本發(fā)明涉及復合材料，具體地，涉及一種碳化硅顆粒增強鋁基復合材料力學性能的預測方法。

背景技術：

1、碳化硅顆粒增強鋁基復合材料因其高模量、高強度、高耐磨性以及低熱膨脹系數(shù)等優(yōu)異的綜合性能，被廣泛應用于航空航天、交通運輸、電子封裝等領域。碳化硅顆粒增強金屬基復合材料的力學性能與復合構型密切相關，對其構效關系的快速推理和預測，可以有效指導復合構型的設計與優(yōu)化，從而進一步發(fā)揮其性能優(yōu)勢和應用價值。

2、然而，在碳化硅顆粒增強鋁基復合材料中，顆粒的含量、形狀、大小、分布等因素直接決定了復合材料的微觀結構。由于眾多構型特征的隨機組合，復合構型空間呈現(xiàn)出極為龐大的復雜性。同時，顆粒的加入也會間接影響到基體自身的組織，從而引發(fā)復雜的強韌化效應。傳統(tǒng)的實驗方法依賴于重復試錯，單一數(shù)值計算方法依賴于模型和參數(shù)選取，研究成本昂貴且周期漫長，而且靈活性較差，在龐雜的復合體系面前局限性愈發(fā)突出，難以開展針對大量復合構型于力學性能耦合關系深入而系統(tǒng)的研究。因此，研發(fā)一種能夠快速從給定的碳化硅顆粒增強鋁基復合材料微觀組織預測對應力學性能的新方法，對于實現(xiàn)從新材料結構到力學性能的快速推導至關重要。

3、經(jīng)檢索，申請公開號為cn116959647a的中國發(fā)明專利，公開一種基于有限元分析的預測微納米復合材料機械性能的方法，包括：s1：基于通過顯微鏡觀察記錄的復合材料的微觀結構圖像，首先生成5000個具有由圓形顆粒物組成的各種結構的微觀結構圖像的虛擬圖像，其中虛擬圖像是通過設置基本顆粒參數(shù)自動根據(jù)分布規(guī)律生成；s2：將不同的復合材料的微觀結構虛擬圖像導入到有限元仿真分析軟件中，然后利用程序從仿真結果中提取材料等效機械性能參數(shù)；s3：復合材料微觀結構虛擬圖像和對應提取的等效機械性能參數(shù)作為基礎輸入數(shù)據(jù)來訓練神經(jīng)元網(wǎng)絡，以及開發(fā)基于深度學習的預測方法，最終校驗合格的神經(jīng)元網(wǎng)絡即cnn網(wǎng)絡用于預測循環(huán)中預測復合材料機械性能。在這項專利中，所采用的輸入組織結構為規(guī)則的圓形顆粒，生成的數(shù)據(jù)范圍受限；此專利僅僅采用了簡單的cnn網(wǎng)絡，網(wǎng)絡結構為幾個簡單的卷積層堆疊，學習能力有待提高；此專利只預測了單項機械性能，無法反映材料在使役過程中的全流程響應過程。

技術實現(xiàn)思路

1、針對現(xiàn)有技術中的缺陷，本發(fā)明的目的是提供一種碳化硅顆粒增強鋁基復合材料力學性能的預測方法。

2、根據(jù)本發(fā)明的一個方面，提供一種碳化硅顆粒增強鋁基復合材料力學性能的預測方法，包括：

3、構建碳化硅顆粒增強鋁基復合材料的結構-性能關聯(lián)數(shù)據(jù)集；

4、構建基于編碼器-解碼器結構的深度學習模型，所述深度學習模型以材料的組織結構圖片作為輸入，所述深度學習模型的編碼器用于獲得組織結構的特征編碼向量，所述深度學習模型的解碼器根據(jù)所述特征編碼向量獲得應力應變演化關系，所述深度學習模型輸出組織結構所對應的應力-應變曲線；

5、將所述結構-性能關聯(lián)數(shù)據(jù)集劃分為訓練集、測試集和驗證集，對所述深度學習模型進行訓練；

6、將新生成的待預測碳化硅顆粒增強鋁基復合材料構型輸入訓練好的深度學習模型，獲得所對應的應力-應變曲線，并從中提取出力學性能。

7、進一步地，所述構建碳化硅顆粒增強鋁基復合材料的結構-性能關聯(lián)數(shù)據(jù)集，包括：

8、對碳化硅顆粒進行幾何建模；

9、在碳化硅顆粒與鋁基體的裝配過程中，使得碳化硅顆粒在鋁基體中的空間無交叉分布，得到碳化硅顆粒增強鋁基復合材料的rve模型；

10、對所述rve模型進行高通量有限元計算，引入碳化硅顆粒增強鋁基復合材料的本構模型，包括碳化硅顆粒的彈脆性斷裂模型和鋁基體的彈塑性變形/韌性斷裂模型，以及碳化硅顆粒和鋁基體之間界面行為的粘聚力模型；基于所述rve模型和所述本構模型，使用abaqus顯式求解器進行單軸拉伸變形仿真，從而得到碳化硅顆粒增強鋁基復合材料rve模型對應的應力-應變數(shù)據(jù)；

