可以在每一步中引入相關的理論模型進行串聯(lián), 達到校準模型參數(shù), 構(gòu)建復雜模型的目的. 基于多級相連人工神經(jīng)網(wǎng)絡構(gòu)建的準各向同性復合材料層合板的漸進損傷模型, Zobeiry等(2020)獲得了與實驗結(jié)果高度重合的載荷?POD (pin opening displacement)曲線. 通常的神經(jīng)網(wǎng)絡系統(tǒng)均是以直接測量數(shù)據(jù)作為輸入與輸出, 而將神經(jīng)網(wǎng)絡與力學模型相連, 并改寫反向傳播(back propagation, BP)算法, 可以實現(xiàn)由間接測量數(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, 多個共享權(quán)重與偏差的神經(jīng)網(wǎng)絡構(gòu)成一個子系統(tǒng),并將神經(jīng)網(wǎng)絡的輸入(ik)與輸出(ok)通過其他力學模型子系統(tǒng)(如由經(jīng)典層合板理論推導出的運動學、動力學方程), 與可測量的輸入(Is)與輸出(Os)相連接, 成功學習了復合材料非線性面內(nèi)剪切本構(gòu)方程以及失效起始準則, 與相應理論分析結(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、代表性體積元和均勻化理論等與神經(jīng)網(wǎng)絡方法相結(jié)合, 由力學模型組成神經(jīng)元, 構(gòu)建了深度材料網(wǎng)絡. 該方法彌補了普通神經(jīng)網(wǎng)絡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)出良好的預測性能. Yang H等(2020)基于模擬得到的不同加載路徑下的平均應力?應變數(shù)據(jù), 采用人工神經(jīng)網(wǎng)絡方法訓練得到屈服函數(shù)(yielding function), 成功描述了微結(jié)構(gòu)材料的彈塑性本構(gòu)關系. 動力學目前以常微分方程為橋梁,構(gòu)建了神經(jīng)網(wǎng)絡常微分方程, 在動力系統(tǒng)的學習上展現(xiàn)了一定的潛力(Chen et al. 2018). 上述研究則為固體力學與神經(jīng)網(wǎng)絡的結(jié)合提供了多種可能. 神經(jīng)網(wǎng)絡不再單純是數(shù)據(jù)處理的工具, 而是更加緊密地與力學模型進行結(jié)合, 由神經(jīng)網(wǎng)絡挖掘數(shù)據(jù)關系, 力學理論施加物理約束, 為材料多尺度力學行為的高效、高保真模擬開辟了嶄新的途徑.

圖6

3.3 復合材料沖擊性能

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

目前已有部分研究者將人工智能方法應用于復合材料的低速和高速沖擊研究. Chandrashekhara等(1998)最先采用人工神經(jīng)網(wǎng)絡研究了低速沖擊中復合材料層合板的接觸力. Addona等(2012)根據(jù)實驗數(shù)據(jù), 采用人工神經(jīng)網(wǎng)絡預測了玻璃纖維增強復合材料層合板在承受不同程度低速沖擊損傷后的剩余拉伸強度. Laban等(2020)采用人工神經(jīng)網(wǎng)絡, 通過初始峰值力、平均載荷及壓碎力效率, 預測了受低速沖擊載荷后復合材料圓管的準靜態(tài)壓縮承載能力, 成功對該高度非線性行為進行建模, 均方差僅為0.191 N. Fernández-Fdz等(2008)將實驗、有限元和人工神經(jīng)網(wǎng)絡三者結(jié)合, 針對復合材料的高速沖擊問題, 預測了在不同的沖擊角度和沖擊速度下, 復合材料是否被穿透, 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)絡的各項預測結(jié)果與實際數(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“實驗?有限元分析?人工神經(jīng)網(wǎng)絡”這一范式, 預測了復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)絡的預測結(jié)果在訓練集和測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)絡的準確預測, 歸納得出在復合材料受沖擊側(cè)布置0°和90°鋪層有助于提高復合材料層合板的彈道極限, 實現(xiàn)了對復合材料設計的指導.

圖7

3.4 復合材料疲勞性能

由于復合材料具有疲勞損傷模式的多樣性和擴展的不規(guī)律性, 傳統(tǒng)損傷模型的適用性較差,因此復合材料疲勞性能的確定往往依賴于大量的實驗. 人工智能方法為復合材料疲勞行為的模型建立提供了新途徑, 即直接預測復合材料的疲勞性能, 而無需關注復合材料疲勞破壞的復雜機理. 因此, 采用人工智能方法預測復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, 研究了不同循環(huán)周期下復合材料鋪層順序?qū)ζ趶姸鹊挠绊? 但高周疲勞的誤差較大. 隨后, Lee 等(1999)除了考慮復合材料的拉伸強度、壓縮強度、拉伸破壞應變及拉伸模量外, 還選取了峰值應力、失效概率等疲勞試驗參數(shù)建立人工神經(jīng)網(wǎng)絡預測疲勞壽命, 預測準確度有了顯著提升. Vassilopoulos等(2006)依照同樣的思路, 通過實驗得到數(shù)據(jù)集, 建立人工神經(jīng)網(wǎng)絡預測玻璃纖維增強復合材料的疲勞壽命. El Kadi團隊(El Kadi 2008; Al-Assadi et al. 2009, 2010)則對人工智能方法復合材料單向板的疲勞壽命預測上展開了廣泛研究, 考慮了纖維取向、纖維類型等對復合材料疲勞壽命的影響, 還進一步評估了不同人工智能方法的性能. 上述研究均是基于“點對點”問題出發(fā), 即以給定的一系列輸入物理量預測輸出物理量的值, 而復合材料的疲勞損傷則是一個與時間序列密切相關的問題. 因此, Tao等(2021)使用神經(jīng)網(wǎng)絡常微分方程與β變量自動編碼器(β-variational autoencoder)對纖維增強復合材料的剛度退化行為進行建模, 并給出了相應的S-N曲線, 其預測效果顯著優(yōu)于現(xiàn)象學模型, 而無需建立復雜的力學模型. 目前的研究主要集中在恒定幅值載荷的疲勞壽命預測上, 面對更為復雜的變幅值載荷疲勞問題, 如何準確提取關鍵特征進行時間連續(xù)的疲勞壽命預測, 仍需進一步進行研究.

