一种确定复合材料基因组和复合材料力学性能关系的方法

技术领域

本发明属于复合材料、材料基因工程技术领域，尤其涉及一种确定复合材料基因组和复合材料力学性能关系的方法。

背景技术

在工业应用碳纤维复合材料时，需要根据实验测试碳纤维复合材料样件才可获得该材料的力学性能参数，导致碳纤维复合材料的制备和测试成本增加。同时碳纤维复合材料在测试过程中，需要进行多组对比测试才可得到有效的性能参数，其次碳纤维复合材料的断裂性能测试实验较难成功，使得实验难度较大且测得的断裂性能参数准确度不高。同时分析碳纤维复合材料力学性能参数的理论层出不穷，也存在较大差异及误差。

针对碳纤维复合材料，在实验测量复合材料力学性能参数时，材料制备和力学测量实验过程复杂且成本较高，同时复合材料断裂力学性能参数误差较大。此外，理论计算复合材料力学性能参数，理论推导派系较多，并无严格的算法。因此，复合材料部分性能参数难以预测或补全，大大降低了工程应用效率。

发明内容

针对上述问题，本发明的目的在于提供一种确定复合材料基因组和复合材料力学性能关系的方法，根据给定的材料基因组采用深度学习预测复合材料力学性能参数，结合人工智能可在较短时间内根据给定的材料组分预算出碳纤维复合材料的力学性能参数库，有效地提高复合材料力学性能参数的准确性，并可同时获得多个材料力学性能参数，大幅度地降低实验测试成本，并节省时间。

为达到上述目的，本发明采用如下技术方案予以实现。

一种确定复合材料基因组和复合材料力学性能关系的方法，采用深度学习确定复合材料基因组和复合材料力学性能关系的方法，包括：

S1，获取某一复合材料的多个材料基因组和对应的复合材料力学性能的训练数据；

S2，根据所述训练数据得到表征该复合材料的材料基因组与复合材料力学性能关系的神经网络；

S3，获取测试数据，根据所述测试数据测试所述神经网络，若测试结果不满足误差要求，则返回S2，直到测试结果满足误差要求；

S4，获取需要分析力学性能或者材料基因组的复合材料；

S5，将该复合材料的力学性能或者材料基因组输入到所述神经网络，得到神经网络的输出，作为该复合材料的力学性能对应的基因组，或者该复合材料的基因组对应的力学性能。

本发明技术方案的特点和进一步的改进为：

(1)S3中，所述测试结果满足要求是指：神经网络的实际输出数据与测试数据中的标准输出数据的误差小于5％。

(2)当根据复合材料基因组预测复合材料力学性能时，所述方法包括：

S11，获取某一复合材料的多个材料基因组和对应的复合材料力学性能的训练数据；

S12，将多个材料基因组作为输入神经元，将对应的复合材料力学性能作为输出神经元，从而得到表征该复合材料的材料基因组与复合材料力学性能关系的神经网络；

S13，获取需要分析力学性能的复合材料以及该复合材料的材料基因组；

S14，将该复合材料的材料基因组输入到所述神经网络，得到神经网络的输出，作为该复合材料的力学性能；

(3)当根据复合材料力学性能预测复合材料基因组时：

S21，获取某一复合材料的多个材料基因组和对应的复合材料力学性能的训练数据；

S22，将多个复合材料力学性能作为输入神经元，将对应的材料基因组作为输出神经元，从而得到表征该复合材料的复合材料力学性能与材料基因组关系的神经网络；

S23，获取需要分析材料基因组的复合材料以及该复合材料的力学性能；

S24，将该复合材料的力学性能输入到所述神经网络，得到神经网络的输出，作为该复合材料的材料基因组。

(4)当某一复合材料为碳纤维复合材料时，S11，中：

所述碳纤维复合材料的多个材料基因组中的基因元素包含：碳纤维种类、含量和铺设角度，基体种类、含量，以及碳纤维复合材料的制备工艺。

(5)当某一复合材料为碳纤维复合材料时，S11，中：

所述碳纤维复合材料的力学性能至少包含：单向板的弹性模量、剪切模量、泊松比、破坏强度，以及复合板的刚度、强度。

(6)S2中，该复合材料的材料基因组与复合材料力学性能关系的神经网络由两层全连接层构成。

(7)采用ReLu函数对神经元传递进行非线性化处理，神经元参数传递采用L

本发明技术方案基于材料基因组结合深度学习预测复合材料力学性能的方法，从材料组分上来预测碳纤维复合材料的力学性能，比传统的宏观理论推导或仿真模拟更为准确且省时，同时更能够反映出碳纤维复合材料的组分参数与力学性能之间的关系；在实际工程中，碳纤维复合材料的成本较大，基于材料基因组利用深度学习预测复合材料力学性能的方法，有效地降低了实验成本，且降低了复合材料力学性能参数预测的时间；同时该方法能够利用计算机在较短时间内根据材料的不同组分给出大量碳纤维复合材料的力学性能参数库，大大降低了实验成本，且为工程应用提供了大量的可靠参数资源。

