纖維增強聚合物（FRP）復合材料的加工是一個復雜的多物理場問題，涉及傳熱傳質、熱化學相變以及高度非線性和時間相關的粘彈性應力發展。為了降低制造風險和總體的生產成本，現如今更多的重點放在過程模擬上，以減少缺陷，而不是依賴技術訣竅和反復的試驗。

　　01

　　復合材料構件的仿真背景

　　這種數字賦能方法通常使用通用商業有限元（FE）模擬工具，如法國ABAQUS、美國ANSYS以及加拿大COMPRO等專用有限元工具，上述工具中包括內置材料庫，以顯示加工過程中復合材料性能的復雜演變。

　　目前這種方法的工業實施依賴于對受到對流加熱的零件和工具進行昂貴的三維有限元分析。在初步設計階段，需要進行多次設計迭代，以終確定零件厚度、疊層、固化周期、模具材料和幾何結構等細節。對于給定的大型部件，如復合材料機翼蒙皮，使用3D有限元模擬進行分析可能需要數周時間。

　　為了加速過程模擬，在初步設計階段可以使用降階有限元代替3D有限元。例如，對于復合材料的熱化學分析，薄零件的主要傳熱機制是通過厚度，遠離邊緣和工具子結構。因此，1D FE分析可作為零件3D響應的良好近似值進行，復雜零件可劃分為獨特區域，以執行多個1D FE分析，而不是整個零件的完整3D FE分析。這加快了初步設計階段的過程模擬。然而，這需要對速度與保真度的權衡，如圖1所示。

加工過程中對復合材料部件進行熱化學分析不同解決方案的保真度和模擬時間之間的權衡

　　然而，從初步設計到詳細設計，需要完成大量3D有限元模擬。即使使用能夠實現降階過程模擬的軟件，如采用 Convergent Manufacturing Technologies 可生產性評估-熱分析（CPA-TA），大型復合材料組件的模擬可能仍需要幾分鐘到一小時。盡管與全3D有限元相比，這是一個顯著的優勢，但它仍然不夠快，無法有效地探索整個優化設計范圍。

　　02

　　復合材料仿真設計的新進展

　　鑒于機器學習（machine learning，ML）和數據驅動方法的新進展，科學和工程的許多分支已經開始為不同的應用實現ML。一個新興的應用是訓練快速替代ML模型，以取代慢速有限元模擬工具。

　　在該方法中，FE模型用于根據輸入參數的不同假設自動生成大量數據。然后，這些數據可用于訓練不同的ML模型，如神經網絡（NN）、隨機森林模型或高斯過程回歸（GPR）模型。一個經過適當訓練的代理模型可以很好地復制用于訓練它的有限元模型，但在模擬速度上有顯著的提高。

　　近，在華盛頓大學的Navid Zobeiry教授、英屬哥倫比亞大學的Anoush Poursartip教授和來自Convergent Manufacturing Technologies的團隊之間的合作努力中，除了降階FE建模之外，還開發了替代ML模型以加速復合材料加工模擬。

　　在本研究中，開發了替代神經網絡模型來代替降階有限元。這些模型使用Convergent Manufacturing Technologies的RAVEN軟件以及復合材料固化問題的理論，使用FE模擬生成的數據對這些模型進行訓練。

　　這些神經網絡模型可以使用與有限元模擬相同的輸入來預測復合材料加工期間的關鍵性能指標，包括放熱固化反應期間的高零件溫度。平均而言，使用一個典型的計算機工作站，使用這些ML模型可以獲得比FE模型大1000到10000倍的速度增益。這使得大型復合材料組件的模擬速度接近實時。

　　03

　　機器學習仿真設計的高效率

　　這些代理神經網絡模型近通過Convergent Manufacturing Technologies

　　在CPA-TA中實現，并在大型復合材料機翼蒙皮的過程模擬中展示了它們的性能。圖2中顯示了具有代表性的5×10米機翼蒙皮設計，其典型的層定義包括厚度為40到80層，以及典型機翼蒙皮中的襯墊、層降和其他特征。使用ABAQUS中的商業軟件包COMPRO，在典型的計算機工作站上使用3D FE對生產工具上的機翼蒙皮進行過程模擬，耗時數小時。

　　值得注意的是，使用這種方法進行流程優化需要幾天或幾周的時間。在第二次嘗試中，機翼蒙皮被劃分為30個獨特的1D幾何體。使用降階有限元，對整個機翼蒙皮進行了九次模擬，使用三個溫度循環和三種刀具厚度進行優化。在CATIA 5中使用CPA-TA進行的這些模擬在用于3D FE的同一臺計算機上耗時約半小時。

　　在后一次演示中，使用CPA-TA中經過訓練的神經網絡模型進行了相同的模擬，取得了非常好的結果。與降階FE類似，機翼蒙皮分為30個區域，并使用不同的模具厚度和空氣溫度剖面進行了九次模擬。然而，這些模擬僅在兩秒鐘內完成。這些模擬方法的比較（圖2）清楚地證明了ML方法能夠實現復雜復合材料結構的近實時模擬能力和大幅節省時間。值得注意的是，這里討論的技術的成功也可以應用于其他工程應用。

（參考來源：CW）原創 錢 鑫 博士