基于神经网络的CFRP冲击失效预测研究

摘 要：针对CFRP材料的冲击失效预测问题，采用CFRP板开展冲击实验，基于ABAQUS建立仿真分析模型，比较仿真分析与实验测试的冲击载荷，相对误差低于3.3%，说明了仿真分析方法的有效性。改变冲击能量、冲击角度和CFRP厚度，设计正交实验，基于仿真分析模型获得冲击载荷。将仿真冲击载荷、冲击角度、CFRP厚度抽象为神经网络输入神经元参数，基于BP神经网络理论，建立冲击载荷预测模型，调整训练参数并重新排列进行模型训练。结果表明，文章模型预测准确度较高。

关键词：CFRP材料 神经网络

1 前言

CFRP（碳纤维增强树脂基复合材料）具有重量轻、高强度和高耐冲击性等特性，被应用于汽车、航空等行业。CFRP材料在使用、维修和制作过程中经常会受到不可避免的冲击损伤，这些损伤是不易察觉并且导致材料的强度和使用寿命下降。

传统复合材料结构研发周期较长，难以快速地给出设计方案，如何快速准确预测CFRP材料的抗冲击性能，对优化CFRP材料的结构设计和提高抵抗外力性能方面有深远的影响。

近年来，许多学者以传统方法对复合材料抗冲击性能等进行了深入研究。余粤凯[1]研究了金属/CFRP低速冲击和层间增强机理，研究发现CFRP遭受的冲击载荷越大，冲击所造成的内部损伤面积越大，CFRP力学失效提前；慕琴琴等[2]人研究了不同厚度及冲击角度对复合材料平板抗冲击能力的影响，结果表明复合材料抗冲击性能与厚度有关，并且存在最优撞击角度，使抗冲击性能最大。现有研究表明复合材料的抗冲击性能与冲击能量、冲击角度和板材厚度有一定的关系。

传统的有限元方法计算CFRP材料抗冲击性能，需要成熟的损伤演化理论、复杂的基础试验测量材料的基本参数和强大的计算机资源支撑。对于这种情况，使用tReHinpNyx1cpYJGRpcCJWV4wPu0wsMTE+4Gz20qrKg=神经网络进行预测是一种较好的选择。近年来，随着计算机的发展，神经网络已经在复合材料和航空等诸多领域中展现出了其在效率和准确度方面的极大优势。陈栋康康[3]等人针对CFRP板孔隙缺陷进行的无损检测方法研究，解决传统检测方法所面临的材料尺寸过大和实地环境限制的因素的影响，实现了快速精准实现外场实时缺陷检测；王莉[4]等人使用BP神经网络对复合材料损伤进行分析，提高了复合材料的使用安全性。

近年来，人工神经网络被广泛应用于有效处理各学科领域中复杂多变的数据关系中。本文首先进行冲击试验采集数据，再使用ABAQUS进行有限元仿真并记录数据，验证仿真分析方法的准确性，再使用ABAQUS建立数据集；最后，使用神经网络模型进行预测数据，与数据集进行比较，验证使用神经网络预测CFRP材料抗冲击性能的可能性。

2 CFRP冲击实验

本次实验采用的CFRP纤维为T300平纹，树脂为环氧类型，通过模压成型工艺加工而成。试验样片尺寸要求为矩形截面，长150mm，宽100mm，厚度为2mm的CFRP板，如图1。试验所用仪器是型号为CLC—AI的落锤冲击试验机。

实验开始前，将样件中心对准锤头，再打开冲击试验软件后输入所需冲击能量进行冲击实验，然后对得到的冲击数据进行分析，每个实验重复四次取平均值，个别数据相差过大，进行剔除，再进行实验。

2.1 冲击结果及分析

将CFRP板固定，对其分别进行2J/4J/6J/8J能量的冲击实验，根据位移-载荷曲线（如图2所示）可以看出，冲击失效载荷分别为530.071N、959.259N、880.687N、900.002N。能量较小时，板材无明显的纤维断裂和损伤，在正面凹陷不太明显；能量较大时，板材有明显的纤维断裂和损伤的痕迹，板材的正面有明显的凹陷，背面有明显的凸起，但所以实验板材整体没有发生断裂，实验合格。如图3所示，为6J冲击实验后的复合材料板面结果。

3 ABAQUS对CFRP有限元分析仿真

3.1 创建模型及定义部件

本文采用ABAQUS建立冲击实验的仿真分析模型（如图4）。CFRP板采用C3D8R单元，尺寸为2mm，材料属性如表1所示；锤头单元尺寸为0.5mm。对板与锤头进行装配，定义通用接触的相互作用，其力学性选择摩擦系数为0.1的切向行为，压力过盈时进行“硬”接触，并允许接触后分离的法向行为，对锤头选择刚体的约束，并指定向锤头的Z轴方向进行冲击。选择预定义场时，根据冲击能量和质量，设置锤头的冲击速度。

表1中，E1、E2、E3表示弹性模量，V12、V13、V22表示泊松，G12、G13、G23表示剪切模量，Xt、Yt、Zt表示拉伸强度，Xc、Yc、Zc表示压缩强度，GLT、GTT分别表示纵向和横向的拉伸断裂韧性，GLC、GTC分别表示纵向和横向的压缩断裂韧性，P表示材料的密度。