3.5 小結(jié)

綜上所述, 目前將人工智能應用于復合材料性能預測的主要方法是通過實驗或數(shù)值模擬收集數(shù)據(jù), 運用人工智能方法輔助力學模型建立, 或直接通過數(shù)據(jù)構(gòu)建模型, 在驗證人工智能模型可靠性后進行性能預測. 因此, 采用人工智能方法實現(xiàn)復合材料性能預測時無需建立復雜的經(jīng)驗模型, 也不存在經(jīng)驗建模的誤差, 模型的預測準確程度主要受數(shù)據(jù)集影響. 想要獲得能夠準確預測材料性能的模型, 勢必要提供大量的數(shù)據(jù), 而這又將帶來計算量的巨大提升. 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, 在預測復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), 對復合材料實驗數(shù)據(jù)庫的構(gòu)建提出了要求;(2)在海量的數(shù)據(jù)中提取到最為關鍵的特征參數(shù)以減小計算量; (3)量化所建立模型中參數(shù)的不確定性及其影響; (4)由人工智能模型預測規(guī)律實現(xiàn)對相應力學模型的構(gòu)建; (5)在人工智能模型構(gòu)建過程中合理引入力學模型, 施加物理約束, 實現(xiàn)力學理論對人工智能方法的指導.

4 復合材料優(yōu)化設計

材料設計通常是指依據(jù)積累的經(jīng)驗、歸納的實驗規(guī)律以及總結(jié)的科學原理, 來制備具有確定目標性能的材料. 傳統(tǒng)的材料設計是依賴大量實驗的不斷試錯、大面積篩選的方法. 相比于各向同性或均質(zhì)、單一材料, 復合材料的設計空間更為廣闊, 力學機理更為復雜, 目前尚不能擺脫經(jīng)驗設計方法. 而采用反復實驗的方法進行設計需要消耗大量的人力、物力以及時間成本, 且最終優(yōu)化設計得到的結(jié)果也未必是最優(yōu)解. 在這種條件下, 研究者們開始應用計算機技術輔助復合材料的設計, 以降低實驗成本, 減少設計時間. 如今, 隨著數(shù)值模擬技術的成熟以及人工智能技術的不斷發(fā)展, 使得計算機代替研究者進行模擬實驗、探索設計空間成為了現(xiàn)實, 為實現(xiàn)復合材料準確、高效的優(yōu)化設計, 提供了有效的途徑和嶄新的思路.

4.1 纖維增強復合材料的優(yōu)化設計

纖維增強復合材料以其輕質(zhì)高強的特點被廣泛用于航空航天、汽車船舶等重要領域. 以纖維復合材料在航空工業(yè)上的應用為例, 波音787客機上對于復合材料的使用已經(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). 為進一步發(fā)揮復合材料力學性能上的優(yōu)勢,提升復合材料的競爭力, 需要在維持復合材料承載能力的同時, 盡可能減小復合材料結(jié)構(gòu)件的重量以及制造成本. 因此, 復合材料的優(yōu)化設計一直是復合材料研究的重要領域. 20世紀90年代,研究者們將專家系統(tǒng)引入復合材料領域, 針對復合材料的選材與設計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, 學習能力較差, 依賴領域?qū)＜业南闰炛R, 限制了其進一步的發(fā)展. 與此同時, 遺傳算法、模擬退火、粒子群優(yōu)化等智能計算方法的研究日趨成熟, 成為求解復雜問題系統(tǒng)的有效方法. 研究者們基于一定的設計規(guī)則, 利用智能計算方法求解了簡單載荷下復合材料層合板的鋪層優(yōu)化問題, 證明了該方法相對人工設計更為準確、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)了針對較為復雜約束條件下復合材料層合板的鋪層優(yōu)化系統(tǒng), 提升了專家系統(tǒng)學習與設計的效率. 隨著有限元方法的不斷發(fā)展, 對復雜問題的求解能力逐漸增強, 將有限元與智能計算方法相結(jié)合, 使具有復雜幾何構(gòu)型和復雜承載條件的復合材料優(yōu)化成為可能. 例如, Herencia等(2007)以強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)采用非標準鋪層對受沖擊載荷的層合板進行了優(yōu)化設計, Wang 等(2016)考慮了應力約束、變形約束、屈曲約束、鋪層約束和可制造性對復合材料風力渦輪機葉片進行了優(yōu)化, 使得重量降低17.4%. 此外, 在使用智能計算時, 預先采用如K近鄰算法、樸素貝葉斯、隨機森林和決策樹等分類算法對設計變量進行了分類, 篩選關鍵設計變量, 可以大幅減少計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算方法的結(jié)合, 實現(xiàn)了利用計算機自主探索復合材料設計空間. 但相較于智能計算方法的快速響應, 有限元通常需要耗費大量計算時間, 阻礙了計算機自主設計速度的進一步提升. 對于一些經(jīng)典力學問題, 可以通過采用理論計算而非有限元的方法來節(jié)省計算時間. 將經(jīng)典層合板理論與智能計算方法進行結(jié)合, 可以實現(xiàn)針對復合材料強度問題的多目標優(yōu)化, 減少復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合材料層合板強度問題的解析解, 運用文化基因算法進行了纖維、基體的選擇以及鋪層順序的優(yōu)化. Kamarian等(2018)利用Mori-Tanaka方法、廣義微分求積法計算了八層對稱鋪層矩形層合板的固有頻率, 結(jié)合螢火蟲算法對鋪層順序進行了優(yōu)化, 得到了最大固有頻率的鋪層設計. 優(yōu)化結(jié)果表明, 螢火蟲算法雖然會損失少量計算精度, 但設計效率可提升上百倍.Wagner等(2019)以理想/非理想屈曲載荷下的單邊界攝動法分析得到的數(shù)據(jù)為基礎, 訓練決策樹模型得到一般性的設計建議, 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, 該方法設計的層合板具有更高屈曲載荷以及更低的缺陷敏感度.

