基于深度学习/有限元融合模型的临近空间飞艇裂纹扩展研究

It is one of the main failure modes that the envelope of a stratospheric airship is torn and expanded rapidly during its service. In order to simulate and predict the crack propagation process, the nonlinear behavior of stratospheric airship, the time and temperature dependence of the constitutive behavior and the evolution of dynamic propagation must be considered.This project develops a deep learning model to research the implicit constitutive relation of the path-dependent envelope material, which builds a bridge between the near space environment and mechanical tests on the ground. At the same time, a composite deep learning model is proposed to describe the spatial and temporal data information of dynamic crack propagation, which can be used as a bridge between the local crack simulation analysis and the nonlinear behavior simulation analysis of the airship. The composite deep learning model can be used to research the mechanism of crack propagation and evolution rule. The composite deep learning model and the finite element model for investigating the temperature-pressure-volume coupling effect of the airship are integrated to predict the behavior of crack propagation in stratospheric service environment. This project is expected to explore the modeling approach and its engineering application of the integration of mechanics theory and deep learning.

临近空间飞艇服役过程中气囊材料出现撕裂破坏并迅速扩展是其主要的失效模式之一。对裂纹扩展过程进行仿真和预测需要考虑临近空间飞艇复杂载荷的高度非线性、气囊本构行为的时间和温度相关性以及裂纹动态扩展的演化性。本项目发展适用于具有路径依赖性的气囊材料隐式本构关系研究的深度学习模型，为临近空间环境和地面力学试验搭建桥梁；同时提出适用于描述裂纹动态扩展时空数据信息的复合深度学习模型，充当飞艇局部裂纹仿真分析与宏观整体非线性行为仿真分析的桥梁，研究裂纹扩展的机理和动态演化规律。复合深度学习模型与临近空间飞艇温度-压力-体积耦合效应研究的有限元模型互相融合，用于真实服役环境下裂纹扩展行为的快速预示，探索力学理论和深度学习结合的力学建模方法及其工程应用。

临近空间飞艇服役过程中气囊材料出现撕裂破坏并迅速扩展是其主要的失效模式之一。对裂纹扩展过程进行仿真和预测需要考虑临近空间飞艇复杂载荷的高度非线性、气囊本构行为的时间和温度相关性以及裂纹动态扩展的演化性。本项目构建了基于比例共轭梯度法（SCG）的神经网络模型，发展适用于具有路径依赖性的气囊材料隐式本构关系研究。同时构建了包含时间特性的蒙皮材料裂纹尖端应力场预测器和包含空间特性的蒙皮材料裂纹分布预测器的混合深度神经网络，用于临近空间飞艇气囊材料裂纹扩展研究。通过飞艇缩比样机的耐压试验，观测蒙皮材料裂纹扩展过程中形态变化，通过蒙皮材料的单双轴拉伸试验和扩展有限元（XFEM）方法获取的大量的裂纹扩展过程中应力场分布数据，进一步通过数据处理和迁移学习的方法，构建深度神经网络数据库。同时，为了解决真实大尺度飞艇有一定曲率的表面裂纹扩展难以精确识别的问题，在深度学习网络中引入两个可变形的操作模块，包括可变形的卷积区域和可变形的兴趣区域。通过对混合网络的测试可知，4万张图像的裂缝情况和非裂缝情况的预测准确率分别为86.92%和93.61%，对无裂缝情况的预测效果较好，误差仅为6.39%。同时，基于FPN的快速R-CNN与可变形操作模块的检测结果能够准确检测出面外裂纹。复合深度学习模型与临近空间飞艇温度-压力-体积耦合效应研究的有限元模型互相融合，可用于真实服役环境下裂纹扩展行为的快速预示，探索了力学理论和深度学习结合的力学建模方法及其工程应用。

内容获取失败，请点击重试