一种基于机器学习的复合型断裂界面参数识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115775602A(43)申请公布日2023.03.10(21)申请号202211504697.7G06F30/23(2006.01)(22)申请日2022.11.28G06F119/14(2020.01)G06F113/26(2020.01)(71)申请人西安交通大学地址710049陕西省西安市碑林区咸宁西路28号(72)发明人郝晓宇李群左宏侯俊玲陆璇(74)专利代理机构西安智大知识产权代理事务所61215专利代理师弋才富(51)Int.Cl.G16C60/00(2019.01)G01N3/06(2019.01)G16C20/70(2020.01)G06F30/17(2020.01)权利要求书1页说明书4页附图2页(54)发明名称一种基于机器学习的复合型断裂界面参数识别方法(57)摘要一种基于机器学习的复合型界面断裂参数识别方法，基于复合型内聚力模型的双线性牵引‑分离关系，利用广义回归神经网络构建一种机器学习方法对界面断裂问题进行分析，针对复合型I‑II断裂参数，无需单独实验分别测量，只通过实验测量的力‑位移曲线结合机器学习方法就可以识别复合型断裂问题中的七个独立界面参数，优点在于可以减少实验次数，测得一条效果较好的力‑位移曲线即可得到含复合型界面裂纹材料的力学性能参数，具有样本数据小，模型预测结果好，并且不需要开展多次实验测量，经济方面省时省力的特点；本发明适用于分析多层材料或材料层间的损伤程度，该方法简单方便，可用于评估航天、航空、机械等领域复合材料分层损伤，对提高复合材料结构的安全性具有重要意义。CN115775602ACN115775602A权利要求书1/1页1.一种基于机器学习的复合型界面断裂参数识别方法，其特征在于，包括以下步骤：步骤一、首先任意给定一组含复合型裂纹材料的界面参数，通过有限元进行计算，计算得出一条力‑位移曲线，重复操作，输入N组界面参数，计算获得N条力‑位移曲线作为机器学习样本数据，根据广义回归神经网络GRNN模型，将N组力‑位移曲线的数组作为输入向量代入GRNN中进行训练，得出第一个GRNN模型；同时，与N条力‑位移曲线对应的所有复合型界面断裂力学参数作为输出向量，进行训练神经网络模型；步骤二、将真实实验测得的力‑位移曲线作为输入向量，代入到步骤一中训练好的GRNN模型中，通过回归神经网络GRNN模型得出实验曲线所对应的复合型界面断裂力学参数，将该参数作为已知量，代入到有限元计算中，获得模拟的力‑位移曲线；步骤三、将步骤二所得的力‑位移曲线与步骤一实验所得的力‑位移曲线相比，如果未达到计算精度，对现有界面参数进行偏移和交叉组合后，再进行有限元计算，得到新的界面力‑位移曲线，通过重复上述步骤，直到满足数值计算精度，则获得最优模型，该模型实现了只输入一条实验所得力‑位移曲线便可得到复合型界面断裂力学的所有参数。2.根据权利要求1所述的一种基于机器学习的复合型界面断裂参数识别方法，其特征在于，步骤一所述的力‑位移曲线对应的所有复合型界面断裂力学参数，其关系如下：TmaxmaxTfI‑II·[F1(u1),F2(u2),...,Fi(ui)]＝[GIC,GIIC,Tn,Ts,Knn,Kss,Kns]其中，fI‑II为基于GRNN模型能够数值计算的函数，Fi(ui)的值直接从实验数据中得到，maxmaxT记为Fexp(uexp)，这里i＝1,2…m,m是离散的Fi(ui)的个数，[GIC,GIIC,Tn,Ts,Knn,Kss,Kns]max中七个参数即为复合型界面断裂力学参数，其中GIC和GIIC为I型和II型的断裂韧性，Tn和maxTs分别为I型和II型的内聚强度，Knn和Kss分别代表I型和II型的界面刚度，Kns为I‑II型界面相互作用刚度。3.根据权利要求1所述的一种基于机器学习的复合型界面断裂参数识别方法，其特征在于，步骤三所述计算精度，所要求的精度是落在目标值±1％范围内的样本点数应大于等于总样本点数的90％。4.根据权利要求1所述的一种基于机器学习的复合型界面断裂参数识别方法，其特征在于，所述步骤三进行偏移和交叉组合时，采用k‑fold交叉验证来防止模型过拟合或欠拟合，首先，在k‑fold交叉验证中，将原始数据集划分为k个子集，然后，选择一个子集作为验证集，其他k‑1个子集作为训练集，基于这些子集，训练GRNN模型k次，计算相应的预测误差，若误差不满足，回到步骤一继续进行循环；若误差满足，循环结束，即获得实验所对应的真实界面参数，所述的误差即计算精度是落在目标值±1％范围内的样本点数应大于等于总样本点数的90％。2CN115775602A说明书1/4页一种基于机器学习的复合型断裂界面参数识别方法技术领域[0001]本发明属于材