上述研究均針對簡單載荷或簡單構(gòu)型下的復合材料展開, 因此理論計算取得了較好的效果.但對于復雜的復合材料結(jié)構(gòu)或缺乏理論解的受載情況, 上述方法則難以應用. 受神經(jīng)網(wǎng)絡在復合材料性能預測上應用的啟發(fā), 一些研究者使用已成功訓練的神經(jīng)網(wǎng)絡對材料性能進行快速預測,逐漸形成如圖8所示的神經(jīng)網(wǎng)絡與智能計算相結(jié)合的優(yōu)化設計方法, 大幅提升了優(yōu)化問題的計算效率. Jayatheertha等(1996)訓練人工神經(jīng)網(wǎng)絡代替有限元方法, 與模擬退火算法相結(jié)合, 對在剛度與強度約束下層合板的鋪層順序進行了優(yōu)化. Zhang 等(2008)通過人工神經(jīng)網(wǎng)絡, 由復合材料的最大應力預測其強度特性, 再進一步使用遺傳算法對2.5維編織復合材料的包纏纖維密度及填充纖維密度進行了優(yōu)化, 實現(xiàn)了復合材料的減重設計. Szklarek等(2020)采用人工神經(jīng)網(wǎng)絡與遺傳算法相結(jié)合的方式, 對復合材料U型板的鋪層順序進行了優(yōu)化, 提升了臨界屈曲載荷.Bisagni 和 Lanzi (2002)針對復合材料的后屈曲優(yōu)化問題, 訓練人工神經(jīng)網(wǎng)絡取代非線性有限元分析, 采用遺傳算法優(yōu)化復合材料板的鋪層、加強筋鋪層、加強筋數(shù)量及加強筋形狀四個設計變量, 使復合材料加筋板的重量減少約18%. 此外, 他們還對復合材料圓柱殼、三維編織復合材料加筋板的后屈曲問題進行了優(yōu)化設計, 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算方法, 目前纖維增強復合材料的主要設計思路可以概括如下:首先, 根據(jù)設計參數(shù), 計算得到復合材料的性能; 其次, 基于復合材料性能的計算結(jié)果, 采用智能算法更新設計參數(shù), 探索設計空間. 而后不斷迭代, 直至復合材料性能無法提升. 而與上述思路不同, Kazi等(2020)基于實驗測得的不同短切棉纖維含量下復合材料性能的數(shù)據(jù), 選定八個力學性能指標, 利用人工神經(jīng)網(wǎng)絡反向建立了性能?纖維含量之間的關系, 直接求出目標力學性能下的纖維含量. 該方法與采用材料的設計參數(shù)預測性能類似, 均為通過人工神經(jīng)網(wǎng)絡直接建立二者之間的聯(lián)系, 再進一步進行預測. 通過設計參數(shù)預測材料性能為“多對一”的問題, 而指定的性能卻未必只有一種設計方案, 且在數(shù)據(jù)搜集階段, 仍需要大量探索設計空間. 該方法為快速設計的實現(xiàn)提供了新的思路, 但在材料優(yōu)化設計方面的應用仍需進一步的研究與評估. 生成對抗網(wǎng)絡(generative adversarial networks, GAN)和強化學習(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)化設計不謀而合, 并已成功應用在一些簡單的材料設計中. 例如, Luo C 等(2020)采用強化學習設計了基于給定禁帶的一維聲學超材料, 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,同時滿足了給定的晶體對稱性和體積分數(shù). 此外, 二者互相結(jié)合的生成對抗模仿學習(generative adversarial imitation learning, GAIL)在生成、設計領域也展現(xiàn)出巨大的潛力. 在更為復雜的復合材料優(yōu)化設計中, 上述方法均面臨著計算量大幅提升的挑戰(zhàn). 尤其是在不斷試錯中習得規(guī)律的強化學習, 對復合材料性能高效率、高保真的計算有著迫切的需求. Kalita等(2019)分別采用多目標遺傳算法和粒子群優(yōu)化算法與遺傳編程方法相結(jié)合實現(xiàn)符號回歸, 對復合材料層合板的自由振動問題進行了多尺度的優(yōu)化設計. 該方法可以針對計算密集型問題快速生成精確的多尺度優(yōu)化設計結(jié)果, 為將來進行多尺度優(yōu)化設計, 更全面、更廣泛地探索設計空間提供了可能.

4.2 顆粒/納米復合材料的優(yōu)化設計

與纖維增強復合材料類似, 材料性能計算與智能優(yōu)化算法相結(jié)合的方法在顆粒復合材料和納米復合材料的優(yōu)化設計中也被被廣泛應用. 不同于纖維增強復合材料常使用宏觀參數(shù)進行優(yōu)化, 由于顆粒/納米復合材料的微結(jié)構(gòu)能夠表征其整體的力學性能, 許多研究者從微結(jié)構(gòu)入手, 對顆粒/納米復合材料的微觀參數(shù)進行了優(yōu)化設計. Gu等(2018b)利用卷積神經(jīng)網(wǎng)絡由微觀圖像預測兩相夾雜復合材料的斷裂韌性, 并結(jié)合自學習方法, 在兩相夾雜復合材料的設計空間中不斷尋找設計參數(shù), 進行性能排序后篩選出最佳韌性的設計方法. Vinoth和Datta(2019)構(gòu)建了人工神經(jīng)網(wǎng)絡, 通過七個納米填料的幾何參數(shù)預測了超高分子量聚乙烯基納米復合材料的彈性模量以及極限拉伸強度, 并采用遺傳算法對幾何參數(shù)進行了多目標優(yōu)化, 獲得了更高的材料性能.

