[发明专利]一种基于深度学习的监测复合材料弹性模量的方法

权利要求书

1.一种基于深度学习的监测复合材料弹性模量的方法，其特征在于：包括如下步骤：

步骤10：根据复合材料的弹性性质，包括密度、厚度、加强纤维坐向、叠加层数与弹性常数，利用半解析有限元法构造适用于深度神经网络训练的数据集；

步骤20：在待检测复合材料结构中，设置致动器与传感器，进行导波信号的发射与接收；

步骤30：利用二维傅里叶变换(2D-FFT)对步骤20中发射与接收到的导波信号进行重建，得到待检测复合材料的导波频散曲线；

步骤40：利用步骤10中所述的数据集训练深度神经网络；

步骤50：将步骤30中重建的所述导波频散曲线输入到步骤40中训练完备的所述深度神经网络中，得到待检测材料的弹性模量。

2.根据权利要求1所述一种基于深度学习的监测复合材料弹性模量的方法，其特征在于：所述步骤10中利用半解析有限元法构造适用于深度神经网络训练的数据集的步骤为：

步骤11：对待检测复合材料进行建模，建立全局笛卡尔坐标系，其中轴x平行于厚度方向，并设置增强纤维相对于轴z成角度θ，假定弹性模量与频率变量无关，且此处不考虑粘弹性，由于每个层的方向都描述为相对于轴z的旋转角度θ，因此弹性模量为

其中s＝sin(θ)，c＝cos(θ)，C₁₂＝C₂₁，C₁₃＝C₃₁，C₂₃＝C₃₂

步骤12：将导波的任意传播角度引入导波波数矢量k中，

其中k代表波数,β代表波的传播角度,and代表方向单元矢量，

引入一维谱元，单元内的点(x,y,z)上的位移u可以写作:

其中是有限元形函数,d^(e)是节点位移，ω是角频率，e为单元标记，

从而得到单元内的应变张量ε，

ε＝[B₁-jk_yB₂-jk_zB₃]d^(e)exp[j(ωt+ksin(β)y-kcos(β)z)]

其中：B₁＝L_xN_x,B₂＝L_yN,B₃＝L_zN，N_x为N在x方向的导数，k_y、k_z代表波数在y、z方向的分量，n为单元的节点个数；

步骤13：将单元弹性模量矩阵和单元质量矩阵m^e分别表示为：

m^e＝∫ρN^TNdx

其中ρ代表材料密度，

将总控制方程改写为线性形式：

[A-γB]V＝0

其中

其中γ＝jk，s′＝sin(β)，c′＝cos(β)，K为累积弹性模量矩阵，M为累积质量矩阵；

步骤14：将所述总控制方程通过弹性模量矩阵来研究复合材料的弹性模量，并对其进行数值求解，以构建多层复合材料在每个频率下的理论相速度色散曲线，深度神经网络训练的数据集。

3.根据权利要求2所述一种基于深度学习的监测复合材料弹性模量的方法，其特征在于：所述深度神经网络包括若干个卷积神经层(CNN)块和一个全连接层(FCN)块，CNN块的数量取决于所述数据集的大小，每个CNN块包含几个一维卷积神经层(1D-CNN)和一个最大池化层，而FCN块包含几个FCN层。

4.根据权利要求3所述一种基于深度学习的监测复合材料弹性模量的方法，其特征在于：所述步骤40中训练深度神经网络的过程包括FCN块将在展平操作后识别CNN块提取的所有导波频散曲线特征，并输出所需的弹性模量。

5.根据权利要求4所述一种基于深度学习的监测复合材料弹性模量的方法，其特征在于：所述深度神经网络结构包括三个CNN块和一个FCN块，所述CNN块仅具有一个卷积层，所述CNN块选择三种类型的卷积核，大小分别为3×3、5×5和7×7，所述CNN块的过滤器数设置为16、32和64个，所述FCN块第一层具有64个内核。