面向原位失效评估：基于层合复合材料DIC结果的深度学习
计算物理
2025-10-20 v1
摘要
由于分层、纤维断裂和基体开裂等复杂失效机制受纤维取向、铺层顺序和缺口几何形状的显著影响，预测含应力集中器的层合复合材料的断裂载荷极具挑战性。本研究旨在通过开发一种新颖的深度学习框架来解决这一问题，该框架仅利用来自数字图像相关（DIC）的实验应变场数据进行准确的原位预测，从而绕开有限元模拟或经验校准的需求。研究探索了两种互补的架构：一种是多层感知器（MLP），处理来自缺口前方目标矩形区域的最大主应变数值，并通过高级特征选择（互信息、Lasso和SHAP）增强，以聚焦于关键数据点；另一种是卷积神经网络（CNN），在全场应变图像上训练，并通过数据增强来处理变异性并防止过拟合。该框架在涵盖31种不同配置的116次准静态试验上进行了验证——包括六种铺层（从准各向同性到高度各向异性）的含孔试件，每种有四个离轴角度，以及一种交叉铺层的U形缺口试件，具有四个离轴和四个同轴缺口方向——MLP和CNN分别达到了0.86和0.82的决定系数（R²）。该框架捕获了从脆性纤维主导断裂到延性分层驱动失效的广泛损伤模式和响应，并且由于其计算效率高且仅依赖DIC测量，该方法能够实现实用的原位断裂载荷估计。
引用
@article{arxiv.2510.15424,
title = {Towards In-Situ Failure Assessment: Deep Learning on DIC Results for Laminated Composites},
author = {Amir Mohammad Mirzaei},
journal= {arXiv preprint arXiv:2510.15424},
year = {2025}
}