在對復合材料的微結(jié)構(gòu)進行優(yōu)化設計時, 關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的設計參數(shù)來確定設計空間. 若選取參數(shù)無法描述一個完整的設計空間, 那么勢必會造成設計方案的遺漏, 難以達到最優(yōu)設計的目的. 反之, 大量的設計參數(shù)可以詳細描述設計空間,但會造成智能優(yōu)化的運算量過大, 不利于求解. Xu H 等(2015)針對這一問題, 基于Relief監(jiān)督學習算法建立微結(jié)構(gòu)參數(shù)與材料性能的關系, 對大量用于確定納米復合材料微結(jié)構(gòu)參數(shù)進行反復篩選, 最終確定為一小組描述符, 并運用試驗設計/元模型方法進行優(yōu)化設計驗證, 得到的設計結(jié)果顯著優(yōu)于未篩選設計參數(shù)得到的結(jié)果. 最近, Chen和Gu (2020)構(gòu)建了一種逆設計生成網(wǎng)絡(圖9)實現(xiàn)復合材料的微結(jié)構(gòu)優(yōu)化. 該網(wǎng)絡由兩個人工神經(jīng)網(wǎng)絡構(gòu)成, 分別稱為預測神經(jīng)網(wǎng)絡與設計神經(jīng)網(wǎng)絡. 前者通過數(shù)據(jù)訓練預測復合材料的性能, 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, 而是逆向輸出復合材料的設計方案. 他們以兩相夾雜復合材料的I型斷裂韌性為例, 將該方法與遺傳算法及拓撲優(yōu)化進行了對比, 證明了這種新型的算法可以得到更高的I型斷裂韌性. 隨著對神經(jīng)網(wǎng)絡的可遷移性研究的不斷深入, 這種方法有望在訓練完成后進行對相似優(yōu)化設計問題進行快速解決, 而無需如遺傳算法、模擬退火算法、群智能算法等智能優(yōu)化算法耗費大量時間與計算資源探索設計空間, 為基于高維度高通量數(shù)據(jù)的智能優(yōu)化設計提供了可行的方案.

圖9

4.3 小結(jié)

基于人工智能實現(xiàn)快速性能預測, 并結(jié)合智能計算方法自動尋優(yōu)的方法在復合材料設計、優(yōu)化領域被越來越多的研究者關注. 這種方法根據(jù)不同設計參數(shù)對材料性能的影響尋求優(yōu)化路徑, 有的放矢, 避免了大量實驗資源和人力資源的投入. 與復合材料性能預測所面臨的的問題類似, 建立人工智能實現(xiàn)復合材料優(yōu)化設計的核心在于前期構(gòu)建材料性能數(shù)據(jù)集的有效性. 復合材料多尺度的內(nèi)部結(jié)構(gòu)特征復雜, 可供選擇的設計參數(shù)廣泛, 如何從數(shù)據(jù)中排除冗余特征, 尋找與優(yōu)化設計目標最為相關的設計參數(shù), 準確量化模型中的不確定性以及其影響, 以實現(xiàn)高效、準確的優(yōu)化設計模型的構(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測準確率, 但其是否具有良好的外推性能仍需加以驗證, 因此在構(gòu)建數(shù)據(jù)集時應保證數(shù)據(jù)信息盡可能的覆蓋目標設計空間. 最近, 生成對抗網(wǎng)絡在模型生成中取得成功應用, 深度強化學習在組合優(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抗模仿學習、深度強化學習等方法, 構(gòu)建與力學原理相結(jié)合的材料優(yōu)化設計模式, 充分挖掘人們難以認識到的復合材料規(guī)律, 設計出具有多種優(yōu)異性能的復合材料.

5 復合材料智能制造

在實際工程應用中, 內(nèi)部的缺陷和損傷會顯著降低復合材料的力學性能, 使其無法達到預期的設計目標. 在復合材料的成型及加工過程中, 借助傳感器得到復合材料在不同工藝條件下的狀態(tài), 并調(diào)整相應的工藝參數(shù), 可以有效地減少復合材料的缺陷和損傷. 在復合材料裝配、服役的過程中, 利用傳感器獲取數(shù)據(jù)進行健康監(jiān)測, 定期對復合材料健康狀態(tài)進行檢測, 實現(xiàn)復合材料的損傷識別及預警, 準確把握復合材料結(jié)構(gòu)的健康狀態(tài), 制定優(yōu)化維護策略, 可以有效提升復合材料結(jié)構(gòu)件的使用安全性. 相較于復合材料的性能預測與設計, 成型、制造、健康監(jiān)測及檢測中傳感器得到的數(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)督學習可以實現(xiàn)對于不同的缺陷及損傷是否存在的判斷, 監(jiān)督學習則被應用于缺陷及損傷的分類及量化. 將人工智能應用于復合材料的制造及健康方面具有以下優(yōu)勢: (1)減少復合材料成型及加工過程中的缺陷及損傷, 獲得設計預期的力學性能; (2)提升復合材料健康監(jiān)測及檢測精度, 實現(xiàn)對微小損傷的捕捉; (3)縮減復合材料無損檢測時間, 大幅提升檢測規(guī)模.

