一种利用神经网络预测平流层飞艇蒙皮材料变形的方法

技术领域

本发明涉及一种利用神经网络预测平流层飞艇蒙皮材料变形的方法，属于损伤分析技术领域。

背景技术

平流层飞艇主要利用静浮力克服地球引力，飞行于20-50km的平流层高度。由于具有长期驻空、定点和高分辨率对地观测的能力，平流层飞艇有着较高的经济和战略价值，成为近年来各国科学工作者的研究热点。平流层复杂的环境特征以及飞艇独特的外形设计给平流层飞艇蒙皮材料的力学性能提出较高的要求，目前尚未研制出可以长期驻空、工程实用的平流层飞艇。

平流层大气密度低和对流换热小的特点，使得昼夜周期变化的太阳辐射引起飞艇内封闭的浮升气体温度出现高达70K的温差，同时也对飞艇柔性气囊材料的力学性能有很大影响，超压及热疲劳等可能会使得飞艇柔性气囊产生初始裂纹或缺陷迅速撕裂扩展，从而影响其安全可靠性与控制。有效预测飞艇蒙皮材料在复杂载荷状态下的变形行为对优化材料设计、提高其抗破坏性和飞艇结构布局设计具有重要意义。

平流层飞艇蒙皮材料通常采用正交编织的纤维增强复合材料，在充气上升以及服役环境巨大压差的作用下，材料柔性的特点使其无法承受面外载荷，通常通过面外变形将法向压差载荷转化为面内双轴非比例拉伸载荷，双轴拉伸方向与正交纱线方向一致。因此，研究平流层飞艇蒙皮材料在不同应力比下的双轴拉伸力学行为，并采用合适的方法预测飞艇蒙皮材料的变形行为，从而避免材料破坏、优化材料设计，成为飞艇蒙皮材料力学性能分析所面临的新挑战。

现有的数学公式和基础理论面临模型复杂、计算量繁重的问题，无法实现预测蒙皮材料未知变形数据的效果，而机器学习作为人工智能的一个重要分支，是通过算法使机器能从大量历史数据中学习规律，从而对新的样本做智能识别或对未来进行预测。作为机器学习领域具有代表性的人工神经网络，可以将蒙皮材料双轴非比例拉伸条件下的变形特征通过统一的准则进行关联与学习，构建简单表述模型并对全新应力比下的变形行为进行快速准确预测。本发明旨在提供一种利用贝叶斯神经网络预测平流层飞艇蒙皮材料变形的方法，预测蒙皮材料在不同应力比下的变形特性，为指导平流层飞艇的结构设计提供新的方法。

发明内容

本发明的目的是提供一种利用神经网络预测平流层飞艇蒙皮材料变形的方法，该方法解决了传统数学模型计算量繁重、模型复杂的问题，可以通过对蒙皮材料双轴拉伸试验数据进行自主学习，构建出一个简单表述模型来理解和快速预测蒙皮材料的变形特性，方法简单，降低了试验成本并提高了工作效率。

本发明的目的是通过以下技术方案实现的：

一种利用神经网络预测平流层飞艇蒙皮材料变形的方法，包括如下步骤：

步骤一、制作十字形蒙皮材料试样，试样的十字角进行倒圆角处理以避免应力集中现象的发生。将引伸计沿经纬方向放置在中间区域并用螺钉固定在试样上，测量材料在经纬方向上的应变大小。采用拉力传感器测量材料应力大小，拉力传感器装配在拉伸试验机的拉伸臂上，采用特殊的双轴拉伸试验机开展试验；

步骤二、对试样进行多种应力比条件下的双轴拉伸试验，应力比包括(1:1、1.3:1、1.5:1、1.7:1和2:1)，应力比表示的是沿经纱方向的应力除以沿纬纱方向的应力。收集并筛选试验结果数据，对数据进行打乱顺序和归一化的预处理，得到贝叶斯神经网络所需的训练样本数据；

步骤三、确定最佳的神经网络结构，包括神经网络的输入输出参数、隐含层数目以及隐含层神经元个数。与金属和其他复合材料不同，飞艇蒙皮材料的主要变形形式为面内双轴拉伸，应力应变需要包括经纬两个方向。因此，神经网络的输入参数有2个，分别为双轴拉伸试验获得的经向应力和纬向应力。输出参数有2个，分别为双轴拉伸试验获得的经向应变和纬向应变。隐含层数目为1层，隐含层神经元个数为8；

