基于深度学习的复合材料结构性能参数反演

doi:10.7527/S1000-6893.2025.31877

固体力学与飞行器总体设计

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于深度学习的复合材料结构性能参数反演

项子健, 麻震宇(), 杨希祥

国防科技大学空天科学学院，长沙 410073

收稿日期:2025-02-19 修回日期:2025-03-06 接受日期:2025-04-25 出版日期:2025-07-03 发布日期:2025-05-13
通讯作者: 麻震宇 E-mail:yuyu1031@163.com
基金资助:
国家自然科学基金(52372438);国家自然科学基金(51605484)

Inversion of structural performance parameters of composite materials based on deep learning

Zijian XIANG, Zhenyu MA(), Xixiang YANG

College of Aerospace Science and Engineering，National University of Defense Technology，Changsha 410073，China

Received:2025-02-19 Revised:2025-03-06 Accepted:2025-04-25 Online:2025-07-03 Published:2025-05-13
Contact: Zhenyu MA E-mail:yuyu1031@163.com
Supported by:
National Natural Science Foundation of China(52372438)

摘要/Abstract

摘要：

提出了一种基于深度学习的复合材料结构性能参数反演方法。传统的复合材料性能测试方法通常需要大量的实验资源，而本研究将有限元仿真与神经网络模型相结合，实现了复合材料层合板参数的高效准确识别。研究探索了2种深度学习模型在参数反演中的性能，并分析了模型超参数、特征类型、数量对反演精度的影响。结果表明，所提方法能够准确识别复合材料的弹性模量、泊松比、强度等参数，误差均小于10%，验证了基于深度学习的复合材料参数反演方法的有效性。此外，分析了数据集构成、铺层信息对参数反演精度的影响，为进一步优化复合材料结构设计提供了理论依据。

关键词: 复合材料, 参数反演, 深度学习, 特征融合, 有限元方法

Abstract:

This paper proposes a deep-learning-based inversion method for determining the structural performance parameters of composite materials. Traditional testing methods for composite material performance typically require substantial experimental resources. In contrast， this study integrates finite element simulation with neural network models to achieve efficient and accurate identification of composite laminate parameters. This study evaluates the performance of deep learning models in parameter inversion and analyzes the effects of model hyperparameters， feature types， and quantities on inversion accuracy. The results demonstrate that the proposed method can accurately identify the elastic modulus， Poisson’s ratio， strength， and other parameters of composite materials， with errors of less than 10%， except for Poisson’s ratio， thus validating the effectiveness of the deep-learning-based composite material parameter inversion method. Additionally， this study examines the impact of dataset composition and layer information on the accuracy of parameter inversion， providing a theoretical foundation for further optimization of composite material structure design.

Key words: composite material, parameter inversion, deep learning, feature fusion, finite element method

中图分类号:

V250

项子健, 麻震宇, 杨希祥. 基于深度学习的复合材料结构性能参数反演[J]. 航空学报, 2025, 46(24): 231877.

Zijian XIANG, Zhenyu MA, Xixiang YANG. Inversion of structural performance parameters of composite materials based on deep learning[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(24): 231877.

图/表 27

图 1

图 2

表 1

图 3

图 4

图 5

表 2

碳纤维单层板材料参数测量结果

参数类型	$P w v$	$P U D$
x弹性模量/GPa	25.715	54.40
y弹性模量/GPa	27.045	48.10
xy泊松比	0.037	0.18
xy剪切模量/GPa	10.35	4.19
x拉伸强度/MPa	348.74	512.85
y拉伸强度/MPa	13.69	81.59
x压缩强度/MPa	335.75	177.46
y压缩强度/MPa	317.53	75.80
xy剪切强度/MPa	177.7	76.32

表 2

图 6

图 7

图 8

图 9

表 3

图 10

图 11

图 12

表 4

图 13

表 5

图 14

表 6

图 15

图 16

图 17

表 7

训练集样本分组

分组序号	样本组采用的数据特征类型
1	使用序列特征、铺层特征
2	使用图像特征、铺层特征，图像特征为最大载荷 $t 0$ 时刻
3	使用序列特征、铺层特征、图像特征，图像特征为最大载荷 $t 0$ 时刻
4	使用序列特征、铺层特征、图像特征，图像特征为最大载荷 $t 0$ 、 $t 0 2$ 时刻
5	使用序列特征、铺层特征、图像特征，图像特征为最大载荷 $t 0$ _、 $t 0 4$ 、 $t 0 2$ 、 $3 t 0 4$ 时刻

