[发明专利]一种复合材料固化工艺建模方法

说明书

一种复合材料固化工艺建模方法，能够实现固化工艺到复材零件固化过程状态信息的映射。其特征在于，首先，获取一组固化工艺数据，然后，获取每一个固化工艺下复材零件的固化过程中的状态信息，再利用上述样本数据训练一个神经算子模型，经过升维映射、迭代核积分、降维映射、物理约束四个过程实现固化工艺到复材零件固化过程状态信息的映射。本发明可广泛应用于复合材料固化工艺建模，所建模型可用于固化状态信息快速预测、固化工艺优化、固化过程监测等。

技术领域

本发明涉及一种复合材料固化成型技术领域，尤其是一种复合材料固化工艺，具体地说是一种输入固化工艺输出固化过程状态信息的复合材料固化工艺建模方法。

背景技术

近年来，复合材料凭借其轻质高强的材料属性被广泛应用于航空航天、汽车和船舶等领域。复合材料固化成型是指采用一定的固化工艺使得复合材料内部发生一系列物理-化学变化并最终成型的过程，是复合材料生产制造过程中的关键一环。

固化工艺直接决定了复合材料零件在固化过程中温度场和固化度场的演变，因此必须认真设计。若设计不当会出现不完全固化、严重温度过冲、残余应力和变形过大等现象，大大降低复合材料成型的质量。为了规避上述问题，传统物理模型方法基于有限元方法、有限差分方法或商用仿真软件等，通过设置几何形状、边界条件、初始条件和网格划分等参数，仿真获得给定固化工艺下复材零件固化过程中的温度、固化度等状态信息。物理模型方法可以获得高保真的固化过程状态信息，但针对新的固化工艺需要重新仿真，对于单次仿真时间很长的大型复杂的复合材料零件，物理模型方法在仿真效率上无法满足实际需求。

新兴的数据驱动方法能够利用固化工艺数据和物理模型方法获得的高保真仿真数据，训练获得一个高效、准确的代理预测模型。然而，不管是神经网络还是其他机器学习方法，都只能实现低维或有限维的输入到低维或有限维输出的映射学习，因此绝大多数方法都是将输入的固化工艺简化为几个特征，如升温速率、保温温度、保温时间等，将输出的固化过程状态信息简化为几个关键的过程状态指标，如固化过程温度状态信息的热滞后、放热峰值等。这类方法虽然预测效率高，但是简化明显，无法真正实现输入固化工艺，输出固化过程状态信息的建模目标。因此本发明提出一种复合材料固化工艺建模方法，能利用样本数据和物理先验知识训练一个满足物理约束的神经算子模型，实现从固化工艺到复材零件固化过程状态信息的高效预测。

发明内容

本发明的目的是现有的复合材料固化工艺模型建模周期长，仿真效率低的问题，一种复合材料固化工艺建模的方法，用于实现固化工艺到复材零件固化过程中的状态信息的映射，所建模型可用于固化状态信息快速预测、固化工艺优化、固化过程监测等。

本发明的技术方案是：

一种复合材料固化工艺建模方法，其特征是它包括以下步骤：

首先，获取一组固化工艺数据N为固化工艺个数，每一个固化工艺x_i(t)包括温度工艺信息T(t)和/或压力工艺信息P(t)，T(t)和P(t)分别表示固化过程中每个时间点处的温度和压力；然后，获取每一个固化工艺x_i(t)下复材零件的固化过程中的状态信息y_i(t)，y_i(t)包括固化过程中复材零件各点或某些指定点处的温度、固化度、应力、应变、刚度、柔度和变形中的一个或多个量；最后，利用样本数据和物理先验知识训练一个满足物理约束的神经算子模型，实现固化工艺到复材零件固化过程状态信息的映射。

所述的固化过程状态信息获取的方法可以是：采用有限元法求解；采用有限差分法求解；采用商用仿真软件求解或固化实验过程监测。

所述的满足物理约束的神经算子模型是逼近算子映射的神经网络，该网络包括升维映射、迭代核积分、降维映射和物理约束四个部分。

所述的升维映射是使用一个或多个全连接层或卷积层将x_i(t)映射成一个更高维的隐式表示，可看作是一种局部算子，能够提高网络的表示能力；