利用机器学习加速复合材料加工模拟

图1.加工过程中为复合材料部件提供热化学分析的不同解决方案，需要在精度和模拟时间之间去权衡

纤维增强聚合物（FRP）复合材料的加工是一个复杂的多重物理量问题，包括热量和质量传递、热化学相变以及高度非线性和随时间变化的粘弹性应力发展。为了降低制造风险和总体生产成本，如今更加强调通过过程模拟来减少缺陷，而不是依靠技术诀窍和试错。这种数字化的方法通常使用通用的商业有限元（FE）仿真工具，如ABAQUS或ANSYS。还有专门的有限元工具，如COMPRO，该软件内置了材料库，可以展示加工期间复合材料特性的复杂演变。

目前这种方法的工业实施依赖于对部件和工具进行昂贵的三维有限元分析，并且这些部件和工具都受到对流性加热。在初步设计阶段，需要进行许多设计迭代，来最终确定各种细节，如零件厚度、铺层、固化周期和工具材料及几何形状。对于一个给定的大型部件，如复合材料机翼表皮，使用三维有限元模拟的分析可能需要数周时间

为了加快工艺模拟，在初步设计阶段可以使用折减有限元（Reduced-order FE）来代替三维有限元。例如，对于复合材料的热化学分析，薄型部件的主要传热机制是通过厚度，远离边缘和工具子结构。因此，一维有限元分析可以作为零件三维响应的一个很好的近似值，一个复杂的零件可以被划分为独特的区域来进行几个一维有限元分析，而不是整个零件的全三维有限元。这加快了初步设计阶段的工艺模拟。然而，如图1所示，速度与精度之间存在着权衡。

从初步设计到详细设计，需要完成大量的三维有限元仿真。即使使用能够进行折减仿真的软件，如Convergent制造技术公司的复合材料可生产性评估 - 热分析系统（Composites Producibility Assessment-Thermal Analysis)，大型复合材料部件的仿真仍然需要数分钟至一小时。尽管与全三维有限元相比，这是一个很大的进步，但它仍然不够快，无法有效地探索整个设计范围的优化。

用机器学习取代有限元

鉴于机器学习（ML）和数据驱动方法的最新进展，科学和工程的许多分支已经开始为不同的应用实施机器学习替代。一个新兴的应用是训练快速的代用机器学习模型（Surrogate ML Models），以取代缓慢的有限元仿真工具。在这种方法中，有限元模型被用来根据输入参数的不同假设自动生成大量的数据。然后，这些数据可用于训练不同的机器学习模型，如神经网络（NN）、随机森林模型或高斯过程回归（GPR）模型。一个经过适当训练的代用模型可以紧密地复制用于训练它的有限元模型，同时在模拟速度上有很大的提高。

在华盛顿大学的Navid Zobeiry教授、英属哥伦比亚大学的Anoush Poursartip教授和Convergent制造技术公司的一个团队最近的合作中，除了折减有限元模型外，还开发了代用机器学习模型，以加快复合材料加工模拟的速度。在这项研究中，代用神经网络模型（Surrogate NN Models）被开发出来以取代折减有限元。这些模型是利用Convergent制造技术公司的RAVEN软件的有限元模拟产生的数据，以及复合材料固化问题的理论（即理论指导下的机器学习或(Theory-guided Machine Learning,TGML)）进行训练。这些神经网络模型可以使用与有限元模拟相同的输入格式来预测复合材料加工过程中的关键性能指标，包括放热固化反应期间的最大零件温度。平均来说，在一个典型的计算机工作站上，使用这些机器学习模型的速度提升比有限元模型高1000到10000倍。这使得大型复合材料部件的仿真速度接近实时。

使用不同模拟方法进行热化学分析的模拟时间比较：

图2.使用不同的模拟方法进行热化学分析的模拟时间比较图片来源Convergent制造技术公司

这些代用神经网络模型最近由Convergent制造技术公司在复合材料可生产性评估 - 热分析系统中实现，其性能在大型复合材料机翼表皮的过程模拟中得到了证明。图2显示了一个有代表性的5 x 10米的翼皮设计，其中有代表性的层数定义，包括40到80层的厚度，以及典型翼皮中的垫高、层数下降和其他特征。在典型的计算机工作站上使用ABAQUS中的商业软件包COMPRO对一个有代表性的生产工具的机翼表皮进行工艺模拟，花了几个小时。值得注意的是，使用这种方法的过程优化将需要几天或几周的时间。在第二次尝试中，机翼皮肤被分为30个独特的一维几何形状。使用折减有限元，使用三个温度周期和三个工具厚度进行优化，共对整个机翼表皮进行了9次模拟。在CATIA 5中使用CPA-TA进行这些模拟，在用于三维有限元的同一台计算机上花费了大约半小时。

在最后的演示中，在CPA-TA中使用经过训练的神经网络模型进行了同样的模拟，取得了非凡的效果。与折减有限元类似，机翼表皮被划分为30个区域，在不同的模具厚度和空气温度曲线下进行了9次模拟。然而，这些模拟仅在两秒内完成。这些仿真方法的比较（图2）清楚地表明，机器学习方法有能力实现近乎实时的仿真能力，并为复杂的复合材料结构模拟节省大幅时间。值得注意的是，这里讨论的技术的成功也可以应用于其他工程应用。