5.1 復合材料成型工藝

在復合材料成型中, 確定恰當?shù)墓に噮?shù)對獲得高性能復合材料至關重要. 在傳統(tǒng)的復合材料成型工藝中, 對工藝參數(shù)的制定主要集中在基體方面. 在應用廣泛的樹脂基復合材料中, 樹脂基體的固化制度的制定至關重要, 不合理的固化制度會產(chǎn)生較大的固化變形和殘余應力, 導致復合材料無法進行裝配或承載能力大幅降低. 采用數(shù)值模擬數(shù)據(jù)訓練人工神經(jīng)網(wǎng)絡, 可實現(xiàn)對樹脂固化過程中樹脂的溫度和固化度等信息的快速預測, 防止溫度過沖或固化度不足導致零件報廢(Rai & Pitchumani 1997, Su et al. 1998). Pagano等(2014)采用混合神經(jīng)網(wǎng)絡模型描述固化動力學, 結(jié)合粒子群優(yōu)化方法設計了纖維纏繞工藝中的固化制度, 提高了固化程度, 縮短了加工時間.Stamopoulos等(2018)制備了在不同熱壓罐壓力下的復合材料單向板, 采用人工神經(jīng)網(wǎng)絡建立了熱壓罐壓力與復合材料孔隙率、力學性能之間的關系. Luo L 等(2020)針對非對稱鋪層的碳/環(huán)氧復合材料的固化過程, 進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, 快速預測不同鋪層復合材料的固化后變形, 為利用非對稱鋪層設計實現(xiàn)特定形狀的復合材料提供了依據(jù). 但他們的預測結(jié)果只能應用于同樣材料、形狀的復合材料, 普適性更強的人工神經(jīng)網(wǎng)絡仍需高通量、高維度的數(shù)據(jù)進行訓練. 除利用神經(jīng)網(wǎng)絡進行固化過程的預測, Aleksendri? 等(2016)還進一步結(jié)合遺傳算法對固化制度進行了優(yōu)化, 有助于實際生產(chǎn)過程中良好固化制度的制定. 神經(jīng)網(wǎng)絡與遺傳算法的結(jié)合還可以實現(xiàn)對樹脂傳遞模塑(resin transfer molding, RTM)工藝中樹脂流動狀態(tài)的實時預測, 制定合理的樹脂注入/流出口布局, 得到穩(wěn)定、均勻的樹脂流動前沿, 減少復合材料孔隙率(Luo et al. 2001), 或?qū)︿X基復合材料的溫度梯度、冷卻速率進行優(yōu)化設計, 獲得更高的力學性能(Mazahery & Shabani 2012, Shabani & Mazahery 2012, 2013).

作為先進的復合材料自動化成型技術, 自動纖維鋪放可以對大曲率復雜曲面進行自動化鋪放, 成型效率高, 被廣泛應用于大型客機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, 目前在自動纖維鋪放中仍會產(chǎn)生一定的缺陷. 將人工智能手段引入自動纖維鋪放工藝中, 可以實現(xiàn)對于成型中缺陷的自主檢測、判斷, 纖維鋪放路徑的智能規(guī)劃, 進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)絡進行語義分割, 判斷如間隙、扭曲、褶皺等缺陷區(qū)域, 并采用Marching Squares算法生成修補路徑, 驅(qū)使機械臂對缺陷處進行修復. 該方法將人工智能與精密機器人系統(tǒng)相結(jié)合, 進一步提升了自動纖維鋪放工藝的制造精度. Vijayachandran等(2020)構(gòu)建神經(jīng)網(wǎng)絡預測了不同纖維鋪放角度下復合材料屈曲性能, 并結(jié)合遺傳算法以最大化屈曲性能為目標對纖維鋪放路徑進行優(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)針對自動纖維鋪放學習樣本數(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充了數(shù)據(jù)集, 并構(gòu)建人工神經(jīng)網(wǎng)絡驗證了虛擬樣本的有效性.

圖10

5.2 復合材料加工過程

經(jīng)過成型工藝制成的復合材料結(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, 需要進行切削、鉆削、銑削等精密加工. 不同于傳統(tǒng)材料, 復合材料加工往往較為困難, 易出現(xiàn)分層、撕裂、燒蝕等損傷, 刀具磨損也較為嚴重, 加工質(zhì)量難以保證. 利用人工智能技術, 可以對復合材料機械加工過程中的熱學、力學問題進行建模, 探究加工參數(shù)對復合材料加工質(zhì)量的影響. 例如, António等(2007)在人工神經(jīng)網(wǎng)絡的學習過程中使用遺傳算法調(diào)整超參數(shù),實現(xiàn)了對聚醚醚酮基復合材料正交切削加工中力學行為的建模. Hanafi等(2012)采用模糊邏輯方法, 由復合材料切削過程中切削速度、進給速度、切削深度預測了切削力和比切削壓力. Tsao(2007)利用徑向基函數(shù)網(wǎng)絡, 建立了復合材料鉆削加工中進給速率、主軸轉(zhuǎn)速和直徑比與鉆削推力之間的關系. Latha和Senthilkumar (2009, 2010)根據(jù)實驗數(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、進給速度以及主軸轉(zhuǎn)速預測鉆削的推力和表面粗糙度, 并表明進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)絡方法, 建立了玻璃纖維編織復合材料鉆削過程中鉆頂角、進給速度及主軸轉(zhuǎn)速與鉆孔推力、孔表面粗糙度、毛刺高度之間的關系. Babu等(2020)運用模糊推理系統(tǒng)對碳玻混雜纖維增強復合材料的鉆孔行為進行了建模, 表征了主軸轉(zhuǎn)速、鉆頭直徑、進給速度等工藝參數(shù)與推力、扭矩、分層因子及表面粗糙度之間的關系. 部分研究者還采用人工智能方法對一些非機械加工方式進行了研究. Antil等(2020)利用人工神經(jīng)網(wǎng)絡預測了碳化硅/環(huán)氧復合材料在不同電化學放電加工參數(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)絡預測了不同工藝參數(shù)下激光鉆孔的熱影響區(qū)域以及承載強度, 表明隨熱影響區(qū)域面積的增大, 被加工件的承載強度顯著降低. 適當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, 由人工智能方法實時監(jiān)測刀具和被加工件的狀態(tài), 對加工全過程進行捕捉、分析, 實現(xiàn)動態(tài)的感知、判斷、優(yōu)化. 如圖11所示, Wang,Dixit 等 (2020)在亞麻纖維增強復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)對復合材料加工過程中聲發(fā)射信號和振動信號進行提取. 利用隨機森林算法將特定頻段上的信號與加工條件、工件狀態(tài)相關聯(lián), 實現(xiàn)了對于加工狀態(tài)的監(jiān)測, 同時為加工條件的優(yōu)化提供了可能.隨后, 他們又基于聲發(fā)射監(jiān)測的方式, 與雙向門控循環(huán)神經(jīng)網(wǎng)絡相結(jié)合, 動態(tài)地通過聲發(fā)射信號對加工狀態(tài)進行了表征(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)絡的性能進行了評估, 表明其準確度約為87%. 該方法有望實現(xiàn)在加工過程中實時調(diào)整加工參數(shù), 以達到更為優(yōu)良的加工效果.