3.2 模拟结果分析

基于实验方案计划，进行150mm*100mm*

2mm的CFRP板冲击仿真模拟，得到载荷与位移曲线，以验证仿真的准确性和模型的可靠性。通过仿真得出的最大冲击力与实验的数值进行对比如表2所示，可以看出，相比较实验，平均误差为3.575%，最大误差为7%，总体来说，仿真模型在一定范围内仍然具有足够的准确度。

3.3 有限元模拟数据集的建立

仿真试验数据相对较少，无法保证通过python平台建立的神经网络模型预测的准确性和可行性，此时，需要建立一个数据集。本次实验通过ABAQUS仿真软件对试验进行仿真模拟，温度20℃保持不变，通过改变冲击能量、冲击角度和CFRP厚度，设计正交实验得到不同的试验数据来建立好数据集。

4 基于BP神经网络对CFRP冲击性能预测

4.1 神经网络模型的建立

BP神经网络是基于数据进行驱动运算的算法，在神经网络的训练过程中输入数据的选择将很大程度影响模型训练的时间以及后期预测的效果。

BP神经网络是一种根据误差进行逆向传播算法训练的多层前反馈网络，其神经网络结构主要分为三层，即输入层、隐藏层和输出层[5]，基本结构如下图5所示。

BP神经网络是依据数据进行驱动的人工算法，算法在运算过程中，开始输入训练数据，经过隐藏层的加权和运输得到结果；结果在与数据进行对比，不断优化权重，使运算得到最优结果，模型运算结束。本次选择CFRP冲击载荷峰值作为神经网络模型预测的输出值，该特征值能反映整体结构在不同冲击强度下的响应状况，能衡量CFRP的冲击性能。

在进行神经网络的训练过程时，输入的数据将对模型训练的时间以及后期预测的效果有很大的影响。在训练过程中，通常把输入的数据称为特征，因为选择的数据要能够概括每一个样本的特点，突出不同样本之间的差异。本次神经网络预测模型的输出值为CFRP冲击载荷峰值，该特征值能够反映出整体结构在不同冲击强度下的响应状况，能衡量CFRP整体抗冲击性能。

由于人工神经元激活函数的特性，为了输入到神经网络模型中，数据需要进行归一化处理，将其范围转换为[-1，1]。通过使用Python中与函数premnmx类似的函数来实现，这个函数的原理是：

式中，xt为某一特征值经过归一化后输出的数值，xn为原始数值，xmax、xmin分别表示该特征值同组数据中的最大值和最小值。

本次运用Python平台进行神经网络模型的创建，以CFRP板厚度、锤头冲击角度、冲击能量为特征，选择以CFRP冲击载荷峰值为预测。

最开始，各个节点间的连接权值是随机设定的，在神经网络模型训练过程中，这些权值会逐步通过迭代更新为新的数值，其更新计算公式如下所示：

式中E表示均方误差，表示学习率，是0-1之间的任意常数值，学习率主要影响迭代计算中的迭代步长，本次模型训练中选择的学习率为0.01[6]。

随着训练数据的增多，能够让神经网络模型的训练效果和预测准确率得到一定的提升。神经网络模型使用的数据类型应不进行制约，使得在往后的实验中能够使用更多的参数对CFRP的多种性能进行预测，依靠其预测值能够迅速预估实验结果，对实验设计及CFRP设计规划给出参考。

运用Python对所需要的神经网络进行编程创建，将训练数据代入其中，然后进行预测，可得出结果。

4.2 神经网络预测结果及分析

在神经网络的预测中，因为代入的训练数据还不够，故有一些个别预测数据与原始数据偏差较大，剔除误差较大的个别数据，平均误差减小到了9%，具有较高的预测准确性。

5 结语

CFRP材料（碳纤维复合材料）受到低速冲击后，力学性能下降程度与冲击角度、冲击能量和板材厚度相关。本文运用BP神经网络，以板材厚度、冲击角度和冲击能量为输入参数，创建车用CFRP抗冲击性能的预测模型，平均达到10%以下，具有较高的准确性。本次运用神经网络对CFRP材料抗冲击性能进行预测，对于提高CFRP材料的结构设计和抵抗外力性能方面有深远的影响，整个过程中神经网络的预测结果基本与数据集的结果相似，对运用神经网络预测CFRP板的抗冲击性能的运用提供了一定的理论性。

基金项目：广西壮族自治区大学生创新创业训练计划立项项目《基于神经网络CFRP板抗冲击性能预测》S202310602025；

广西壮族自治区大学生创新创业训练计划立项项目《考虑老化效应的汽车复合材料结构冲击损伤规律研究》202210602068。

参考文献：

[1]余粤凯.金属/碳纤维增强复合材料低速冲击和层间增强机理研究[D].南昌：华东交通大学，2023.

[2]慕琴琴，燕群，杭超，等.不同厚度及冲击角度对复合材料平板抗冲击能力的影响[J].实验力学，2023，38（01）：142-150.

[3]陈栋康康.碳纤维增强复合材料层合板孔隙缺陷的无损检测方法研究[D].哈尔滨：哈尔滨工业大学，2022.

[4]王莉，刘国强，杨宇，等.基于神经网络的复合材料结构分层损伤定量监测方法[J].纤维复合材料，2020，37（03）：50-54.

[5]盛鸣剑，陈普会.复合材料低速冲击损伤面积神经网络估算方法[J].南京航空航天大学学报，2018，50（01）：30-35.

[6]罗浩舜.基于BP神经网络的透明夹层结构抗冲击性能研究[D].太原：太原理工大学，2022.