步骤四、选取适当的激活函数和训练函数，对神经网络进行学习和训练；

步骤五、采用测试样本集对模型进行测试，并对构建的蒙皮材料神经网络本构模型的准确性进行评估；

步骤六、利用上述步骤确定的贝叶斯神经网络模型对平流层飞艇蒙皮材料在不同应力比下的本构关系进行学习和预测。

步骤一中，蒙皮材料为层压编织复合材料Uretek3216LV，其承力编织层采用平纹正交编织方法制得。

步骤一中，为实现多应力比荷载的施加，蒙皮材料试样是通过制备成十字形切缝试样得到，试件主轴与蒙皮经纬方向一致。

步骤二中，应力比为材料经纱和纬纱方向所受应力大小之比，考虑的应力比荷载类型包含1:1、1.3:1、1.5:1、1.7:1以及2:1。

步骤三中，最佳的神经网络结构包含：输入层神经元个数为2，隐含层神经元个数为8，输出层神经元个数为2。其中，输入层神经元分别为经向和纬向应力，输出层神经元分别为经向和纬向应变，隐含层神经元个数通过经验公式计算确定。

步骤四中，激活函数为双曲正切函数，将输入参数非线性映射到[-1,1]内，训练函数为贝叶斯回归函数(Bayesian Regression,BR)，与传统BP训练函数相比泛化能力更强、学习速率更快且预测精度更高，能够有效避免局部最优解的出现。

步骤五中，神经网络训练出的变形数据与实测值相比，相对误差在10％以内。

步骤六中，采用训练好的贝叶斯神经网络模型，实时预测更多应力比条件下的蒙皮材料双轴拉伸变形行为，获得最佳的平流层飞艇蒙皮材料变形神经网络预测方法。训练好的网络模型对新变形数据的预测速度及准确度符合要求。

有益效果

采用本发明可以方便并准确的构建出平流层飞艇蒙皮材料在不同应力比的双轴作用下的本构关系，并能对更多应力比情况下的蒙皮材料本构关系进行较准确的预测，避免数学推导过程中众多参数带来的计算难度，节省大量的时间和成本。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例所需要使用的附图作简单介绍。

图1为平流层飞艇蒙皮材料宏观与微观结构；

图2为满足双轴拉伸需求的蒙皮材料十字试样设计；

图3为平流层飞艇蒙皮材料的本构关系贝叶斯网络结构；

图4为贝叶斯神经网络的回归结果；其中，图a为训练集回归结果，图b为测试集回归结果，图c为网络最终回归结果；

图5为贝叶斯神经网络训练出的经纱方向应力应变数据与实测数据的比较；

图6为贝叶斯神经网络训练出的纬纱方向应力应变数据与实测数据的比较；

图7为贝叶斯神经网络预测全新应力比下的经纱方向应力应变数据与实测数据的比较；

图8为贝叶斯神经网络预测全新应力比下的纬纱方向应力应变数据与实测数据的比较。

图9为贝叶斯神经网络预测流程图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

正如背景技术所介绍的，传统的数学公式和基础理论均无法有效、精确地实现材料变形行为的预测，而平流层飞艇蒙皮材料一旦产生初始裂纹和扩展，其损伤破坏速度非常快，这对飞艇的安全可靠性与控制提出了较高的要求。为了解决如上问题，本申请提出了一种利用神经网络预测平流层飞艇蒙皮材料变形的方法，其基于神经网络的原理实现人机交互，将冗杂的计算量交由计算机处理，在大量的训练分析后即可根据蒙皮材料双轴拉伸变形过程中测得的经向和纬向应力参数预测出相应的应变参数。其只需在前期神经网络模型对数据分析完成后进行双轴拉伸变形数据的获取，便可在材料变形过程中实时准确的预测双轴向应变参数。在蒙皮材料疲劳变形至初始裂纹产生之前，利用构建好的神经网络模型对其变形行为进行的准确预测将为飞艇蒙皮材料的优化设计和飞艇安全性能的提高提供可靠参考。

本实施例公开的一种利用神经网络预测平流层飞艇蒙皮材料变形的方法，具体实现步骤如下：

步骤一、制作适合进行双轴拉伸试验的蒙皮材料试样，开展双轴拉伸变形试验。

参见图1，飞艇蒙皮材料是一种纤维增强复合材料，承力层为编织层，纤维通常采用正交平纹编织方法制得。参见图2，制作十字形蒙皮材料试样，试样的十字角进行倒圆角处理以避免应力集中现象的发生。采用特制的双轴拉伸试验机进行双轴拉伸试验测试，试验机的拉伸臂夹紧十字形试样，引伸计沿经纬方向放置在中间区域并用螺钉固定在试样上，测量材料在经纬方向上的应变大小。拉力传感器装配在拉伸试验机的四个拉伸臂上，采用拉力传感器测量材料在经纬方向上的应力大小；

