使用機器學習提升復合材料加工模擬速度1000~10000倍
復合材料工藝仿真中引入使用機器學習模型，可以實現(xiàn)了比傳統(tǒng)有限元模型快1000 到 10000 倍的速度增益，從而實現(xiàn)對大型復合材料部件進行近乎實時的仿真。
纖維增強復合材料的加工是一個復雜的多物理場問題，涉及傳熱和傳質、熱化學相變以及高度非線性和時間相關的粘彈性應力發(fā)展。為了降低制造風險和總體生產(chǎn)成本，減少缺陷，復合材料制造企業(yè)更越來越重視加工過程的模擬，而不是依賴專有技術和試錯法。
這種數(shù)字化方法在以前通常使用通用商用有限元 來進行仿真分析，例如 ABAQUS、 ANSYS、 COMPRO等，都可以用于表示加工過程中復合材料性能的復雜演變。這種方法依賴于對受到對流加熱的零件和模具進行昂貴的三維有限元分析。在初步設計階段，需要多次設計迭代才能最終確定零件厚度、鋪層、固化周期以及模具材料和幾何形狀等細節(jié)。對于給定的大型部件，例如復合材料機翼蒙皮，使用三維有限元模擬的分析可能需要數(shù)周時間才能完成。
為了加速該過程的模擬，可以在初步設計階段使用降階有限元代替 3D 有限元。例如，對于薄復合材料零件的熱化學分析，用1D有限元分析可以很好地近似于零件的 3D 響應，并且可以將復雜零件劃分為特定的區(qū)域以執(zhí)行多個 1D 有限元分析，而不是對整個零件進行完整 的3D有限元分析，因此可以加快初步設計階段的過程模擬。
然而，這種方法存在計算速度-保真度之間的矛盾權衡。且從初步設計轉向詳細設計階段時，仍需要完成大量 的3D有限元模擬。即使使用支持降階過程模擬的軟件，例如 Convergent Manufacturing Technologies 的復合材料可生產(chǎn)性評估 - 熱分析 (CPA-TA)，大型復合材料組件的模擬仍需要幾分鐘到一個小時。盡管與全 3D有限元相比已經(jīng)取得了顯著的進步，但它仍然不夠快，無法有效地探索整個設計范圍以進行優(yōu)化。
圖1 仿真精度和仿真效率之間的平衡
用機器學習代替有限元
鑒于機器學習 (ML) 和數(shù)據(jù)驅動方法的快速發(fā)展，許多科學和工程領域都已經(jīng)開始嘗試機器學習的應用。華盛頓大學的 Navid Zobeiry 教授、不列顛哥倫比亞大學的 Anoush Poursartip 教授和 Convergent Manufacturing Technologies 的研究團隊提出了一種應用高效的機器學習代理模型取代傳統(tǒng)有限元模擬的方法。在這種方法中，先用有限元方法根據(jù)輸入?yún)?shù)的不同自動生成大量數(shù)據(jù)樣本。然后，將這些數(shù)據(jù)用于訓練不同的機器學習模型，例如神經(jīng)網(wǎng)絡 (NN)、隨機森林模型或高斯過程回歸 (GPR) 模型。
一個經(jīng)過適當訓練的代理模型可以非常接近地擬合用于訓練它的有限元模型，并且可以顯著地提高模擬速度。在這項研究中，研究人員采用神經(jīng)網(wǎng)絡（NN）?模型來代替降階 有限元模型，將有限元模擬生成的數(shù)據(jù)以及控制復合材料固化問題的理論（即理論引導機器學習）進行訓練。這些神經(jīng)網(wǎng)絡模型可以使用與有限元模擬相同的輸入來預測復合材料加工過程中的關鍵性能指標，包括放熱固化反應期間的最高零件溫度。計算結果表明，基于典型的計算工作站，使用機器學習模型實現(xiàn)的速度增益是有限元模型的 1000 到 10000 倍，這為大型復合材料組件實現(xiàn)了近乎實時的仿真速度。
圖 2 顯示了一個具有代表性的 5 x 10 米機翼蒙皮，其典型的鋪層設計包含 40 ~ 80 層厚度。采用ABAQUS 的插件 COMPRO 在典型的計算機工作站上通過 3D 有限元分析 機翼蒙皮的工藝過程模擬需要幾個小時，另外，進行流程優(yōu)化更需要幾天甚至幾周的時間。在第二次演示中，將機翼蒙皮分成 30 個 1D 分區(qū)。使用降階有限元對三個溫度環(huán)境和三個模具厚度下的整個機翼蒙皮進行了九次模擬，在同一臺計算機上花費了大約半小時。在最后的演示中，使用 CPA-TA 中經(jīng)過訓練的 NN 模型進行了相同的模擬，結果非常好。與降階有限元類似，這些模擬只用了兩秒鐘就完成了。這些模擬方法的比較（圖 2）證實了機器學習方法能夠實現(xiàn)近乎實時的模擬能力并為復雜的復合材料結構節(jié)省大量研發(fā)時間。
圖2 不同方法的計算耗時對比
參考文獻：
[1]Zobeiry N, Poursartip A. Theory-guided machine learning for process simulation of advanced composites[J]. arXiv preprint arXiv:2103.16010, 2021.
[2]Zobeiry N, Stewart A, Poursartip A. Applications of machine learning for process modeling of composites[C]//SAMPE Virtual Conference. 2020.
公眾號后臺回復“復合材料+機器學習”獲取上述文獻。
機器學習的前提是要有大量的數(shù)據(jù)，復合材料制造過程的數(shù)據(jù)來源于傳統(tǒng)的有限元分析，因此想實施上述工作，工藝仿真基礎還是要必備的，那怎么來準備機器學習的大量數(shù)據(jù)呢？本月底即將舉辦的“第二期復合材料固化仿真培訓”就是全面講述采用有限元法來模擬固化殘余應力和固化變形的課程。如果你想打下堅實的固化仿真分析基礎，趕快來關注吧。
更多關于復材固化的知識點?敬請關注
【理論+模型+代碼】
【線上+線下】【授課+答疑】
? ? ? ? ? ? ? ?
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?復合材料力學 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
專注于復合材料力學領域的知識創(chuàng)作與分享！
? ? ? ? ? ? ? ? ? ? ? ?
公眾號
公眾號首頁回復以下數(shù)字可獲取相應信息
【01】：歷史文章?【02】：投稿指南?【03】：視頻資料
【04】：材料庫? ??【05】：技術培訓?【06】：項目合作
【07】：商務合作?【08】：文章轉載?【09】：加入我們
【10】：聯(lián)系我們?【11】：交流群? ??【12】：意見建議
本文使用 文章同步助手 同步
