基于机器学习的CFRP压力容器纤维缠绕路径优化方法

基于机器学习的cfrp压力容器纤维缠绕路径优化方法
技术领域
1.本发明属于压力容器技术领域，具体涉及一种基于机器学习的cfrp压力容器纤维缠绕路径优化方法。


背景技术：

2.近年来，储氢作为cfrp压容器的重要用途之一，其研发和生产受到越来越多的关注，国外已将iv型容器推向了应用，因此国内对于cfrp压力容器的研发和生产迫在眉睫。目前应用广泛的cfrp压力容器在结构上分为内衬和复合材料缠绕层两部分，其相较于传统的全金属压力容器，其重量更轻、性能更好，并且应用范围更加广泛。
3.对于cfrp压力容器，碳纤维复合材料层是主要的承压结构，内衬结构的承压性能相较于复合材料层几乎可以忽略不计，因此复合材料缠绕层的性能直接影响压力容器整体的产品质量。然而，素有“黑色黄金”之称的碳纤维价格昂贵，导致cfrp压力容器的成本较高，因此大量实验验证性能的方法不满足经济性要求。另外，碳纤维复合材料缠绕层的铺层顺序和铺层角度具有不确定性，不同的铺层顺序和铺层角度产生的rve结构也不尽相同，可能产生的应力集中情况也不尽相同，从而导致在消耗相同碳纤维量时，压力容器的爆破压也不尽相同。
4.cfrp压力容器纤维缠绕顺序影响产品最终的爆破压性能，目前虽然可以通过理论计算出复合材料缠绕层螺旋缠绕和环向缠绕的厚度与缠绕层数，然而对于缠绕铺层的顺序并没有明确的规定，采用手动穷举的方法进行验证明显是不可取的。为了能够消耗更少碳纤维便能达到爆破压的要求，需要找到应力集中最小的rve结构(缠绕结构代表体积单元)，即对应的最优化纤维缠绕路径。专利“一种基于机器学习的复合材料储氢容器铺层角度设计方法”中使用机器学习的方法寻求最优化的纤维缠绕角度方案，但未考虑内衬尺寸变化、铺层顺序对爆破压的影响，该优化方法具有较大局限性。


技术实现要素：

5.本发明的目的在于提供一种基于机器学习的cfrp压力容器纤维路径优化方法，其目的在于提供少实验、低成本、高效率的结构优化方法并提高结构的力学性能。
6.实现本发明目的的技术解决方案为：一种基于机器学习的cfrp压力容器纤维缠绕路径优化方法，包括如下步骤：
7.步骤(1)：建立cfrp压力容器的有限元分析模型；
8.步骤(2)：对有限元分析模型施加载荷并添加边界条件，确定失效形式；
9.步骤(3)：定义纤维缠绕路径，获取一组样本数据：将cfrp压力容器的扩孔半径r、封头轮廓函数h、缠绕顺序s作为变量，分析模型的失效形式和失效单元总数量，得到一组样本数据；
10.步骤(4)：更新纤维缠绕路径，建立数据库：不断更新扩孔半径r、封头轮廓h和铺层顺序s，即纤维缠绕路径不断更新，从而不断更新rve结构，有限元分析模型不断更新，按照
步骤(3)分析得到每一组纤维缠绕路径对应的失效形式和失效单元总数量，得到随参数r、h、s更新而更新的rve结构的样本数据，即建立了数据库；
11.步骤(5)：建立神经网络模型：将cfrp压力容器的纤维缠绕路径作为输入量，将容器失效形式和失效单元总数作为神经网络的预测结果；
12.步骤(6)：通过数据库完成神经网络的训练，获取训练完成后的神经网络；
13.步骤(7)：根据步骤(6)中训练完成的神经网络，对cfrp压力容器的纤维缠绕路径进行优化，将神经网络的预测结果作为优化目标，最少化单元失效数量，cfrp压力容器失效单元数量最少时对应的纤维路径，即为最优化的纤维缠绕路径。
14.进一步的，步骤(1)的有限元分析模型的建立具体为：确定技术指标和内衬，在内衬上进行碳纤维复合材料缠绕层的建模。
15.进一步的，步骤(2)中失效形式具体为：数据样本用(vi，qi)表示，其中vi代表第i种rve结构，qi代表第i种rve结构单元失效总数量。
16.进一步的，步骤(2)中判断是否失效采用hashin破坏准则，当纤维发生拉伸失效或压缩失效时，此单元被判断为失效单元。
