基于WOA-BP-LSTM自编码器的CFRP薄壁C柱轴压响应预测

doi:10.7527/S1000-6893.2025.32349

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WOA-BP-LSTM自编码器的CFRP薄壁C柱轴压响应预测

牟浩蕾¹, 张贾², 冯振宇¹(), 白春玉³

^1.中国民航大学科技创新研究院，天津 300300
^2.中国民航大学安全科学与工程学院，天津 300300
^3.中国飞机强度研究所强度与结构完整性全国重点实验室，西安 710065

收稿日期:2025-05-30 修回日期:2025-07-03 接受日期:2025-07-28 出版日期:2025-07-31 发布日期:2025-07-30
通讯作者: 冯振宇 E-mail:caucstructure@163.com
基金资助:
国家自然科学基金(U2433203);天津市应用基础研究多元投入基金(23JCYBJC00070);中央高校基本科研业务费专项资金(3122025084);中国民航大学研究生科研创新项目(2024YJSKC09002)

Prediction of axial crushing response for CFRP thin-walled C-columns based on WOA-BP-LSTM autoencoder

Haolei MOU¹, Jia ZHANG², Zhenyu FENG¹(), Chunyu BAI³

^1.Science and Technology Innovation Research Institute，Civil Aviation University of China，Tianjin 300300，China
^2.College of Safety Science and Engineering，Civil Aviation University of China，Tianjin 300300，China
^3.National Key Laboratory of Strength and Structural Integrity，Aircraft Strength Research Institute of China，Xi’an 710065，China

Received:2025-05-30 Revised:2025-07-03 Accepted:2025-07-28 Online:2025-07-31 Published:2025-07-30
Contact: Zhenyu FENG E-mail:caucstructure@163.com
Supported by:
National Natural Science Foundation of China(U2433203);Tianjin Applied Basic Research Multi-Input Fund Project(23JCYBJC00070);Fundamental Research Funds for the Central Universities(3122025084);Graduate Scientific Research Innovation Project of Civil Aviation University of China(2024YJSKC09002)

摘要/Abstract

摘要：

针对航空器货舱下部碳纤维增强复合材料（CFRP）薄壁C柱在准静态轴压下的力-位移响应预测问题，提出了一种融合鲸鱼优化算法（WOA）、反向传播（BP）神经网络和长短期记忆（LSTM）自编码器的智能预测模型（WOA-BP-LSTM自编码器模型）。通过CFRP薄壁C柱准静态轴压试验验证了有限元模型可靠性，其轴压响应评价指标误差均小于10%，基于该模型构建了包含700组变截面几何参数的力-位移响应数据集。采用LSTM自编码器实现力-位移响应特征降维与重建，随后采用BP神经网络对力-位移响应进行预测，并采用WOA进行神经网络参数优化。结果表明，LSTM自编码器实现了力-位移响应的高精度重建，测试集初始峰值压溃力和能量吸收的重建误差均小于3%，80%样本误差小于1%；优化后预测模型的力-位移响应预测精度显著提升，测试集平均绝对误差（MAE）降低17.55%，均方误差（MSE）降低31.77%，均方根误差（RMSE）降低17.47%，初始峰值压溃力和能量吸收的预测误差均小于8%，80%样本误差小于5%。该智能预测模型实现了变截面CFRP薄壁C柱轴压响应的快速精准预测并降低了计算成本，为其轴压响应研究提供了一种高效的参数-性能映射工具。

关键词: CFRP薄壁C柱, 轴压响应, LSTM自编码器, 鲸鱼优化算法, BP神经网络

Abstract:

To predict the force-displacement responses of Carbon Fiber Reinforced Plastic （CFRP） thin-walled C-columns in the aircraft sub-cargo area under quasi-static axial crushing， an intelligent prediction model （WOA-BP-LSTM autoencoder model） integrating the Whale Optimization Algorithm （WOA）， Back Propagation （BP） neural network， and Long Short-Term Memory （LSTM） autoencoder was proposed. The reliability of the finite element model of CFRP thin-walled C-columns was validated through quasi-static axial crushing tests， with axial crushing response evaluation indicators showing errors within 10%. A dataset comprising 700 force-displacement response samples with variable cross-sectional geometric parameters was constructed based on the model. The LSTM autoencoder was employed for dimensionality reduction and reconstruction of the force-displacement responses. Subsequently， the BP neural network was used for force-displacement responses prediction， with WOA optimizing the neural network parameters. The results show that the LSTM autoencoder achieved high-precision reconstruction of force-displacement responses， where the errors for initial peak crushing force and energy absorption in the test set were both less than 3%， and 80% of the samples had errors within 1%. The optimized prediction model significantly improved prediction accuracy， reducing the test set’s Mean Absolute Error （MAE） by 17.55%， Mean Squared Error （MSE） by 31.77%， and Root Mean Squared Error （RMSE） by 17.47%. Prediction errors for the initial peak crushing force and energy absorption were both less than 8%， with 80% of samples showing errors within 5%. This model enables rapid and accurate prediction of axial crushing responses for variable cross-section CFRP thin-walled C-columns while reducing computational costs， providing an efficient parameter-performance mapping tool for the study of its axial crushing response.

Key words: CFRP thin-walled C-columns, axial crushing response, LSTM autoencoder, whale optimization algorithm, BP neural network

中图分类号:

V229

牟浩蕾, 张贾, 冯振宇, 白春玉. 基于WOA-BP-LSTM自编码器的CFRP薄壁C柱轴压响应预测[J]. 航空学报, 2026, 47(4): 232349.

Haolei MOU, Jia ZHANG, Zhenyu FENG, Chunyu BAI. Prediction of axial crushing response for CFRP thin-walled C-columns based on WOA-BP-LSTM autoencoder[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(4): 232349.