附图说明

图1是本发明实施例提供的基于材料基因组预测力学性能参数原理示意图；

图2是本发明实施例提供的深度学习神经网络示意图。

具体实施方式

基于现有技术测试碳纤维复合材料力学性能参数存在的问题，本发明提出一种基于材料基因组利用深度学习预测复合材料力学性能的新方法，在工业应用碳纤维复合材料时，可基于给定的材料组分，较短时间内计算出碳纤维复合材料的力学性能参数；同时给定不同的材料组分，该方法可给出碳纤维复合材料的力学参数库。本发明提出的预测复合材料力学性能参数的方法，可较大幅度地降低实验成本，节省时间。同时基于材料基因组预测碳纤维复合材料的力学性能，有效地提高了复合材料的力学参数的准确性，且误差小于5％，并可同时获得多个复合材料的力学性能参数。本发明为工程应用碳纤维复合材料，提供了一种新的预测材料力学性能参数的方法。

本发明实施例提供一种确定复合材料基因组和复合材料力学性能关系的方法，采用深度学习确定复合材料基因组和复合材料力学性能关系的方法，包括：

S1，获取某一复合材料的多个材料基因组和对应的复合材料力学性能的训练数据；

S2，根据所述训练数据得到表征该复合材料的材料基因组与复合材料力学性能关系的神经网络；

S3，获取测试数据，根据所述测试数据测试所述神经网络，若测试结果不满足误差要求，则返回S2，直到测试结果满足误差要求；

S4，获取需要分析力学性能或者材料基因组的复合材料；

S5，将该复合材料的力学性能或者材料基因组输入到所述神经网络，得到神经网络的输出，作为该复合材料的力学性能对应的基因组，或者该复合材料的基因组对应的力学性能。

进一步的：

(1)S3中，所述测试结果满足要求是指：神经网络的实际输出数据与测试数据中的标准输出数据的误差小于5％。

(2)当根据复合材料基因组预测复合材料力学性能时，所述方法包括：

S11，获取某一复合材料的多个材料基因组和对应的复合材料力学性能的训练数据；

S12，将多个材料基因组作为输入神经元，将对应的复合材料力学性能作为输出神经元，从而得到表征该复合材料的材料基因组与复合材料力学性能关系的神经网络；

S13，获取需要分析力学性能的复合材料以及该复合材料的材料基因组；

S14，将该复合材料的材料基因组输入到所述神经网络，得到神经网络的输出，作为该复合材料的力学性能；

(3)当根据复合材料力学性能预测复合材料基因组时：

S21，获取某一复合材料的多个材料基因组和对应的复合材料力学性能的训练数据；

S22，将多个复合材料力学性能作为输入神经元，将对应的材料基因组作为输出神经元，从而得到表征该复合材料的复合材料力学性能与材料基因组关系的神经网络；

S23，获取需要分析材料基因组的复合材料以及该复合材料的力学性能；

S24，将该复合材料的力学性能输入到所述神经网络，得到神经网络的输出，作为该复合材料的材料基因组。

(4)当某一复合材料为碳纤维复合材料时，S11，中：

所述碳纤维复合材料的多个材料基因组中的基因元素包含：碳纤维种类、含量和铺设角度，基体种类、含量，以及碳纤维复合材料的制备工艺。

(5)当某一复合材料为碳纤维复合材料时，S11，中：

所述碳纤维复合材料的力学性能至少包含：单向板的弹性模量、剪切模量、泊松比、破坏强度，以及复合板的刚度、强度。

(6)S2中，该复合材料的材料基因组与复合材料力学性能关系的神经网络由两层全连接层构成。

(7)采用ReLu函数对神经元传递进行非线性化处理，神经元参数传递采用L

具体的，本发明实施例提供一种基于材料基因组利用深度学习预测复合材料力学性能的方法，该方法涉及材料基因组与碳纤维复合材料力学性能参数之间的关系(如图1所示)和深度学习神经网络(如图2所示)两部分内容。

首先，根据现有的碳纤维复合材料的材料组分和各自对应的力学性能参数数据库，利用深度学习神经网络3进行训练，将碳纤维复合材料的纤维和基体组分作为输入神经元1，同时将碳纤维单向板复合材料的力学性能各个参数作为输出神经元2，如弹性模量、剪切模量、抗弯刚度等。经过深度学习的训练，该神经网络3可有效地根据碳纤维单向板复合材料的材料组分计算得到该复合材料的各个力学性能参数

那么，在实际工程应用碳纤维单向板复合材料时，可给定碳纤维单向板复合材料的材料组分作为输入神经元1，便可利用该神经网络3计算得到输出神经元2的多个该复合材料力学性能参数库；同时也可根据不同的碳纤维单向板复合材料组分作为输入神经元1，通过该深度学习神经网络3计算得到不同的碳纤维单向板复合材料的力学性能参数库，为工程应用提供所需的碳纤维单向板复合材料参数。

此外，在实际工程应用中，需要根据实际需求的碳纤维单向板复合材料的力学性能选择适用的碳纤维单向板复合材料，那么可将碳纤维单向板复合材料的力学性能各个参数作为输入神经元1，将碳纤维单向板复合材料的材料组分作为输出神经元2，同理训练出神经网络3。根据给定的碳纤维单向板复合材料力学性能，计算获得该碳纤维单向板复合材料的材料组分，从而得到适用的碳纤维单向板复合材料，为工程应用选材和复合材料制备提供指导，并可对现有的碳纤维单向板复合材料进行优化设计和制备。

本发明基于材料基因组利用深度学习神经网络正反向训练和学习预测碳纤维单向板复合材料的力学性能参数，可大幅度地降低实验成本，节省时间，同时也准确地为工程应用提供复合材料力学性能参数库。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。