17.进一步的，步骤(4)具体为：影响输入层rve结构vi的参数有扩孔半径、封头轮廓和缠绕铺层顺序，分别为(ri，hi，si)，其中缠绕角度由ri和hi共同决定；当i＝0时，扩孔半径r0＝35mm，将螺旋缠绕和环向缠绕按照层数分别标记为(l1，l2，
……
，l
12
)、(h1，h2，
……
，h
17
)，建立l与h之间的关系，遍历出l和h排列的所有结果；当ri变化时，所对应的铺层顺序将重新排列，其中ri∈(r0,r)，r为筒身段纬度圆半径；不同参数中rve结构组成了样本数据，根据样本数据，进行机器学习，以失效单元总数量qi为预测结果，寻找单元失效数量qi最少时的rve结构vi即cfrp压力容器最优化纤维路径。
18.进一步的，将cfrp压力容器的扩孔半径r以0.5mm递增，最大值为筒身段半径130mm，缠绕顺序s以对螺旋缠绕层和环向缠绕层且以排列组合的方式进行更新，rve结构根据扩孔半径r和缠绕顺序s的更新而更新，同时纤维路径更新，使用更新后的新路径对有限元模型进行相应的更新，得到具有不同纤维路径的模型。
19.进一步的，步骤(6)“通过数据库完成神经网络的训练，获取训练完成后的神经网络”具体为：
20.将采集到的数据样本划分为训练集t1和测试集t2，使用神经网络对训练集进行训练，训练完成后，使用测试集对训练好的神经网络进行测试，验证预测结果的准确性，神经网络中包含rve结构v和失效单元总数量q的对应关系，即f：v
→
q；该神经网络基于v和q的映射关系对所有纤维路径下的rve结构进行搜索并预测，预测结果为失效单元的总数量，据此可以得到不同rve结构所对应的失效单元总数量。
21.本发明与现有技术相比，其显著优点在于：
22.(1)本发明将高效率的机器学习方法应用于扩孔半径、封头轮廓、铺层顺序复杂多变的cfrp压力容器复合材料缠绕层，相较于现有实验仿真手段，能够更加迅速地、低成本地完成缠绕路径优化，相较于理论验证和试验验证具有明显的优势。
23.(2)本发明的优化方法采用扩孔半径、封头轮廓和铺层顺序的更新，实现了多种rve结构爆破压的预测，并寻求出最优化的扩孔半径、封头轮廓和铺层顺序。cfrp压力容器复合材料缠绕层铺层顺序的变化以及扩孔处理，导致纤维缠绕角度和纤维缠绕路径不断变
化，同时由于存在纤维交叉起伏和纬度圆半径变化等细微差别，其结果导向为产生不同的rve结构，由于rve结构的特征更易别识别和检测，因此将其作为检测的输入量，将极大地提高目标检测的精度。
24.(3)机器学习应用于纤维路径的学习与预测中，可以根据rve结构的特征，快速简便的寻求到纤维路径的最优解，从而优化cfrp压力容器的结构设计，提高其抗爆破性能。
附图说明
25.图1为基于机器学习的cfrp压力容器纤维路径优化方法的流程图。
26.图2为cfrp压力容器的机构示意图。
27.图3为纤维缠绕及rve结构示意图。
28.图4为纤维缠绕路径变化导致rve结构变化的示意图。
29.图5为本发明的纤维缠绕路径和缠绕路径更新示意图；其中(a)为纤维缠绕路径示意图，(b)纤维缠绕路径更新示意图。
具体实施方式
30.下面结合附图对本发明作进一步详细描述。
31.如图1所示，一种基于机器学习的cfrp压力容器纤维路径优化方法，包括如下步骤：
32.步骤一，建立cfrp压力容器的有限元分析模型：
33.模型中复合材料缠绕层使用碳纤维树脂基复合材料，结构上分为内衬层和复合材料缠绕层，如图2所示。本发明中，将厚度远小于直径的复合材料缠绕层看做薄壁圆筒，使用薄膜理论和网格理论，确定缠绕参数，结合机器学习并使用有限元分析软件abaqus进行纤维缠绕路径优化。iv型储氢压力容器的内衬采用尼龙(pa66)材料制造，本实施例以iv型cfrp压力容器的纤维缠绕路径的设计与制造为例，本发明方法也适用于具有类似结构的压力容器。
34.根据压力容器的基本技术指标与碳纤维复合材料基本参数，结合薄膜理论和网格理论，计算纤维缠绕角度和缠绕厚度，对于测地线缠绕方式，螺旋缠绕角度α可由极孔半径r0和纬度圆半径r求得：