图/表 16

图 1

表1

图 2

图3

图 4

表2

表3

图 5

图6

图 7

表4

图 8

图9

图 10

表5

图 11

参考文献 45

[1]	ABRAMOWICZ W. Thin-walled structures as impact energy absorbers［J］. Thin-Walled Structures， 2003， 41（2-3）： 91-107.
[2]	BAROUTAJI A， SAJJIA M， OLABI A G. On the crashworthiness performance of thin-walled energy absorbers： Recent advances and future developments［J］. Thin-Walled Structures， 2017， 118： 137-163.
[3]	JACOB G C， FELLERS J F， SIMUNOVIC S， et al. Energy absorption in polymer composites for automotive crashworthiness［J］. Journal of Composite Materials， 2002， 36（7）： 813-850.
[4]	GUIDA M， MARULO F， ABRATE S. Advances in crash dynamics for aircraft safety［J］. Progress in Aerospace Sciences， 2018， 98： 106-123.
[5]	MOU H L， XIE J， FENG Z Y， et al. Review on the crashworthiness design and evaluation of fuselage structure for occupant survivability［J］. Progress in Aerospace Sciences， 2024， 148： 101001.
[6]	MAMALIS A G， ROBINSON M， MANOLAKOS D E， et al. Crashworthy capability of composite material structures［J］. Composite Structures， 1997， 37（2）： 109-134.
[7]	HULL D. A unified approach to progressive crushing of fibre-reinforced composite tubes［J］. Composites Science and Technology， 1991， 40（4）： 377-421.
[8]	PALANIVELU S， VAN PAEPEGEM W， DEGRIECK J， et al. Parametric study of crushing parameters and failure patterns of pultruded composite tubes using cohesive elements and seam， Part Ⅰ： Central delamination and triggering modelling［J］. Polymer Testing， 2010， 29（6）： 729-741.
[9]	LIU X C， BAI C Y， XI X L， et al. Impact response and crashworthy design of composite fuselage structures： An overview［J］. Progress in Aerospace Sciences， 2024， 148： 101002.
[10]	MOU H L， XIE J， LIU Y， et al. Impact test and numerical simulation of typical sub-cargo fuselage section of civil aircraft［J］. Aerospace Science and Technology， 2020， 107： 106305.
[11]	MOU H L， XIE J， FENG Z Y. Research status and future development of crashworthiness of civil aircraft fuselage structures： An overview［J］. Progress in Aerospace Sciences， 2020， 119： 100644.
[12]	CHIU L N S， FALZON B G， RUAN D， et al. Crush responses of composite cylinder under quasi-static and dynamic loading［J］. Composite Structures， 2015， 131： 90-98.
[13]	XIN Z B， DUAN Y G， ZHOU J， et al. Effect of tailored plies on the energy absorption capability of square CFRP tubes with discontinuous fibers［J］. Composite Structures， 2019， 209： 150-159.
[14]	WANG Y F， FENG J S， WU J H， et al. Effects of fiber orientation and wall thickness on energy absorption characteristics of carbon-reinforced composite tubes under different loading conditions［J］. Composite Structures， 2016， 153： 356-368.
[15]	LIU X， BELKASSEM B， JONET A， et al. Experimental investigation of energy absorption behaviour of circular carbon/epoxy composite tubes under quasi-static and dynamic crush loading［J］. Composite Structures， 2019， 227： 111266.
[16]	MCGREGOR C， VAZIRI R， POURSARTIP A， et al. Axial crushing of triaxially braided composite tubes at quasi-static and dynamic rates［J］. Composite Structures， 2016， 157： 197-206.
[17]	ZHANG J F， WANG L M， PENG D M， et al. Crashworthiness optimization of a sandwich tube filled with CFRP sinusoidal corrugated board［J］. Aerospace Science and Technology， 2023， 132： 108065.
[18]	SIROMANI D. Crashworthy design and analysis of aircraft structures［D］. Philadelphia： Drexel University， 2013.
[19]	LV R， REN Y R. Improving the crashworthiness of carbon fiber-reinforced composite channel section structure through controllable failure mechanisms［J］. Aerospace Science and Technology， 2023， 141： 108582.
[20]	RICCIO A， RAIMONDO A， DI CAPRIO F， et al. Experimental and numerical investigation on the crashworthiness of a composite fuselage sub-floor support system［J］. Composites Part B： Engineering， 2018， 150： 93-103.
[21]	RICCIO A， SAPUTO S， SELLITTO A， et al. On the crashworthiness behaviour of a composite fuselage Sub-floor component［J］. Composite Structures， 2020， 234： 111662.
[22]	FERABOLI P， SPETZLER M. Design of energy-absorbing CFRP stanchions for the cargo floor structure of transport category airplanes［C］∥JAMS 2013 Technical Review Meeting. 2013.
[23]	汪洋，吴志斌，刘富. 复合材料货舱地板立柱压溃响应试验［J］. 复合材料学报， 2020， 37（9）： 2200-2206.
	WANG Y， WU Z B， LIU F. Crush experiment of composite cargo floor stanchions［J］. Acta Materiae Compositae Sinica， 2020， 37（9）： 2200-2206 （in Chinese）.