步骤二、对试样进行多种应力比条件下的双轴拉伸试验，收集并筛选试验结果数据，对数据进行打乱顺序和归一化的预处理，得到神经网络所需的训练样本数据。

打乱原始数据的排序方式是为了让神经网络能够更全面、更均匀地学习不同应力比下对应的应力应变数据，提高网络的鲁棒性；在输入参数被传递到隐含层进行训练之前进行输入参数的归一化，是为了将任意量纲、任意大小的输入参数非线性映射到某一确定的区间内，实现神经网络对任意非线性函数关系的学习和预测。

步骤三、确定最佳的神经网络结构，包括神经网络的输入输出参数、隐含层数目以及隐含层神经元个数。

参见图3，双轴拉伸试验获得蒙皮纤维复合材料在经向和纬向的应力应变数据，为后续实现蒙皮材料的变形预测。神经网络的输入参数之间是互相独立的，应力比为经向应力与纬向应力的比值，因此不作为一个独立的输入参数。确定神经网络的结构为：经向和纬向的应力作为神经网络输入层的2个输入参数；经向和纬向的应变作为神经网络输出层的2个输出参数；输入和输出参数较少，因此将隐含层数设为1层，隐含层神经元个数由经验公式确定为8个。

步骤四、选取适当的激活函数和训练函数，对神经网络进行学习和训练。

选择双曲正切函数为神经网络的激活函数，其功能是将任意量纲的输入参数非线性映射到[-1,1]内，实现神经网络对任意非线性函数关系的学习；选择贝叶斯回归函数(Bayesian Regression)为神经网络的训练函数，提高网络训练精度的同时避免传统BP网络易陷入局部最优解的缺陷。

步骤五、采用测试样本集对模型进行测试，并对构建的蒙皮材料神经网络模型的准确性进行评估；

参见图4(a)，样本按照80％和20％被分为训练集和测试集，贝叶斯神经网络对训练集的回归精度达到0.99844，证明构建的贝叶斯神经网络模型能够对训练集进行精确的学习；参见图4(b)和(c)，构建的贝叶斯神经网络对测试集的回归精度达到0.99807，网络模型整体训练效果达0.99838，证明构建的贝叶斯神经网络模型能够对采集到的双轴拉伸变形数据进行准确的学习。

步骤六、利用上述步骤确定的贝叶斯神经网络模型对平流层飞艇蒙皮材料在不同应力比下的变形行为进行学习和预测。

参见图5和图6，构建的贝叶斯神经网络模型学习出的经向和纬向的应力应变数据与试验数据对比发现，网络模型学习结果与实验结果吻合程度较好，网络模型能够快速、准确的学习蒙皮材料的双轴拉伸变形特征。参见图7和图8，开展应力比条件为(1:1，1.5:1，1.8:1和2:1)的双轴拉伸试验，实时地将经向和纬向应力数据输入到训练好的网络模型中，预测出全新的经向和纬向应变数据。其中，应力比条件为1:8是全新的、神经网络未接触过的应力比条件，对其应力应变情况进行预测来检验构建的贝叶斯网络模型的泛化能力。结果显示网络模型能够对蒙皮材料在不同应力比下的双轴拉伸变形行为进行实时、准确的预测。

其中，步骤一中，蒙皮材料试样主要的变形发生区域在其中心正方形区域。为避免局部区域的应力集中行为，在试样的拉伸臂进行切缝处理，并对试样的十字交叉区域采取倒圆角处理。

其中，步骤二中，开展不同应力比条件下的双轴拉伸试验。由于蒙皮材料承力层主要为编织层，应力比表示的是沿经纱方向的应力除以沿纬纱方向的应力。将试验数据代入神经网络进行训练之前，需对试验数据进行预处理，包括打乱顺序和归一化，打乱顺序有助于提高网络模型的鲁棒性，采用归一化将任意量纲的输入数据非线性映射到某一确定区域内，实现神经网络对任意函数的学习能力。

其中，步骤三中，最佳的神经网络结构包含：输入层神经元个数为2，隐含层神经元个数为8，输出层神经元个数为2。网络结构输入输出参数的确定主要由双轴拉伸的特殊性决定。与金属及传统复合材料相比，飞艇蒙皮材料主要受到非比例双轴拉伸作用。正交方向的应力比与应力值相关，因此确定输入参数为经向和纬向的应力，输出参数为经向和纬向的应变；隐含层数目由网络输入输出参数数量决定，因此采用单隐含层结构；隐含层神经元数目的确定目前没有统一的公式或理论，一般由下面的经验公式决定：

其中，n

其中，步骤四中，适当的激活函数和训练函数：隐含层和输出层的激活函数分别为hyperbola tangent和logistic sigmoid，训练函数为贝叶斯回归算法。与Levenberg-Marquardt算法、Scaled Conjugate Gradient算法等传统的前馈算法相比，贝叶斯算法是一个包含残差平方和及权值平方和的函数，泛化能力更强、学习速率更快且预测精度更高，能够有效避免局部最优解的出现。