[0035][0036]
复合材料缠绕层筒身段螺旋缠绕层和环向缠绕层纤维厚度的计算方法为：
[0037][0038][0039]
式中：t
α
为纤维螺旋缠绕厚度；p
max
为破裂压；[σ]为纤维许用应力，取纤维束极限应力的80％；经验系数k＝0.8；αs为螺旋缠绕角度；t
θ
为环向缠绕厚度。
[0040]
技术指标和设计参数以及碳纤维复合材料基本参数如表1和表2所示，根据单层纤维束的厚度t
p
，可以计算出螺旋缠绕层和环向缠绕层分别为12层和17层。封头段采用三次
样条函数法和几何方法预测纤维厚度，并考虑纤维滑移采用等体积法对封头轮廓进行平滑处理。在abaqus中，建立cfrp压力容器的有限元分析模型，并根据表2定义复合材料的材料属性，内衬是一种各向同性材料，其模量和泊松比分别为2900mpa、0.34。对于封头段，按纬度圆半径划分为十四个区域，每个区域的缠绕角度看做不变，从而完成封头段几何结构材料属性的赋予和材料方向的指派。由于缠绕铺层顺序对纤维路径及rve结构有影响，因此在本实例中，对cfrp压力容器施加185mpa内压，筒身段的铺层方式设定为(
±
15.1
°
)6/(90
°
)
17
。
[0041]
表1 cfrp压力容器技术指标和设计参数
[0042][0043]
表2碳纤维复合材料基本参数
[0044][0045]
步骤一中根据cfrp压力容器的技术指标、内衬尺寸及材料参数，建立有限元分析模型，并对模型赋予材料属性，对不同缠绕方向的纤维层指派相应的材料方向，继而装配、施加载荷、添加边界条件、划分网格，最终得到压力容器有限元分析模型。由于cfrp为轴对称模型，因此建立四分之一模型，在分割的侧边施加循环对称约束和对称约束，完成边界条件的设置。
[0046]
步骤二，对建立的有限元模型施加内压，分析cfrp压力容器的失效形式和失效单元总数，得到具有压力容器失效形式和失效单元数量的样本数据：
[0047]
样本数据是由复合材料缠绕层的rve结构所确定的，如图3所示，经过环向缠绕和螺旋缠绕后，cfrp压力容器的rve结构用于数据采集，另外数据样本用(vi，qi)表示，其中vi代表第i种rve结构，qi代表第i种rve结构单元失效总数量。
[0048]
在仿真中采用hashin破坏准则作为碳纤维复合材料的失效准则，对纤维考虑纤维拉伸失效、纤维压缩失效，对基体考虑基体拉伸失效、基体压缩失效。由于纤维几乎承载全部载荷，因此将纤维失效作为主要的失效判断依据，当纤维发生拉伸失效或压缩失效时，此单元将被判断为失效单元。
[0049]
步骤三，机器学习或训练是指在一个确定的神经网络框架下寻找映射关系的权重和偏置的过程。在训练前，网络参数是随机初始化的，此时通过前向传播计算得到的预测值必然是偏离实际值的，因此训练的过程即是使偏离值最小化。常规神经网络一般通过基于一阶梯度的优化算法，如自适应矩估计算法(adam)等来不断迭代，从而找到使偏离值最小时的网络参数。对于一个已经训练好的模型，也即网络中的权重和偏置参数能很好地描述映射关系时，便可以通过向前传播，计算得到较为可靠的预测结果。
[0050]
根据cfrp压力容器的结构参数建立数据库，影响输入层rve结构(vi)的参数有扩孔半径、封头轮廓和缠绕铺层顺序，分别为(ri，hi，si)，其中缠绕角度由ri和hi共同决定。当i＝0时，扩孔半径r0＝35mm。将螺旋缠绕和环向缠绕按照层数分别标记为(l1，l2，
……
，l
12
)、
(h1，h2，
……
，h
17
)，建立l与h之间的关系，遍历出l和h排列的所有结果。另外，当ri变化时，所对应的铺层顺序将重新排列，其中ri∈(r0,r)，r为筒身段纬度圆半径。不同参数中rve结构组成了样本数据，根据样本数据，进行机器学习，以失效单元总数量(qi)为预测结果，寻找单元失效数量最少时cfrp压力容器最优化纤维路径。如图4所示，基于深度学习的模型即使用神经网络搭建rve结构和失效单元总数量之间的映射关系。对cfrp压力容器不进行扩孔处理，此时纤维在极孔附近的缠绕纬度圆半径为35mm，采用先螺旋缠绕再环向缠绕的方式，缠绕顺序为(l1，l2，