圖11

5.3 復合材料無損檢測

無損檢測是通過合理有效的檢測手段, 及時、準確地發(fā)現(xiàn)復合材料內(nèi)部的損傷, 評估復合材料的安全性、可靠性. 復合材料在正常服役條件下通常不會發(fā)生突然的破壞, 其失效往往是由于損傷的不斷積累, 因此采用無損檢測方法對復合材料進行檢測可以及時發(fā)現(xiàn)問題, 有效規(guī)避風險, 提高復合材料使用的安全性. 現(xiàn)有的無損檢測方法在獲得檢測信號后, 通常還需要人工判斷是否有損傷或損傷的部位. 采用人工智能技術對檢測信號進行處理, 可以實現(xiàn)對損傷自動、高效的判斷, 對細微特征信號的捕捉. Graham等(2004)基于高溫超導量子干涉儀的檢測數(shù)據(jù), 采用梯度閾值檢索函數(shù)進行特征提取后建立人工神經(jīng)網(wǎng)絡成功判斷了復合材料沖擊損傷的位置. 該方法有效提升了無損檢測的效率, 特征提取也使得在數(shù)據(jù)含有環(huán)境噪聲下的檢測精度有所提高.針對復合材料夾心結(jié)構(gòu), Just-Agosto等(2008)利用振動的模態(tài)響應識別面板、界面及夾心的損壞, 熱成像技術對振動分析無法檢測的細小穿孔進行補足, 貝葉斯神經(jīng)網(wǎng)絡將二者數(shù)據(jù)相結(jié)合進行建模, 實現(xiàn)了對復合材料夾心結(jié)構(gòu)損傷的類型、位置以及大小的精確檢測. De Fenza等(2015)在使用蘭姆波的無損檢測中, 根據(jù)檢測信號定義了損傷指數(shù)作為結(jié)構(gòu)破壞的決定因素, 并進一步引入了人工神經(jīng)網(wǎng)絡和概率橢圓方法, 實現(xiàn)了對于復合材料損傷的識別. Xu 等(2019)對濕熱環(huán)境下產(chǎn)生損傷的復合材料單搭接接頭的聲發(fā)射數(shù)據(jù), 對主成分進行分析選取關鍵參數(shù)后, 利用改進的K均值聚類方法確定了檢測信號與損傷模式間的關系. Liu P 等(2019)在59.5 m長的復合材料風機葉片上布置傳感器陣列, 對檢測信號進行快速傅里葉變換和時差分析定位損傷源, 并使用K均值聚類方法識別了不同的損傷模式. 該方法充分考慮了超聲信號在葉片中的衰減規(guī)律, 實現(xiàn)了對在大型復合材料結(jié)構(gòu)件中的損傷進行精確判斷和定位. Khatir等(2019)針對復合材料層合板的振動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, 對復合材料層合板的損傷進行量化, 大幅縮減了無損檢測所需要的時間. Cacciola等(2013)以超聲檢測為基礎, 結(jié)合貝葉斯神經(jīng)網(wǎng)絡對復合材料進行無損檢測. 不同于其他研究者將檢測數(shù)據(jù)置于計算機上進行離線處理, 他們通過現(xiàn)場可編程門陣列的可重新編程性在實際應用中迅速改變網(wǎng)絡的參數(shù), 成功實現(xiàn)了增量學習, 對未來實現(xiàn)無損檢測的在線學習具有重要意義.

連續(xù)纖維增強復合材料是目前復合材料結(jié)構(gòu)件的主要應用形式. 由于在厚度方向缺少增強,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. 分層損傷會導致復合材料的強度及剛度顯著降低, 造成結(jié)構(gòu)的災難性破壞, 不利于復合材料服役過程中的穩(wěn)定性、安全性. 上述無損檢測方法也同樣適用于復合材料的分層檢測, 例如將人工神經(jīng)網(wǎng)絡與聲發(fā)射技術結(jié)合, 可以實現(xiàn)對分層損傷定性、定量的分析(Su & Ye. 2004, 2005; Pan et al. 2006). 除此之外, 根據(jù)損傷理論, 復合材料發(fā)生分層后其模態(tài)及固有頻率會發(fā)生顯著改變, 因此基于模態(tài)響應和固有頻率的分析被廣泛應用于分層損傷的檢測. Okafor等(1996)根據(jù)分層損傷理論模型及實驗得到的數(shù)據(jù)訓練人工神經(jīng)網(wǎng)絡, 通過模態(tài)頻率預測了分層損傷的大小, 取得了較好的效果. Valoor和Chandrashekhara (2000)在建立模型時考慮了泊松效應和橫向剪切, 使人工神經(jīng)網(wǎng)絡預測的損傷大小和位置更貼近實際. 相較于采用實驗或理論模型生成訓練數(shù)據(jù), 有限元方法能以較低的成本獲得大量復雜復合材料結(jié)構(gòu)的數(shù)據(jù)集, 提升該方法對不同問題的適應性. 利用有限元生成數(shù)據(jù)集訓練的人工神經(jīng)網(wǎng)絡, 在單向板和復雜鋪層結(jié)構(gòu)層合板上均展現(xiàn)出了良好的預測效果(Chakraborty 2005, Nasiri et al. 2011). Zhang 等(2019)利用有限元結(jié)合人工神經(jīng)網(wǎng)絡的方法對復合材料彎曲板的分層損傷進行檢測, 其定位精度可達90.57%. 基于分層理論、高階電勢場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, 并訓練如多層感知機、支持向量機、卷積神經(jīng)網(wǎng)絡等監(jiān)督學習方法對分層損傷進行分類、預測(Khan & Kim 2018, Khan A et al. 2019). Zheng等(2009, 2011)則將分層檢測中采用的多種神經(jīng)網(wǎng)絡與層次遺傳算法、最小二乘法、遺傳模糊混合學習算法等相結(jié)合, 大幅提高了預測系統(tǒng)的魯棒性, 對未來的工業(yè)應用具有重要意義.

