15、基于机器学习算法和有限元分析的胶粘接头强度预测

基于机器学习算法和有限元分析的胶粘接头强度预测

1. 引言

航空航天、车辆和土木工程领域正迅速从使用单一材料转向使用多材料来开发组件和结构，以实现复杂功能。为了将不同材料的多个薄层粘结成一个组件，需要开发有效的胶粘连接技术，这些技术应具有出色的应力传递行为，并能与多种材料类型兼容。对于胶粘连接技术而言，失效载荷对于确定接头性能以及诸如替代材料的弹性模量和断裂参数等重要参数至关重要。因此，有效预测最大失效载荷并确定最佳参数是关键。

传统上，接头的失效载荷通常通过对大量接头试样进行搭接剪切试验来获取。然而，尽管搭接剪切试验的结果通常可靠，但实验测试对被粘物和胶粘剂的材料类别高度敏感，这使得针对每一种被粘物和胶粘剂类别进行实验成本高昂，甚至不切实际。为了预测接头的失效载荷并减少实验次数，有限元分析（FEA）方法成为了一种流行的方法。

FEA方法具有以下优点：
- 可以系统地解决边值问题；
- 与实验相比，使用FEA可以更准确地解决具有复杂几何形状的组件问题；
- 一个FEA模型只需要一次搭接试验进行验证，从而大大减少了所需的实验次数。

然而，FEA方法也存在挑战，即FEA模拟的计算成本高，并且FEA模型中参数之间的相关性不易揭示，使得选择最佳参数变得困难。

为了应对这一挑战，本文开发了一种基于机器学习和FEA的创新方法来预测最大失效载荷，具体创新点如下：
- 基于深度神经网络（DNNs）实现了对粘结组件接头强度的预测，该网络使用通过FEA模型生成的数据集进行训练。案例研究表明，该方法比仅使用FEA模型的预测方法更有效，并且计算时间减少了99.54%；
- 设计了机器学习算法（即DNNs）以灵活地表