……
，l
12
，h1，h2，
……
，h
17
)，这种缠绕路径下的rve结构为v1，对应失效单元总数量为q1。将cfrp压力容器的扩孔半径以0.5mm递增，最大值为筒身段半径130mm，缠绕顺序以对螺旋缠绕层和环向缠绕层以排列组合的方式进行更新，rve结构根据扩孔半径和缠绕顺序的更新而更新，同时纤维路径更新，使用更新后的新路径对有限元模型进行相应的更新，得到具有不同纤维路径的新模型，按照步骤二中的方式，对新模型施加内压，分析新模型的失效形式和失效单元总数量，继而得到一组新的样本数据：
[0051]
步骤三中的部分参数不进行改变，如内衬尺寸、材料参数、螺旋缠绕厚度、环向缠绕厚度。如图5所示，当缠绕铺层顺序发生改变或扩孔处理时，cfrp压力容器复合材料缠绕层的rve结构发生改变，以随机产生的缠绕铺层方式作为一种缠绕方式，施加爆破压力得到失效单元总数量，从而获取样本数据。
[0052]
步骤四：按照步骤三的方式，扩孔半径(r)、封头轮廓(h)和铺层顺序(s)不断更新，即纤维路径不断更新，则rve结构不断更新，有限元分析模型不断更新，可以得到随参数r、h、s更新而更新的rve结构的样本数据，从而建立有效的数据库；按照步骤三的方法，建立多组缠绕方式，得到样本数据。
[0053]
缠绕铺层顺序和扩孔处理分别按排列组合的方式和纬度圆半径0.5mm递增的方式更新，以避免缠绕方式重复。
[0054]
步骤五，建立神经网络模型，将cfrp压力容器的纤维路径作为输入量，将容器失效单元总数作为神经网络的预测结果：
[0055]
神经网络的输入变量为cfrp压力容器rve结构vi，预测结果为cfrp压力容器复合材料缠绕层失效单元的数量qi。
[0056]
步骤六，通过数据库完成神经网络的训练，获取训练完成后的神经网络：
[0057]
将采集到的数据样本划分为训练集t1和测试集t2，使用神经网络对训练集进行训练，训练完成后，使用测试集对训练好的神经网络进行测试，验证预测结果的准确性，神经网络中包含rve结构v和失效单元总数量q的对应关系，即f：v
→
q。该神经网络基于v和q的映射关系对所有纤维路径下的rve结构进行搜索并预测，预测结果为失效单元的总数量，据此可以得到不同rve结构所对应的失效单元总数量。
[0058]
步骤七，根据步骤六中训练完成的神经网络，对cfrp压力容器的纤维路径进行优化，将神经网络的预测结果作为优化目标，最少化单元失效数量，cfrp压力容器失效单元数量最少时对应的纤维路径，即为最优化的纤维缠绕路径：
[0059]
通过测试完毕的神经网络，在压力185mpa下对不同缠绕纤维路径的cfrp压力容器失效单元总数量进行统计，失效单元总数量最少的rve结构即为最优的纤维路径，在有限元分析软件abaqus中，计算最优纤维路径下cfrp压力容器的爆破压，若该爆破压大于理论设计时的爆破压，则认为该纤维路径为该设计指标下的有最优纤维路径。

技术特征：
1.一种基于机器学习的cfrp压力容器纤维缠绕路径优化方法，其特征在于，包括如下步骤：步骤(1)：建立cfrp压力容器的有限元分析模型；步骤(2)：对有限元分析模型施加载荷并添加边界条件，确定失效形式；步骤(3)：定义纤维缠绕路径，获取一组样本数据：将cfrp压力容器的扩孔半径r、封头轮廓函数h、缠绕顺序s作为变量，分析模型的失效形式和失效单元总数量，得到一组样本数据；步骤(4)：更新纤维缠绕路径，建立数据库：不断更新扩孔半径r、封头轮廓h和铺层顺序s，即纤维缠绕路径不断更新，从而不断更新rve结构，有限元分析模型不断更新，按照步骤(3)分析得到每一组