11、對所述rve模型對應的數(shù)字化圖片和應力-應變數(shù)據(jù)進行標準化處理，得到碳化硅顆粒增強鋁基復合材料的結構-性能關聯(lián)數(shù)據(jù)集。

12、進一步地，所述對碳化硅顆粒進行幾何建模，其中：對碳化硅顆粒采用隨機生成的凸多邊形進行幾何建模，采用單位圓邊界點偏移的方法生成凸多邊形的頂點。

13、進一步地，所述在碳化硅顆粒與鋁基體的裝配過程中，使得碳化硅顆粒在鋁基體中的空間無交叉分布，包括：采用預生成提議位置的方法，采用泊松圓盤采樣的方式，保證點與點之間的距離不超過設定閾值，并采用增量旋轉和輕微縮放的方式調整顆粒位置和大小。

14、進一步地，對所述rve模型對應的數(shù)字化圖片和應力-應變數(shù)據(jù)進行標準化處理，包括：重構組織被表示為224*224的二值化圖片，并用0表示鋁基體，用1表示碳化硅顆粒；采用min-max標準化處理應力序列，將應力數(shù)據(jù)縮放到[0,10]之間。

15、進一步地，所述構建基于編碼器-解碼器結構的深度學習模型，其中：編碼器部分采用基于resnet的卷積神經(jīng)網(wǎng)絡作為主干，解碼器部分采用長短期記憶神經(jīng)網(wǎng)絡lstm為主干。

16、進一步地，所述編碼器部分包括：

17、預卷積模塊，由3層卷積核大小的3×3的卷積層組成，且每層卷積后不進行池化操作；

18、殘差塊，采用bootleneck結構，在深度方向的堆疊數(shù)量依次為3、3、9、3，并且每個bottleneck結構包含3個卷積層；

19、位置融合模塊，由一層深度可分離卷積層組成，卷積核的大小與輸入特征圖的大小相同。

20、進一步地，所述構建基于編碼器-解碼器結構的深度學習模型，其中：長短期記憶神經(jīng)網(wǎng)絡lstm的初始lstm的初始外部狀態(tài)h0和初始內部狀態(tài)c0分別由一個全連接層進行初始化，外部狀態(tài)和內部狀態(tài)的維度與特征編碼的維度一致；在lstm中，采用特征編碼結合每一步的位置編碼作為每一步的輸入；每一步的lstm輸出向量ht經(jīng)過一個全連接層轉換為目標應變值，每一步的全連接層共享參數(shù)。

21、進一步地，所述結構-性能關聯(lián)數(shù)據(jù)集劃分為訓練集、測試集和驗證集，對所述深度學習模型進行訓練，其中，分別對編碼器部分和解碼器部分采用不同的優(yōu)化器與學習率，經(jīng)過多輪訓練迭代，獲得訓練好的深度學習模型。

22、進一步地，將所述結構-性能關聯(lián)數(shù)據(jù)集劃分為訓練集、測試集和驗證集，對所述深度學習模型進行訓練，包括：

23、將所述結構-性能關聯(lián)數(shù)據(jù)集按8:1:1的比例劃分為訓練集、驗證集和測試集三部分；

24、損失函數(shù)采用均方誤差損失函數(shù)，針對序列數(shù)據(jù)，定義為：

25、

26、其中，li是第i個樣本的損失值，dseq是指在應力-應變序列的長度，和分別表示預測的應力序列和真實應力序列上第j步的值；

27、深度學習模型的編碼器部分選擇adamw優(yōu)化器，解碼器部分選擇sgd優(yōu)化器；

28、使用線性學習率預熱的方法實現(xiàn)網(wǎng)絡初始訓練過程中的平穩(wěn)過渡；

29、采用固定步長學習率衰減策略，每隔一定步長，對學習率進行衰減；

30、對深度學習模型進行訓練，訓練迭代次數(shù)不少于100輪，并保存訓練過程中在驗證集上誤差最小的模型。

31、與現(xiàn)有技術相比，本發(fā)明具有如下至少之一的有益效果：

32、本發(fā)明構建高保真的復雜多元材料結構-性能關聯(lián)數(shù)據(jù)集，以提供充足且與真實實驗數(shù)據(jù)吻合度良好的數(shù)據(jù)，從而保證深度學習模型對不同特征構型預測能力的魯棒性和泛化性。此外，本發(fā)明根據(jù)碳化硅顆粒增強鋁基復合材料的數(shù)據(jù)特點，構建了基于編碼器-解碼器結構的深度學習模型，能夠有效地預測出材料在拉伸使役過程中的應力-應變曲線，從而提高碳化硅顆粒增強鋁基復合材料的力學性能預測速度。本發(fā)明可以實現(xiàn)對材料在拉伸過程中應力-應變曲線的精準預測，有利于提高材料開發(fā)效率。