数据驱动的复合材料典型结构固化变形研究
文献类型：学位论文
| 作者 | 桂毅卓
|
| 答辩日期 | 2025-05-20 |
| 文献子类 | 硕士 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 北京 |
| 导师 | 邱诚 |
| 关键词 | 复合材料，固化变形，仿真，机器学习 |
| 学位专业 | 固体力学 |
| 其他题名 | Data Driven Research on Process-induced Deformation of Typical Composite Material Structures |
| 英文摘要 | 复合材料在航空航天、高铁、风电等领域得到广泛的应用，在复合材料结构制备过程中, 由于纤维与基体的热-力学性能差异, 会引起结构的固化变形, 从而影响制备精度、削弱服役性能。探究复合材料固化变形的规律与机理，通过适当方法减小固化变形，对于复合材料零件的设计与制造具有重要意义。本文开展了关于复合材料固化变形的相关研究：对热固性树脂基碳纤维复合材料固化过程中的固化动力学方程、本构方程进行了分析、建立了预测固化变形的仿真模型与机器学习模型，对传统铺层固化变形的规律与优化，对 Double-double（DD）铺层固化变形影响因素进行了研究。本文主要包括以下内容：
(1) 建立了复合材料固化变形理论分析模型，确定了相关材料的固化变形参数。分析了复合材料固化变形产生的机理和原因，根据已有模型确定了 GXC120树脂的固化反应动力学方程，对比了不同本构模型的计算结果与计算时间。确定了使用的 T800/GXC120 复合材料树脂的树脂玻璃化转变温度、热膨胀系数等相关参数。
(2) 建立了修正的复合材料固化变形仿真模型与基于机器学习的代理模型。基于 CHILE 本构模型建立了复合材料固化变形的仿真计算模型。通过对比实验与仿真结果，发现实验-仿真角度差与非对称度 、归一化刚度 (11) ∗ 相关。通过对仿真模型进行修正，使修正后的仿真模型与实验结果更加接近。建立了快速预测 V 形层合板全局固化变形的卷积神经网络模型，在保证预测精度的同时，预测速度大大增加。
(3) 基于数据驱动的方法发现了复合材料铺层顺序与固化变形之间的定量化规律。根据建立的快速预测固化变形的神经网络模型和大数据统计，发现小位移铺层顺序具有一定的铺层不对称性。针对特别设计的四种铺层顺序进行仿真计算，发现适当的铺层不对称性可以抵消其他因素引起的变形。通过可解释机器学习模型（SHAP 分析）和符号回归，量化了这种不对称性 。 能够为铺层设计提供指导与参考。
(4) 基于数据驱动的方法发现了 DD 铺层固化变形的主导因素和规律。根据 指标对 DD 铺层进行了铺层优化设计。通过随机 DD 铺层的仿真计算和径向基函数，分析了不同铺层产生的固化变形规律。基于层合板理论与仿真计算确定了不同因素对 DD 铺层固化变形的影响，发现摩擦和 C 形的维形作用是引起DD铺层固化变形的主要原因。
本文的研究对复合材料固化变形研究提供了新思路，对于复合材料零件的设计与制造具有重要意义。未来进一步的研究将为铺层顺序优化设计提供更为清晰简单的依据。 |
| 语种 | 中文 |
| 源URL | [http://dspace.imech.ac.cn/handle/311007/100913]  |
| 专题 | 力学研究所_流固耦合系统力学重点实验室(2012-) |
| 推荐引用方式 GB/T 7714 | 桂毅卓. 数据驱动的复合材料典型结构固化变形研究[D]. 北京. 中国科学院大学. 2025. |
入库方式： OAI收割
来源：力学研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。