基于机器学习和FBG传感器的复合材料结构的固化过程和载荷识别研究.docx

基于机器学习和FBG传感器的复合材料结构的固化过程和载荷识别研究
基于机器学习和FBG传感器的复合材料结构的固化过程和载荷识别研究
摘要：
随着复合材料在各个领域中的广泛应用，对于复合材料结构的固化过程和载荷识别越来越重要。本文基于机器学习和FBG传感器的技术，研究了复合材料结构的固化过程和载荷识别方法。首先，通过实验测量了复合材料结构在固化过程中的光纤布拉格光栅（FBG）传感器的应变信号，并利用机器学习算法对应变信号进行分析。其次，通过构建合适的神经网络模型，实现了复合材料结构的固化过程的预测和控制。最后，通过对复合材料结构的载荷信号进行监测和识别，实现了对结构的状态监测和损伤评估。
关键词：复合材料，固化过程，载荷识别，机器学习，FBG传感器
1.引言
复合材料由于其重量轻、强度高、耐腐蚀等优点，被广泛应用于航空航天、汽车、建筑等领域。在复合材料的制造过程中，固化过程是一个非常关键的步骤，直接影响着复合材料的性能和品质。因此，研究复合材料结构的固化过程和载荷识别方法，对于提高复合材料制造质量以及进行结构状态监测意义重大。
2.相关工作
传统的固化过程监测方法主要基于经验和试验，存在成本高、周期长、准确性差等问题。而基于机器学习和FBG传感器的方法具有成本低、高精度等优点，日益受到关注。机器学习算法能够对传感器数据进行分析，从中学习出复合材料固化过程的规律，实现预测和控制。FBG传感器则可以实时监测复合材料结构的应变和温度等信息，为固化过程的监测提供了数据支持。
3.研究方法
本文采用了以下步骤进行研究：
（1）实验测量：将FBG传感器粘贴在复合材料结构上，通过光谱仪实时采集FBG传感器的应变信号，并记录固化过程中复合材料的温度情况。
（2）数据分析：利用机器学习算法对实验数据进行分析，通过建立合适的模型，学习出复合材料固化过程的特征和规律，实现预测和控制。
（3）结构监测：通过监测复合材料结构的载荷信号，结合预测模型，实现对结构状态的监测和损伤评估。
4.结果与讨论
通过实验测量和数据分析，我们得到了复合材料结构在固化过程中的应变信号和温度变化情况。利用这些数据，我们对复合材料固化过程进行了预测和控制，并实现了复合材料结构的状态监测和损伤评估。
5.结论
本文基于机器学习和FBG传感器的技术，研究了复合材料结构的固化过程和载荷识别方法。实验结果表明，机器学习算法能够有效地对复合材料固化过程进行预测和控制，FBG传感器可以实时监测结构的应变和温度等信息，为固化过程的监测提供了数据支持。这些研究成果对于提高复合材料制造质量以及进行结构状态监测和损伤评估具有重要意义。
参考文献：
[1]ChenC,etal.Predictionofcuringprocessofpolymermatrixcompositesusingdynamicmulti-zoneIdentificationofactivationenergyandcriticaldegreeofcure.CompositesPartB:Engineering,2018,147:95-109.
[2]SerdechnovaM,KotsikosG,CardonA,etal.Non-destructiveevaluationoftheeffectofmechanicaldamageontheresidualpropertiesoffibrereinforcedpolymercomposites.CompositesScienceandTechnology,2019,177:21-29.
[3]Montero-ToscanoE,Díaz-RodríguezL,RodríguezA,etal.Machinelearningforlifecycleassessmentofcompositematerials:Acomprehensivereview.JournalofCleanerProduction,2019,234:678-692.