1引言

复合材料层合板因其优异的力学性能和轻量化特性被广泛应用于航空航天、汽车、船舶等领域。然而，在制造、运输和使用过程中，复合材料层合板可能会受到各种形式的损伤，如低速冲击、疲劳等。因此，对复合材料层合板的损伤进行准确预测和评估具有重要意义。

传统的损伤预测方法通常基于有限元分析（FEA），但FEA计算量大、耗时长，难以满足实时预测的需求。近年来，基于数据驱动的代理模型逐渐成为研究热点，通过构建输入（如冲击参数）与输出（如损伤状态）之间的映射关系，实现快速预测。然而，现有代理模型在预测精度和泛化能力方面仍存在不足。

2024年1月，国际知名期刊《Composite Structures》发表了一篇题为“An efficient surrogate model for damage forecasting of composite laminates based on deep learning”的论文。该研究由清华大学、航空复合材料智能维修技术联合研究中心、芜湖机械厂等多个单位的研究团队共同完成。文章深入探讨了基于卷积神经网络（CNN）和表示学习方法VQ-VAE的复合材料层合板低速冲击损伤预测技术的背景、意义、研究内容、方法以及取得的成果，为科技领域的发展注入了新的活力。

2 研究内容及方法

该研究通过拉丁超立方采样方法在冲击能量、冲击角度和冲击器半径的范围内建立了115个案例，其中100个用于训练集，15个用于验证集。然后，利用卷积神经网络（CNN）构建了代理模型，同时引入了一种名为VQ-VAE的表示学习方法来提高代理模型的性能。该方法通过离散表示学习训练数据的特定模式，避免了过拟合，并适用于小数据集。代理模型由预测网络和预训练的解码器组成，通过最小化重构误差和潜在向量预测误差进行训练。

图1 （a） E=25J，R=32mm，θ=30的有限元模型 （b） 不同R和θ的参数建模说明（c） 数据集的组成

图2 （a） 基于VQ-VAE的代理模型（VQ-SM）和（b）端到端训练的CNN代理模型（CNN-SM）的架构

在研究中，为了验证所提方法的有效性，对分层和基体损伤进行了预测，并与实验结果进行了对比。同时，还比较了VQ-SM和CNN-SM两种代理模型的性能，发现VQ-SM在预测精度和泛化能力上都优于CNN-SM。

图3 三个验证集（上排）的不同层上的预测分层SDEG场与真实值（下排）的比较（a） R=8.0 mm，E=25.0 J，θ=0.0◦, （b） R=6.48 mm，E=42.92 J，θ=43.65（c）R=66.44 mm，E=27.07 J，θ=11.91◦.

图4 在三种不同的冲击条件下，不同层的预测基体损伤（上排）和实际损伤（下排）对比（a） R=8.0 mm，E=25.0 J，θ=0.0◦, （b） R=6.48 mm，E=42.92 J，θ=43.65◦ （c）R=66.44 mm，E=27.07 J，θ=11.91◦.

图5.VQ-SM和CNN-SM的性能比较。(a) 和 (c) 分层代理模型和基体损伤代理模型训练过程中损失函数下降的比较。(b)和(d)两个模型预测的一些损伤场与真实情况的比较。

3小结

该研究结果表明，基于CNN和VQ-VAE的代理模型能够可靠地预测不同冲击条件下的全场损伤，包括分层和基体损伤的位置、形状和面积。尽管在某些条件下预测结果可能存在误差，但整体上，所提方法提供了一种有效的全场损伤预测模型，可用于复合材料结构的损伤评估。同时，该研究的成果也为高效代理模型的构建提供了新的思路和方法。

通过比较VQ-SM和CNN-SM两种代理模型的性能，发现VQ-SM在预测精度和泛化能力上都有显著提升。这表明表示学习方法VQ-VAE的引入有助于提高代理模型的性能。此外，该研究还讨论了代理模型的应用范围和局限性，为今后的研究提供了方向。

该研究不仅为复合材料结构的损伤评估提供了高效、准确的预测工具，也为深度学习技术在工程领域的应用拓展了新的思路。随着研究的深入和技术的不断完善，基于深度学习的代理模型有望在航空航天、汽车、船舶等领域的结构健康监测与安全评估中发挥越来越重要的作用。

原始文献：Wang, G., Zhang, L., Xuan, S., Fan, X., Fu, B., Xue, X., & Yao, X. (2024). An efficient surrogate model for damage forecasting of composite laminates based on deep learning. Composite Structures, 331, 117863.

https://doi.org/10.1016/j.compstruct.2023.117863

原文链接：

https://linkinghub.elsevier.com/retrieve/pii/S0263822323012096