(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211047205.6 (22)申请日 2022.08.29 (71)申请人 同济大学 地址 200092 上海市杨 浦区四平路1239号 (72)发明人 杨伟东　范帅杰　王彪　张峻铭　 陈吉平　李岩　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 专利代理师 蔡彭君 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06F 17/11(2006.01) G06V 10/766(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) G06F 111/10(2020.01) G06F 113/26(2020.01) G06F 119/08(2020.01) G06F 119/14(2020.01) (54)发明名称 一种复合材料结构固化变形预测方法、 装置 及存储介质 (57)摘要 本发明涉及一种纤维增强复合材料结构固 化变形预测方法、 装置及存储介质， 其中方法包 括： 基于有限元数值仿真法构建样本集， 并随机 确定铺设角度， 得到样本集； 对样本集数据进行 数据预处理； 划分训练集和测试集； 建立基于卷 积神经网络的结构固化变形预测模 型， 所述结构 固化变形预测模 型的输入为铺设角度彩色图像， 输出为结构固化变形云图； 给定卷积神经网络的 初始网络结构参数、 超参数和损失函数； 基于训 练集对结构固化变形预测模型进行回归学习； 保 存模型； 基于测试集对模型的预测效果进行验 证。 与现有 技术相比， 本发明能有效、 快速的预测 连续纤维增强复合材料结构的固化变形， 解决了 铺层形式多样造成的固化变形 预测困难问题。 权利要求书2页 说明书8页 附图4页 CN 115470669 A 2022.12.13 CN 115470669 A 1.一种基于深度学习的纤维增强复合材料结构固化变形预测方法， 其特征在于， 包括 以下步骤： 步骤1)基于热 ‑化学‑力‑位移场顺序耦合的有限元数值仿真法构建连续纤维增强复合 材料结构初始样 本集， 并随机确定初始样本集中的每一样 本对应的铺设角度， 得到样本集， 所述样本集数据包括铺设角度、 节点编号、 节点 坐标和与节点 坐标对应的固化变形 数值； 步骤2)对样本集数据进行数据预处理， 将铺设角度转换为铺设角度彩色图像， 将固化 变形数值与坐标进行匹配得到结构固化变形云图； 步骤3)将预处 理后的样本集划分为训练集和 测试集； 步骤4)建立基于卷积神经网络的结构固化变形预测模型， 所述结构固化变形预测模型 的输入为铺设角度彩色图像， 输出为结构固化变形云图； 步骤5)给定卷积神经网络的初始网络结构参数、 超参数和损失函数； 步骤6)基于训练集对结构固化变形预测模型进行回归学习， 使用批随机梯度下降法训 练样本， 计算模型损失与精度， 并迭代网络结构参数， 直到模型收敛， 得到铺设角度彩色图 像与结构固化变形云图之间的映射关系， 完成训练； 步骤7)保存训练完成的结构固化变形 预测模型； 步骤8)基于测试集对训练完成的结构固化变形 预测模型的预测效果进行验证。 2.根据权利要求1所述的一种基于深度学习的纤维增强复合材料结构固化变形预测方 法， 其特征在于， 所述 步骤1)包括以下步骤： 步骤1‑1)基于有限元分析软件， 给定纤维增 强复合材料构件的热边界与材料的热 ‑化 学性能参数， 进行温度场的传热分析； 步骤1‑2)利用顺序耦合方法， 在有限元分析软件中给定模型的约束和材料的力学参数 与膨胀系数， 基于CHILE模型确定树脂固化过程中弹性模量Em和剪切模量Gm的变化， 结合复 合材料细观力学混合定律得到复合材 料的性能参数； 步骤1‑3)将传热分析结果作 为预定义场载荷， 进行力 ‑位移分析， 采用有限元仿真计算 得到节点编号、 节点 坐标和与节点 坐标对应的固化变形 数值； 步骤1‑4)根据需求确定样本数量 N； 步骤1‑5)在给定的铺设角度中随机选取预配置数量的铺设角度作为样本集中各样本 的输入角度， 生成N个铺设角度输入量； 步骤1‑6)基于铺设角度、 节点编号、 节点坐标和与节点坐标对应的固化变形数值建立 样本集。 3.根据权利要求2所述的一种基于深度学习的纤维增强复合材料结构固化变形预测方 法， 其特征在于， 所述温度场的控制方程 为： 其中， ρc表示复合材料密度， Cc表示复合材料比热容， 表示升温速率， k表示复合材料 的各向异性传热系数， 表示树脂固化产热速率： 其中， α 表示固化度， 表示固化速率， cf表示纤维体积含量， ρr表示树脂密度， HR表示树权　利　要　求　书 1/2 页 2 CN 115470669 A 2脂固化反应的总放热。 4.根据权利要求1所述的一种基于深度学习的纤维增强复合材料结构固化变形预测方 法， 其特征在于， 所述步骤3)具体为： 将样本集中的铺设角度和节点坐标进行归一化处理， 并将铺设角度转换为三通道的铺设角度彩色图像， 将铺设角度彩色图像转换为二 维图像矩 阵形式， 基于归一化后的节点坐标和固化变形数值， 利用函数生成结构固化变形云图， 并将 结构固化变形云图转换为 二维图像矩阵形式。 5.根据权利要求1所述的一种基于深度学习的纤维增强复合材料结构固化变形预测方 法， 其特征在于， 所述初始网络结构参数包括神经网络结构、 卷积核大小、 滤波器数目。 6.根据权利要求5所述的一种基于深度学习的纤维增强复合材料结构固化变形预测方 法， 其特征在于， 所述损失函数为平均绝对百分比误差 MAPE： 其中， 为标签值， y(i)为预测值， m为训练集样本数。 7.根据权利要求5所述的一种基于深度学习的纤维增强复合材料结构固化变形预测方 法， 其特征在于， 步骤6)中迭代终止的条件为损失函数收敛， 迭代过程中， 通过调整结构固 化变形预测模型的卷积核 大小、 滤波器数目和超参数使得损失函数的收敛值小于预配置的 阈值。 8.根据权利要求7所述的一种基于深度学习的纤维增强复合材料结构固化变形预测方 法， 其特征在于， 若损失函数在预配置的时间内未收敛， 则增加参与训练的样本数量， 并重 新进行训练。 9.一种基于深度学习的纤维增强复合材料结构固化变形预测装置， 包括存储器、 处理 器， 以及存储于所述存储器中的程序， 其特征在于， 所述处理器执行所述程序时实现如权利 要求1‑8中任一所述的方法。 10.一种存储介质， 其上存储有程序， 其特征在于， 所述程序被执行时实现如权利要求 1‑8中任一所述的方法。权　利　要　求　书 2/2 页 3 CN 115470669 A 3