纤维缠绕路径对应的失效形式和失效单元总数量，得到随参数r、h、s更新而更新的rve结构的样本数据，即建立了数据库；步骤(5)：建立神经网络模型：将cfrp压力容器的纤维缠绕路径作为输入量，将容器失效形式和失效单元总数作为神经网络的预测结果；步骤(6)：通过数据库完成神经网络的训练，获取训练完成后的神经网络；步骤(7)：根据步骤(6)中训练完成的神经网络，对cfrp压力容器的纤维缠绕路径进行优化，将神经网络的预测结果作为优化目标，最少化单元失效数量，cfrp压力容器失效单元数量最少时对应的纤维路径，即为最优化的纤维缠绕路径。2.根据权利要求1所述的方法，其特征在于，步骤(1)的有限元分析模型的建立具体为：确定技术指标和内衬，在内衬上进行碳纤维复合材料缠绕层的建模。3.根据权利要求2所述的方法，其特征在于，步骤(2)中失效形式具体为：数据样本用(v
i
，q
i
)表示，其中v
i
代表第i种rve结构，q
i
代表第i种rve结构单元失效总数量。4.根据权利要求3所述的方法，其特征在于，步骤(2)中判断是否失效采用hashin破坏准则，当纤维发生拉伸失效或压缩失效时，此单元被判断为失效单元。5.根据权利要求4所述的方法，其特征在于，步骤(4)具体为：影响输入层rve结构v
i
的参数有扩孔半径、封头轮廓和缠绕铺层顺序，分别为(r
i
，h
i
，s
i
)，其中缠绕角度由r
i
和h
i
共同决定；当i＝0时，扩孔半径r0＝35mm，将螺旋缠绕和环向缠绕按照层数分别标记为(l1，l2，
……
，l
12
)、(h1，h2，
……
，h
17
)，建立l与h之间的关系，遍历出l和h排列的所有结果；当r
i
变化时，所对应的铺层顺序将重新排列，其中r
i
∈(r0,r)，r为筒身段纬度圆半径；不同参数中rve结构组成了样本数据，根据样本数据，进行机器学习，以失效单元总数量q
i
为预测结果，寻找单元失效数量q
i
最少时的rve结构v
i
即cfrp压力容器最优化纤维路径。6.根据权利要求5所述的方法，其特征在于，将cfrp压力容器的扩孔半径r以0.5mm递增，最大值为筒身段半径130mm，缠绕顺序s以对螺旋缠绕层和环向缠绕层且以排列组合的方式进行更新，rve结构根据扩孔半径r和缠绕顺序s的更新而更新，同时纤维路径更新，使用更新后的新路径对有限元模型进行相应的更新，得到具有不同纤维路径的模型。7.根据权利要求6所述的方法，其特征在于，步骤(6)“通过数据库完成神经网络的训练，获取训练完成后的神经网络”具体为：将采集到的数据样本划分为训练集t1和测试集t2，使用神经网络对训练集进行训练，训练完成后，使用测试集对训练好的神经网络进行测试，验证预测结果的准确性，神经网络中包含rve结构v和失效单元总数量q的对应关系，即f：v
→
q；该神经网络基于v和q的映射关系
对所有纤维路径下的rve结构进行搜索并预测，预测结果为失效单元的总数量，据此可以得到不同rve结构所对应的失效单元总数量。

技术总结
本发明属于压力容器技术领域，具体涉及一种基于机器学习的CFRP压力容器纤维缠绕路径优化方法。建立CFRP压力容器的有限元分析模型，分析压力容器在规定内压下的单元失效情况，对复合材料压力容器的纤维缠绕路径进行变换后，将产生新的缠绕结构代表体积单元RVE，对新路径进行有限元分析，提取其路径特征产生的RVE结构信息及单元信息建立数据库，将该数据库作为训练神经网络，以纤维路径作为输入层，单元失效总数作为输出层，将神经网络的输出作为优化目标，最大化减少单元失效数量，并对最优化的纤维路径模型进行对比验算，即可得到最优化的纤维缠绕路径。本发明提供了一种少实验、低成本、高效率的结构优化方法并提高结构的力学性能。的力学性能。的力学性能。


技术研发人员：冯君 张楠 史骥 宋梅利 陈杨
受保护的技术使用者：南京理工大学
技术研发日：2023.03.13
技术公布日：2023/8/24