[24]	牟浩蕾，刘兴炎，刘冰，等. 不同缘条宽度复合材料C型柱轴向压缩吸能特性［J］. 航空材料学报， 2023， 43（6）： 107-116.
	MOU H L， LIU X Y， LIU B， et al. Energy-absorption characteristics of composite C-channels with different flange widths under axial compression［J］. Journal of Aeronautical Materials， 2023， 43（6）： 107-116 （in Chinese）.
[25]	解江，宋山山，宋东方，等. 复合材料C型柱轴压失效分析的层合壳建模方法［J］. 航空学报， 2019， 40（2）： 522395.
	XIE J， SONG S S， SONG D F， et al. Stacked shell modeling method for failure analysis of composite C-channels subject to axial compression［J］. Acta Aeronautica et Astronautica Sinica， 2019， 40（2）： 522395 （in Chinese）.
[26]	FENG Z Y， XIE J， SONG S S， et al. The failure mechanism and energy-absorbing characteristics of composite thin-walled C-channels subject to low-speed axial compression［J］. Journal of Composite Materials， 2019， 53（16）： 2249-2259.
[27]	解江，宋山山，牟浩蕾，等. 典型螺栓连接CFRP薄壁C型柱轴压失效行为：试验及数值模拟［J］. 复合材料学报， 2021， 38（10）： 3361-3372.
	XIE J， SONG S S， MOU H L， et al. Axial compression failure behavior of typical bolted CFRP thin-walled C-channels： Experimental and numerical simulation［J］. Acta Materiae Compositae Sinica， 2021， 38（10）： 3361-3372 （in Chinese）.
[28]	OSTLER D， BLESSING E， PERL M. A building block approach for crashworthiness testing of composites［C］∥JAMS 2019 Technical Review Meeting. 2019.
[29]	REINER J， VAZIRI R， ZOBEIRY N. Machine learning assisted characterisation and simulation of compressive damage in composite laminates［J］. Composite Structures， 2021， 273： 114290.
[30]	SHIROLKAR N， PATWARDHAN P， RAHMAN A， et al. Investigating the efficacy of machine learning tools in modeling the continuous stabilization and carbonization process and predicting carbon fiber properties［J］. Carbon， 2021， 174： 605-616.
[31]	YANG Z Z， YU C H， BUEHLER M J. Deep learning model to predict complex stress and strain fields in hierarchical composites［J］. Science Advances， 2021， 7（15）： eabd7416.
[32]	ZHANG Z， ZHANG K， ZHANG G， et al. Low-velocity impact simulation of carbon fiber reinforced composite laminate using IFF-criterion based on BP-ANN［J］. Aerospace Science and Technology， 2024， 148： 109095.
[33]	杨智春，杨特. 动载荷识别物理嵌入式神经网络模型与方法［J］. 航空学报， 2025， 46（5）： 531450.
	YANG Z C， YANG T. Physical embedded neural network model and method for dynamic load identification［J］. Acta Aeronautica et Astronautica Sinica， 2025， 46（5）： 531450 （in Chinese）.
[34]	樊云翔，艾化楠，王明振，等. 基于深度学习的水上飞机非定常水载荷重构［J］. 航空学报， 2024， 45（20）： 129882.
	FAN Y X， AI H N， WANG M Z， et al. Unsteady hydrodynamic load reconstruction of seaplane based on deep learning［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（20）： 129882 （in Chinese）.
[35]	ASHFAQ KHAN M， KIM Y. Cardiac arrhythmia disease classification using LSTM deep learning approach［J］. Computers， Materials & Continua， 2021， 67（1）： 427-443.
[36]	ZHANG B， ZHANG S H， LI W H. Bearing performance degradation assessment using long short-term memory recurrent network［J］. Computers in Industry， 2019， 106： 14-29.
[37]	SHAHID F， ZAMEER A， MUNEEB M. A novel genetic LSTM model for wind power forecast［J］. Energy， 2021， 223： 120069.
[38]	PARK P， DI MARCO P， SHIN H， et al. Fault detection and diagnosis using combined autoencoder and long short-term memory network［J］. Sensors， 2019， 19（21）： 4612.
[39]	XU T， XU P， YANG C X， et al. An LSTM-stacked autoencoder multisource response prediction and constraint optimization for scaled expansion tubes［J］. Applied Soft Computing， 2024， 153： 111285.
[40]	MIRJALILI S， LEWIS A. The whale optimization algorithm［J］. Advances in Engineering Software， 2016， 95： 51-67.
[41]	WANG B R， GAO D Y， GU H Y， et al. Guided wave based composite structural fatigue damage monitoring utilizing the WOA-BP neural network［J］. Computers， Materials & Continua， 2025， 83（1）： 455-473.
[42]	JIANG J Q， XU G B， WANG H Z， et al. High-accuracy road surface condition detection through multi-sensor information fusion based on WOA-BP neural network［J］. Sensors and Actuators A： Physical， 2024， 378： 115829.
[43]	GAO Z T， JIN Y H， ZHANG Y， et al. Static EIS multi-frequency feature points combined with WOA-BP neural network for Li-ion battery SOH estimation［J］. Measurement， 2025， 253： 117780.
[44]	HOCHREITER S， SCHMIDHUBER J. Long short-term memory［J］. Neural Computation， 1997， 9（8）： 1735-1780.
[45]	SRIVASTAVA N， MANSIMOV E， SALAKHUDINOV R. Unsupervised learning of video representations using lstms［DB/OL］. arXiv preprint ：1502.04681， 2015.