表 7

图 18

图 19

图 20

参考文献 27

[1]	谷学森. 基于单次实验的刚度参数反演识别方法研究［D］. 上海：上海交通大学， 2017： 17-33.
	GU X S. Research on the inverse identification method of stiffness parameters based on a single test［D］. Shanghai： Shanghai Jiao Tong University， 2017： 17-33 （in Chinese）.
[2]	杨倩，王彦哲，杨迪，等. 基于数据驱动的纤维增强复合材料自动铺放速度预测与规划［J］. 航空学报， 2024， 45（10）： 429313.
	YANG Q， WANG Y Z， YANG D， et al. Prediction and planning of automatic laying speed for fiber reinforced composite materials based on data-driven model［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（10）： 429313 （in Chinese）.
[3]	束静，廖文和，郑侃，等. 旋转超声加工碳纤维复合材料研究现状与展望［J］. 航空学报， 2024， 45（13）： 628939.
	SHU J， LIAO W H， ZHENG K， et al. Review on rotary ultrasonic machining of carbon fiber composites［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（13）： 628939 （in Chinese）.
[4]	邹祺，叶逸云，焦俊科，等. 碳纤维增强热固性复合材料-钛合金激光连接接头性能分析［J］. 航空学报， 2022， 43（2）： 625037.
	ZOU Q， YE Y Y， JIAO J K， et al. Performance analysis of carbon fiber reinforced thermalsetting composite-titanium alloy laser joint［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（2）： 625037 （in Chinese）.
[5]	赵冬梅，邓建伟，孙直，等. 基于边界位移的复合材料力学参数无损反演方法［J］. 计算力学学报， 2022， 39（1）： 57-62.
	ZHAO D M， DENG J W， SUN Z， et al. Nondestructive identification of the mechanical properties of layered structures based on surface displacements［J］. Chinese Journal of Computational Mechanics， 2022， 39（1）： 57-62 （in Chinese）.
[6]	刘佩，袁泉，魏庆朝. 钢筋混凝土柱恢复力模型参数识别的贝叶斯法［J］. 华中科技大学学报（自然科学版）， 2013， 41（9）： 72-75.
	LIU P， YUAN Q， WEI Q C. Bayesian approach for restoring force model parameter identification of reinforced concrete column［J］. Journal of Huazhong University of Science and Technology （Natural Science Edition）， 2013， 41（9）： 72-75 （in Chinese）.
[7]	史继刚. 基于最大似然法的高速旋转弹丸气动参数辨识方法研究［D］. 南京：南京理工大学， 2017： 12-25.
	SHI J G. Aerodynamic parameter identification method for high-speed rotating projectiles based on maximum likelihood method［D］. Nanjing： Nanjing University of Science and Technology， 2017： 12-25 （in Chinese）.
[8]	李守巨，刘迎曦，王登刚，等. 混凝土重力坝材料参数识别的正则化最小二乘法［J］. 计算物理， 2000， 17（6）： 702-706.
	LI S J， LIU Y X， WANG D G， et al. Material para meter identification of the concrete gravitydam with regul arizing least squares method［J］. Chinese Journal of Computation Physics， 2000， 17（6）： 702-706 （in Chinese）.
[9]	KOWALCZYK P. Identification of mechanical parameters of composites in tensile tests using mixed numerical-experimental method［J］. Measurement， 2019， 135： 131-137.
[10]	钱杨情. 碳纤维复合材料特性参数识别及其结构铺层优化［D］. 湘潭：湘潭大学， 2020： 13-33.
	QIAN Y Q. Characteristic parameters identification and structural lamination optimization about the carbon fiber reinforced composites［D］. Xiangtan： Xiangtan University， 2020： 13-33 （in Chinese）.
[11]	杨万庆，王艳超，李能文，等. 基于桥联模型参数反演的复合材料力学性能预测［J］. 复合材料科学与工程， 2021（2）： 84-88.
	YANG W Q， WANG Y C， LI N W， et al. Prediction of composite mechanical properties based on material parameters reversely calculated by the bridging model［J］. Composites Science and Engineering， 2021（2）： 84-88 （in Chinese）.
[12]	PAN B， WANG Z， LU Z. Genuine full-field deformation measurement of an object with complex shape using reliability-guided digital image correlation［J］. Opt Express， 2010， 18（2）： 1011-1023.
[13]	HUO X T， LUO Q T， LI Q， et al. Measurement of fracture parameters based upon digital image correlation and virtual crack closure techniques［J］. Composites Part B： Engineering， 2021， 224： 109157.
[14]	JIANG H， ZHU R X， LIU Y， et al. Study on the optimal design of specimens for stiffness coefficients identification of glass fiber-reinforced polymer composites by virtual fields method［J］. Composites Part C： Open Access， 2024， 13： 100425.
[15]	ZHOU C J， GAO B， YAN B， et al. A combined machine learning/search algorithm-based method for the identification of constitutive parameters from laboratory tests and in-situ tests［J］. Computers and Geotechnics， 2024， 170： 106268.
[16]	WEI Y， SERRA Q， LUBINEAU G， et al. Coupling physics-informed neural networks and constitutive relation error concept to solve a parameter identification problem［J］. Computers & Structures， 2023， 283： 107054.
[17]	李文丽. 基于深度学习的复合材料参数识别方法研究［D］. 南京：南京林业大学， 2023： 8-43.
	LI W L. Parameter identification of composite materials based on deep learning［D］. Nanjing： Nanjing Forestry University， 2023： 8-43 （in Chinese）.
[18]	NGUYEN H Q， LE B A， TRAN B V， et al. Deep artificial neural network-powered phase field model for predicting damage characteristic in brittle composite under varying configurations［J］. Machine Learning： Science and Technology， 2024， 5（2）： 025062.
[19]	刘国青. 复合材料结构有限元模型修正技术研究［D］. 上海：上海交通大学， 2011： 17-18.
	LIU G Q. Finite element model updating study of composite structures［D］. Shanghai： Shanghai Jiao Tong University， 2011： 17-18 （in Chinese）.
[20]	曲宏亮. 基于数字图像相关技术的陶瓷基复合材料本构参数识别研究［D］. 北京：北京理工大学， 2017： 10-25.
	QU H L. Research on constitutive parameters identification of ceramic matrix composites based on digital image correlation［D］. Beijing： Beijing Institute of Technology， 2017： 10-25 （in Chinese）.
[21]	ASTM International. Standard test method for tensile properties of polymer matrix composite materials：［S］. West Conshohocken： ASTM International， 2017.
[22]	ASTM International. Standard Test Method for In-Plane Shear Response of Polymer Matrix Composite Materials by Tensile Test of a ±45° Laminate：［S］. West Conshohocken： ASTM International， 2007.
[23]	ASTM International. Standard Test Method for Compressive Properties of Polymer Matrix Composite Materials with Unsupported Gage Section by Shear Loading：［S］. West Conshohocken： ASTM International， 2003.
[24]	HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［DB/OL］. arXiv preprint： 1512.03385， 2015.
[25]	LECUN Y， BOTTOU L， BENGIO Y， et al. Gradient-based learning applied to document recognition［J］. Proceedings of the IEEE， 1998， 86（11）： 2278-2324.
[26]	LIU W J， QIANG J， LI X X， et al. UAV image small object detection based on composite backbone network［J］. Mobile Information Systems， 2022， 2022（1）： 7319529.
[27]	LI X， ZHANG W， DING Q. Deep learning-based remaining useful life estimation of bearings using multi-scale feature extraction［J］. Reliability Engineering & System Safety， 2019， 182： 208-218.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