圖12

5.4 復合材料健康監(jiān)測

針對復合材料結(jié)構(gòu)特點及應用環(huán)境發(fā)展形成的健康監(jiān)測技術, 可以在復合材料結(jié)構(gòu)使用過程中采集健康狀況信息, 提高復合材料結(jié)構(gòu)的安全性. 不同于無損檢測技術, 復合材料健康監(jiān)測以在材料上布置傳感器為基礎, 實現(xiàn)了對于復合材料狀態(tài)的實時監(jiān)測, 減少不可逆損傷的發(fā)生,大幅降低了復合材料結(jié)構(gòu)件的維護成本, 提高了復合材料的使用安全性(Worden & Staszewski 2000). 利用人工智能技術對傳感器采集的信號進行自主分析, 可以實現(xiàn)由聲、光、電阻等物理信息到復合材料受載、損傷狀態(tài)信息的智能轉(zhuǎn)換, 而無需人力進行大量判斷. Yuan等(2005)基于受損層合板的蘭姆波數(shù)據(jù), 訓練了Kohonen神經(jīng)網(wǎng)絡, 成功實現(xiàn)了對不同損傷模式的實時判別. Song等(2007)根據(jù)碳纖維增強復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)絡建立了復合材料電阻值和應變間的關系, 實現(xiàn)了對復合材料簡單受載狀況的實時監(jiān)測. Fu T 等(2015)使用菱形光纖聲發(fā)射傳感器陣列檢測復合材料受沖擊時的應力波, 實現(xiàn)了最大定位誤差僅為6.3 mm的高精度監(jiān)測. Sai等(2019)應用光纖布拉格光柵傳感器陣列和窄帶激光解調(diào)技術,監(jiān)測復合材料受沖擊后的聲信號, 建立了基于極限學習機的沖擊定位模型, 在500 mm×500 mm正方形板件的沖擊定位實驗中, 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)基于復合材料層合板中的損傷會改變應變分布這一現(xiàn)象, 由人工神經(jīng)網(wǎng)絡實現(xiàn)了“光纖信號?應變?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現(xiàn)了對損傷程度的實時預測. 由于線性回歸計算快捷, 實現(xiàn)簡單, 有望在未來應用于復合材料結(jié)構(gòu)可靠性的在線評估.

除了將傳感器布置到復合材料表面外, 還可在復合材料的內(nèi)部埋入傳感器, 形成如圖13所示的“智能復合材料”. 一些智能復合材料還可根據(jù)應用場景布置處理器、致動器和修復元件, 結(jié)合力學模型以達到自感知、自驅(qū)動、自學習、自修復的目標. 以人工智能方法替代傳統(tǒng)模型進行判斷, 進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, 減少侵入式布置對復合材料造成的損傷. 針對復合材料振動抑制這一問題, 傳統(tǒng)的智能復合材料一般通過內(nèi)置的壓電傳感器感知材料當前振動狀況, 而后結(jié)合動力學方程, 驅(qū)動壓電致動器削弱復合材料的振動直至穩(wěn)定(Saravanos et al. 1997, Narayanan & Balamurugan 2003). 而通過仿真數(shù)據(jù)訓練如人工神經(jīng)網(wǎng)絡、對角遞歸神經(jīng)網(wǎng)絡等人工智能模型, 并在智能復合材料中代替?zhèn)鹘y(tǒng)的動力學方程, 使其對復雜載荷環(huán)境的適應性有所提高, 具有更好的魯棒性(Valoor et al. 2000,Srivastava et al. 2016). 在智能復合材料的損傷判斷中, 人工智能模型也有效實現(xiàn)了對損傷位置、狀態(tài)的準確判斷, 甚至對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)絡對沖擊損傷進行精確定位外, 還進一步監(jiān)測了沖擊發(fā)生的時間和破壞程度, 實現(xiàn)對沖擊損傷的溯源. Khan 和Kim (2020)基于復合材料中壓電材料的低頻響應, 在數(shù)據(jù)處理時采用主成分分析法剔除了冗余的數(shù)據(jù)特征, 解決了智能復合材料損傷分類中的過擬合問題. Alvarez-Montoya等(2020)在無人機復合材料機翼前梁中布置了20個光纖布拉格光柵進行應變感知, 采用自組織圖和主成分分析方法實現(xiàn)基于應變場的損傷模式識別. 該智能復合材料機翼在實際飛行實驗中對于人為引入損傷的檢測精度可達98.1%, 為未來實現(xiàn)飛行器復合材料結(jié)構(gòu)的自主損傷監(jiān)測提供了良好的范例.