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

参数	数值
密度/（t·mm^-3）	1.5×10^-9
轴向弹性模量/MPa	134 000
横向弹性模量/MPa	9 000
泊松比ν12	0.3
12方向剪切模量/MPa	4 300
13方向剪切模量/MPa	4 300
23方向剪切模量/MPa	4 300
轴向拉伸失效应力/MPa	2 158
轴向压缩失效应力/MPa	1 000
横向拉伸失效应力/MPa	42
横向压缩失效应力/MPa	172
轴向剪切失效应力/MPa	75
横向剪切失效应力/MPa	75

铺层方式		IPCF/kN	EA/J	SEA/（kJ·kg^-1）	MCF/kN
［±45/90/0₂/90/0₂］_s	试验	33.27	1 256.39	15.67	38.35
	仿真	33.26	1 236.53	15.43	37.18
	误差/%	0.03	1.58	1.53	3.05
［0/90］_{4 s}	试验	28.96	993.14	12.36	30.10
	仿真	26.12	1 074.58	13.37	32.31
	误差/%	9.81	8.20	8.17	7.34

a/mm	b/mm	c/mm	d/mm
0，20，40，60，80	0，20，40，60，80	10	10
		15	15，10
		20	20，15，10
		25	25，20，15，10
		30	30，25，20，15，10
		35	35，30，25，20，15，10
		40	40，35，30，25，20，15，10

样本	IPCF/kN			EA/J
样本	真实值	重建值	误差/%	真实值	重建值	误差/%
1	32.75	33.00	0.77	1 396.33	1 388.91	0.53
2	27.08	27.82	2.72	1 124.41	1 133.20	0.78
3	27.51	27.62	0.42	1 092.41	1 098.68	0.57
4	46.61	46.64	0.06	1 505.54	1 488.62	1.12
5	29.70	29.94	0.81	1 162.46	1 171.61	0.79
6	22.85	22.68	0.73	478.99	474.58	0.92
7	29.29	29.15	0.49	1 122.19	1 096.37	2.30
8	41.95	42.19	0.57	1 430.47	1 434.60	0.29
9	33.26	33.48	0.68	1 237.73	1 241.88	0.34
10	21.58	21.99	1.89	1 097.71	1 094.41	0.30
11	34.65	34.69	0.13	1 286.87	1 311.65	1.93
12	20.23	20.31	0.35	511.62	509.47	0.42

样本	IPCF/kN					EA/J
样本	真实值	BP-LSTM自编码器预测值	误差/%	WOA-BP-LSTM自编码器预测值	误差/%	真实值	BP-LSTM自编码器预测值	误差/%	WOA-BP-LSTM自编码器预测值	误差/%
1	33.26	33.53	0.83	33.52	0.80	1 237.73	1 278.03	3.26	1 256.6	1.53
2	23.89	22.31	6.61	22.88	4.21	1 009.58	808.18	19.95	1 021.43	1.17
3	28.66	26.60	7.16	27.17	5.18	1 154.32	1 120.60	2.92	1 143.83	0.91
4	22.94	24.68	7.60	23.71	3.34	1 157.65	1 172.38	1.27	1 154.17	0.30
5	33.04	34.31	3.84	33.55	1.56	1 289.85	1 306.47	1.29	1 299.45	0.74
6	27.51	26.31	4.36	26.81	2.54	1 092.41	1 099.62	0.66	1 090.98	0.13
7	33.05	33.94	2.70	33.54	1.47	1 341.59	1 332.72	0.66	1 342.94	0.10
8	20.23	20.15	0.43	21.76	7.53	511.62	586.77	14.69	534.66	4.50
9	46.61	45.49	2.42	45.68	2.02	1 505.54	1 511.12	0.37	1 509.78	0.28
10	24.68	22.47	8.97	22.99	6.86	450.82	526.26	16.73	453.79	0.66
11	34.07	33.69	1.10	33.86	0.61	1 323.26	1 310.19	0.99	1 302.55	1.56
12	41.95	43.45	3.56	43.02	2.53	1 430.47	1 438.79	0.58	1 435.12	0.32

