基于机器学习的负泊松比蜂窝的面内力学性能预测

作者：马佩; 张君华^*; 权铁汉

来源：复合材料学报, 2023, 1-10.

DOI：10.13801/j.cnki.fhclxb.20231103.001

• 负泊松比蜂窝
• 吸能
• 神经网络
• 参数敏感度
• 机器学习

负泊松比蜂窝结构具有优良的力学性能，本文开发并对比了两种多输入多输出的人工神经网络模型(ANN)，用于预测不同几何参数下负泊松比蜂窝结构的能量吸收特性。采用蜂窝胞元的胞角θ、直壁长度与胞元高度之比L/H和厚度t作为ANN的输入，输出是蜂窝结构的初始峰值力、平台力和蜂窝结构的总能量吸收。验证集的误差全部在8%内，且验证集和测试集的平均相关系数R2都大于98.2%，说明神经网络可以获得良好的预测效果，这表明ANN有能力学习和捕捉将蜂窝的拓扑结构及其力学性能联系起来的潜在物理机制。开发的两种神经网络中，与ANN1相比，ANN2的网络参数更多，网络结构更复杂，有更好的预测精度和训练速度。通过对给定几何参数的蜂窝结构的力学性能进行快速预测得到了吸能高的蜂窝结构。建立了反向设计网络对蜂窝结构进行反向设计，发现网络对蜂窝结构的胞角θ和壁厚t预测效果良好，对L/H的预测效果相对较差，因为L/H对初始峰值力、平台力和总能量吸收影响很小。此外进行了蜂窝几何参数的敏感度分析，结果表明蜂窝结构的几何参数对初始峰值力、平台力和总能量吸收的敏感度趋势一致，蜂窝胞元厚度t的敏感度最高，L/H对能量的敏感度最低。对于敏感度高的参数反向设计网络预测效果好，反之敏感度低的参数预测效果相对较差。总之，ANN为蜂窝结构吸能性能的研究提供了一种快速准确的方法，有望加快蜂窝结构的优化和设计进程。

• 单位
  北京信息科技大学; 机电工程学院