圖13

5.5 小結(jié)

復合材料成型過程、加工過程以及健康狀態(tài)的檢測、監(jiān)測是人工智能應用相對成熟的領域.結(jié)合人工智能可以提升對于傳感器信號數(shù)據(jù)處理的效率及精度, 并捕捉信號與復合材料狀態(tài)之間不易發(fā)覺的潛在關系. 復合材料在服役過程中通常面臨復雜的工作環(huán)境, 具有應力場、溫度場、濕度場、電場等多場相互耦合的特點. 因此, 目前面臨的主要挑戰(zhàn)是如何準確地從龐雜的傳感器信號中清理噪聲信號, 抽取、分離關鍵特征, 明確各個因素對復合材料狀態(tài)的影響及時變特性,建立響應數(shù)據(jù)到材料狀態(tài)甚至結(jié)構(gòu)性能的關系模式, 實現(xiàn)時間、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)展的深度學習在特征抽取上有著顯著的優(yōu)勢, 降低了對于傳感器信號關鍵特征的提取難度, 有望在未來實現(xiàn)對具有復雜構(gòu)型復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

工程應用領域?qū)哂懈吡W性能的輕量化材料的需求日益迫切, 如何設計并制造出具有卓越力學性能的復合材料結(jié)構(gòu), 以進一步發(fā)揮復合材料本身輕質(zhì)高強的優(yōu)勢, 已逐漸成為復合材料研究的核心領域之一. 目前復合材料的設計主要依賴于設計者在生產(chǎn)設計領域積累的經(jīng)驗知識,但這種經(jīng)驗設計的方法往往需要耗費大量的人力物力, 設計周期長, 且無法保證能夠達到全局最優(yōu)解. 近些年來, 與數(shù)值模擬相結(jié)合的拓撲優(yōu)化被成功應用于結(jié)構(gòu)設計領域(Sigmund & Maute 2013). 但由于復合材料本身的特性, 其拓撲優(yōu)化計算量巨大, 設計約束難以明確, 且難以保證優(yōu)化后的工藝性. 如何擺脫傳統(tǒng)先驗式、積木式的設計方法, 實現(xiàn)對復合材料設計空間進行智能探索, 縮短設計周期, 提高設計質(zhì)量, 將是復合材料未來研究的新需求.

近些年來, 隨著人工智能技術的不斷發(fā)展, 為如生物、醫(yī)藥、地球物理等許多傳統(tǒng)研究領域的研究者們提供了新思路、新方法. 在復合材料領域, 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測, 已逐漸形成以實驗結(jié)果為基礎, 以數(shù)值模擬方法生成數(shù)據(jù)集, 以人工智能方法進行建模預測的成熟范式. 而最近提出的多精度深度神經(jīng)網(wǎng)絡可以由大量低成本、低精度的數(shù)據(jù)捕捉趨勢特征后, 對少量的高成本、高精度數(shù)據(jù)進行精確擬合, 在復合材料的多尺度、高保真性能預測中有著巨大的應用潛力(Meng & Karniadakis 2020, Motamed 2020). 人工智能賦能下的“性能預測?材料設計”這一迭代優(yōu)化設計模式也已有雛形, 強化學習在材料的精準逆向設計中也有著廣闊的前景. 將復合材料設計制造、狀態(tài)監(jiān)測與人工智能、大數(shù)據(jù)、新型制造方法相結(jié)合, 勢必成為復合材料發(fā)展的新趨勢.

3D打印技術在復合材料領域的應用, 為復合材料的快速制造提供了可能. 目前, 人工智能技術已初步應用于3D打印產(chǎn)品的設計、實時監(jiān)測和工藝參數(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)揮復合材料力學性能上的優(yōu)勢(吳陳銘等2019). 以機械臂為基礎的多自由度3D打印技術則成為解決上述問題的關鍵. 在多自由度3D打印中, 曲面層打印下的切片和路徑規(guī)劃、視覺反饋用于精準定位、多機協(xié)作打印提升靈活性等問題亟需人工智能的智能優(yōu)化、機器視覺、多智能體等技術賦能. 因此, 有望在“性能預測?材料設計”這一模式完成設計后, 基于多自由3D打印方法快速制造具有復雜構(gòu)型的復合材料.

隨著大數(shù)據(jù)時代的來臨, 數(shù)字孿生技術在復合材料的制造加工、缺陷控制、狀態(tài)監(jiān)測等領域也逐漸開始興起(Eder & Chen 2020, Ghanem et al. 2020, Polini & Corrado 2020, Seon et al.2020). 結(jié)合人工智能技術, 數(shù)字孿生可以在計算機中快速建立數(shù)字模型, 將產(chǎn)品設計、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)動數(shù)字模型的狀態(tài)趨近于實體. 數(shù)字模型與實體狀態(tài)互為補充, 實體狀態(tài)提供數(shù)據(jù)彌補數(shù)字模型的非真實性, 實現(xiàn)完全仿真, 數(shù)字模型補充實體狀態(tài)數(shù)據(jù)的非完整性, 實現(xiàn)對實體全方位的預測與診斷. 將人工智能與數(shù)字孿生技術結(jié)合, 有望在未來實現(xiàn): (1)預先對復合材料進行虛擬的設計、制造、裝配及分析, 加速設計方案改進. (2)實時監(jiān)測復合材料結(jié)構(gòu)件的外部環(huán)境和內(nèi)部狀態(tài), 實現(xiàn)智能評估、環(huán)境優(yōu)化. (3)對復合材料結(jié)構(gòu)件的檢測與維修, 由現(xiàn)在的“出現(xiàn)問題后診斷”到全壽命的實時診斷, 乃至對結(jié)構(gòu)狀態(tài)實現(xiàn)預先診斷以實施預防性的保護措施, 增強復合材料結(jié)構(gòu)件的安全性.

目前, 人工智能在復合材料的設計、制造和健康監(jiān)測等方面仍處于相對初步的階段, 但已經(jīng)展現(xiàn)出非凡的潛力. 有理由期待在未來, 以人工智能技術為橋梁, 將力學、材料、機器人、計算機等學科在復合材料領域緊密連接, 為復合材料技術注入新的生機與活力.

致 謝 國家杰出青年科學基金(11625210)、國家重點研發(fā)計劃(2020YFB0311500)、上海市浦江人才計劃(2020PJD072)以及中央高?；究蒲袠I(yè)務費專項資金資助項目.