基于WOA-BP-LSTM自编码器的CFRP薄壁C柱轴压响应预测

Prediction of axial crushing response for CFRP thin-walled C-columns based on WOA-BP-LSTM autoencoder

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 45

相关文章 15

编辑推荐

Metrics

本文评价

[1]	郑礼雄, 陈喆, 王鑫, 招启军. 融合数据自适应BPNN的倾转旋翼机回转颤振边界预测[J]. 航空学报, 2025, 46(S1): 732159-732159.
[2]	逯宇斌, 聂小华, 吴振. 基于可解释性机器学习算法的碳纤维增强复合材料剩余刚度预测方法[J]. 航空学报, 2025, 46(21): 532249-532249.
[3]	马菲, 张琼, 赖培军, 岳一笛. 基于BP神经网络的试飞训练安全性量化模型[J]. 航空学报, 2024, 45(5): 529957-529957.
[4]	程晓玉, 韩鹏, 贺维, 张朋, 韩晓霞, 李英梅, 曹友. 一种新的基于可解释性置信规则库的飞轮健康状态评估模型[J]. 航空学报, 2023, 44(S1): 172-184.
[5]	梁益铭, 李广宁, 徐敏. 基于机器学习的智能控制数值虚拟飞行方法[J]. 航空学报, 2023, 44(17): 128098-81280986.
[6]	董珍一, 林莉, 雷明凯, 马志远. 基于BPNN的封严涂层孔隙分布均匀性超声表征[J]. 航空学报, 2022, 43(5): 425294-425294.
[7]	骆俊廷, 赵静启, 杨哲懿, 刘卫鹏, 张春祥. 基于Deform软件二次开发和BP神经网络的TA15多向锻造微观组织预报[J]. 航空学报, 2021, 42(12): 424693-424693.
[8]	吴坤, 谭劭昌. 基于改进鲸鱼优化算法的无人机航路规划[J]. 航空学报, 2020, 41(S2): 724286-724286.
[9]	张禹, 董小野, 李东升, 曾奇峰, 杨树华, 巩亚东. 基于STEP和改进神经网络的STEP-NC制造特征识别方法[J]. 航空学报, 2019, 40(7): 422687-422687.
[10]	熊青春, 王家序, 周青华. 融合机床精度与工艺参数的铣削误差预测模型[J]. 航空学报, 2018, 39(8): 421713-421713.
[11]	姚裕盛, 徐开俊. 基于BP神经网络的飞行训练品质评估[J]. 航空学报, 2017, 38(S1): 721513-721513.
[12]	陈勇刚, 罗晓利. 航空公司机队设备可靠性非线性动态评估模型[J]. 航空学报, 2013, 34(1): 104-111.
[13]	黄江涛, 高正红, 白俊强, 赵轲, 李静, 许放. 基于任意空间属性FFD技术的融合式翼稍小翼稳健型气动优化设计[J]. 航空学报, 2013, 34(1): 37-45.
[14]	蒙文巩;马东立;楚亮. 基于神经网络响应面的机翼气动稳健性优化设计[J]. 航空学报, 2010, 31(6): 1134-1140.
[15]	张慰;李晓阳;姜同敏;黄领才. 基于BP神经网络的多应力加速寿命试验预测方法[J]. 航空学报, 2009, 30(9): 1691-1696.