试验类型	铺层方式	长度L/mm	宽度w/mm	厚度h/mm	加强片长度L₀/mm	加强片厚度d/mm
拉伸	［0］₈	250	15	2	56	1.6
	［90］₈	175	25	2	25	1.6
	［0/90］_{2 s}	250	25	2	56	1.6
	［±45/0/90］_s	250	25	2	56	1.6
压缩	［0］₈	150	10	2	65	1.6
	［90］₈	150	25	2	65	1.6
	［0/90］_{2 s}	150	25	2	65	1.6
	［±45/0/90］_s	150	25	2	65	1.6
剪切	［±45］_{2 s}	250	25	2	56	1.6

编号	材料类型	试验类型	铺层方式	仿真数量
A	碳纤维编织布	拉伸	［0］₈	25
			［90］₈	25
			［0/90］_{2 s}	25
			［±45/0/90］_s	25
		压缩	［0］₈	25
			［90］₈	25
			［0/90］_{2 s}	25
			［±45/0/90］_s	25
		剪切	［±45］_{2 s}	50
B	碳纤维单向带	拉伸	［0］₈	25
			［90］₈	25
			［0/90］_{2 s}	25
			［±45/0/90］_s	25
		压缩	［0］₈	25
			［90］₈	25
			［0/90］_{2 s}	25
			［±45/0/90］_s	25
		剪切	［±45］_{2 s}	50
总计				500

训练超参数	DCNN	ResNet50
卷积层核数量	128	64~2 048
卷积核长度	1×3	7×7，3×3，1×1
卷积步长	1	2
卷积填充方式	零填充	零填充
隐藏层神经元数	2 048	36 864
每批次训练数据个数	8	8
损失函数	MSE	MSE
优化迭代算法	Adam	Adam
随机失活率	0.1	0.1