其中，步骤五中，贝叶斯神经网络学习蒙皮材料不同应力比下的双轴拉伸试验数据的迭代速度与Levenberg-Marquardt算法、Scaled Conjugate Gradient等算法相当，贝叶斯神经网络模型学习出的蒙皮材料变形数据精度符合要求。

其中，步骤六中，采用训练好的贝叶斯神经网络，实时预测更多应力比条件下的蒙皮材料双轴拉伸变形行为，获得最佳的平流层飞艇蒙皮材料变形神经网络预测方法。训练好的网络模型对新变形数据的预测速度及准确度符合要求。

本发明实施例的一个具体应用过程如下：

(1)实验设计与应力应变数据的获取

层压编织复合材料Uretek3216LV是一种常用的平流层飞艇蒙皮材料。为适应平流层环境对蒙皮材料的要求，Uretek3216LV由五种功能层层压复合而成，分别是：耐磨层、紫外线层、织物层、气体保持层以及密封层。以层压编织复合材料Uretek3216LV为研究对象，设计满足双轴拉伸试验所需的十字形材料试样，尺寸采用160mm*160mm，倒圆角的半经为25mm，有效悬臂长度为160mm。生产出满足5种应力比试验需求的试样数量。采用双轴拉伸试验机对试样进行不同应力比下的静力学拉伸试验，测得试样在不同应力比下的经向和纬向的应力应变数据，作为神经网络的训练和测试样本。

(2)原始试验数据的预处理

通过双轴拉伸试验收集并筛选得到5种应力比下的315对试验数据，在进行神经网络训练之前，需要对训练样本数据进行预处理。预处理主要包括对数据顺序的处理和归一化。神经网络与生物大脑神经类似，具有“遗忘性”，即对于刚学习的特征有明确的记忆，而对于较早学习特征的记忆逐渐淡化。原始试验数据是依照实验开展顺序以应力比为参考升序排列，对原始数据采用乱序排列方法，提高神经网络对不同应力比下蒙皮材料变形特征的学习能力和鲁棒性；另外，归一化是神经网络结构非常重要的一步。神经网络输入层中的激活函数是一种非线性函数，它可以将不同量纲、任意大小的输入数据非线性映射到一个数值区间内，网络输出不再是输入的线性映射，从而使神经网络具备学习复杂非线性关系的能力。采用双曲正切函数为输入层激活函数，将输入层的两个参数：经向应力和纬向应力数据集非线性映射到[-1,1]内，即为归一化。归一化后的两个输入参数将再后续被传递到隐含层和输出层进行网络训练。

(3)神经网络结构的确定

平流层飞艇蒙皮材料的实际变形接近非比例双轴拉伸，现有的神经网络结构不适用于考虑应力比条件的蒙皮材料双轴拉伸变形行为，传统的数学公式和模型存在计算量繁重、参数复杂、无法实现材料变形实时准确预测等局限性。设计一种合适的神经网络结构，使其能够准确学习蒙皮材料双轴拉伸变形行为，并对未知变形行为进行实时预测将为飞艇蒙皮材料的优化设计和飞艇安全性能的提高提供参考。由于蒙皮材料受非比例双轴拉伸，确定神经网络的结构为：经向和纬向应力作为输入层的2个输入参数；经向和纬向应变作为输出层的2个输出参数；隐含层数设为1层，隐含层神经元个数由经验公式确定为8个。

(4)选取适当的训练函数，训练神经网络并预测蒙皮材料的变形行为

根据前述对前馈神经网络训练函数的对比分析，采用贝叶斯回归函数作为训练函数，代入预处理后的试验数据，对网络模型进行训练。经过417次共2秒的迭代计算后，网络模型训练结束，均方误差低至0.0010264，通过统计回归的方法对网络训练值和实测值进行分析，可知它们之间的相关系数达到0.99838，证明训练得到的网络模型满足精度要求。为验证训练好的网络模型预测蒙皮材料变形行为的能力，对蒙皮材料试样进行不同应力比条件下的双轴拉伸试验，应力比包括1:1，1.5:1，1.8:1和2:1，其中应力比1.8:1为神经网络未识别过的应力比条件，有助于分析网络模型的预测能力。实时地将经向和纬向应力数据输入到训练好的贝叶斯神经网络模型中，预测出全新的经向和纬向应变数据。参见图7和图8，对比网络预测结果与试验结果，预测结果的相对误差在10％以内，表明构建的网络模型预测精度较高，稳定性较好，推广能力强，可以满足实时、准确预测蒙皮材料变形行为的要求。

以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。