材料参数	x弹性模量/GPa	y弹性模量/GPa	xy泊松比	xy剪切模量/GPa	x拉伸强度/MPa	y拉伸强度/MPa	x压缩强度/MPa	y压缩强度/MPa	xy剪切强度/MPa
MAPE/%	3.67	1.33	9.70	0.25	7.34	0.61	8.82	3.48	4.30
仿真值	70.00	70.00	0.048 3	4.00	1 200.00	1 200.0	900.00	900.00	50.00
反演值	67.43	70.93	0.053 0	4.01	1 288.07	1 207.3	979.39	931.29	52.15

材料参数	x弹性模量/GPa	y弹性模量/GPa	xy泊松比	xy剪切模量/GPa	x拉伸强度/MPa	y拉伸强度/MPa	x压缩强度/MPa	y压缩强度/MPa	xy剪切强度/MPa
MAPE/%	17.70	18.09	51.45	36.18	2.38	0.59	1.44	1.69	8.48
仿真值	70.00	70.00	0.048 3	4.00	1 200.00	1 200.0	900.00	900.00	50.00
反演值	57.61	57.34	0.06	2.55	1 171.39	1 192.93	887.04	884.79	54.24

基于深度学习的复合材料结构性能参数反演

Inversion of structural performance parameters of composite materials based on deep learning

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 27

参考文献 27

相关文章 15

编辑推荐

Metrics

本文评价

[1]	徐建宇, 周莉, 王占学, 是介, 史毫. 基于快速逐线计算模型的高超声速羽流红外辐射计算方法[J]. 航空学报, 2025, 46(8): 630778-630778.
[2]	马辉东, 连喆, 杨鑫源, 李德旺, 白学宗, 安宗文. 变频加载纤维增强复合材料剩余强度预测[J]. 航空学报, 2025, 46(8): 231068-231068.
[3]	宋丹龙, 王源昊, 华珂伊, 杜春华, 张延超, 荆云娟. 平纹碳/碳复合材料指尖密封径向刚度特性多尺度研究[J]. 航空学报, 2025, 46(7): 430878-430878.
[4]	刘峰, 杨森, 韦振鹏. 基于复合材料弹性周期结构和预应力蒙皮的变弦长机翼[J]. 航空学报, 2025, 46(7): 230966-230966.
[5]	孟令捷, 李红光, 李新军. 基于地貌类别信息指导的SAR图像仿真方法[J]. 航空学报, 2025, 46(7): 331003-331003.
[6]	曾耀莹, 王润宁, 侯佳琪, 张雨雷, 张佳平, 李贺军. 耐极端烧蚀环境C/C复合材料研究进展[J]. 航空学报, 2025, 46(6): 531927-531927.
[7]	韩家璇, 陈璠, 杨旭光, 王振宇, 岳晓明. CFRP气雾中电火花加工实验研究[J]. 航空学报, 2025, 46(4): 430886-430886.
[8]	赵志浩, 杨照华, 吴云, 余远金. 弱光环境下基于深度学习的单光子计数成像去噪方法[J]. 航空学报, 2025, 46(3): 630531-630531.
[9]	师艳, 刘晗, 赵彤彤, 代吉祥, 沙建军. 陶瓷基复合材料反应熔渗过程多场建模与仿真[J]. 航空学报, 2025, 46(3): 430722-430722.
[10]	吴一全, 童康. 基于深度学习的无人机航拍图像小目标检测研究进展[J]. 航空学报, 2025, 46(3): 30848-030848.
[11]	范天麒, 邹征夏, 史振威. 基于强化学习数据合成的典型遥感目标检测[J]. 航空学报, 2025, 46(23): 631955-631955.
[12]	刘奎, 孙浩, 伍瀚, 计科峰, 匡纲要. 动态亮度重建的无人机可见光-红外融合目标检测[J]. 航空学报, 2025, 46(23): 631968-631968.
[13]	彭勃, 白吉康, 陈伟文, 郑向涛, 雷建军, 卢孝强. 基于深度学习的无人机搜救方法研究进展[J]. 航空学报, 2025, 46(23): 632761-632761.
[14]	王悦, 王志祥, 李道奎, 雷勇军. 样本分簇增强的快速近似建模方法及应用[J]. 航空学报, 2025, 46(22): 231755-231755.
[15]	张强, 李磊, 黄光启, 谢佳卉, 宋贵宾. 玻-碳混杂复合材料开孔拉伸力学行为[J]. 航空学报, 2025, 46(21): 532312-532312.