基于GRNN-ELM的飞机复合材料结构损伤识别

飞机结构的损伤严重影响着飞机的飞行安全,为了解决飞机复合材料结构损伤难以有效识别问题,本文提出一种基于广义回归神经网络(General regression neural network,GRNN)与极限学习机(Extreme learning machine,ELM)组合的飞机复合材料结构损伤识别新方法。首先对飞机复合材料层合板进行冲击,而后对其进行疲劳拉伸试验,通过优化布局在复合材料层合板上的光纤光栅传感器募集应变信息,并对其进行预处理。采用变分模态分解(Variational mode decomposition,VMD)对募集的应变信息进行自适应分解,得到多个基本模式分量(Intrinsic mode function,IMF)。计算各阶IMF分量的奇异熵,通过核独立主元分析(Kernel independent component analysis,KICA)方法对奇异熵进行特征融合,构建融合特征向量。采用融合特征向量建立基于GRNN-ELM的复合材料结构损伤识别模型,通过试验对损伤识别模型的有效性进行了验证,并分别与所构建的ELM和GRNN损伤识别模型的识别结果进行比较。结果表明,该方法能有效对飞机复合材料结构损伤进行识别,具有很好的工程应用价值。     

飞机复合材料气动冲击响应抑制技术研究

由于高频涡流的作用,飞机局部复合材料构件承受面外气动冲击载荷,产生累积疲劳损伤.本文通过在复合材料壁板表面粘贴压电驱动器,采用传感器测量构件在气动冲击下的响应,应用自适应振动前馈原理,控制驱动器的驱动应变,从而抑制其动态响应,达到减小累积疲劳损伤的目的.试验结果表明,主要模态的应变幅值能够得到有效抑制.     

基于潜在成分和概率神经网络的时变结构系统的损伤识别

介绍了基于潜在成分(LC)分析和概率神经网络的损伤识别方法,并应用于一个实验室模型的损伤识别.结果表明,基于潜在成分(LC)分析和概率神经网络的损伤识别方法能在正常的时变质量情况下以较高的成功率对位于A或B处的某一损伤程度未知的损伤进行归类,为时变结构系统的定量损伤识别作出了有益的尝试.     

结构健康监测系统中的频率响应方法

本文就频率响应方法在结构健康监测系统中的应用进行研究。运用有限元方法计算了圆形通孔与分层两种损伤对复合材料结构动态特性的影响,尝试利用RBF(径向基函数)神经网络对损伤进行识别与定位,并取得不错的结果;对频率响应方法在结构健康监测系统中应用的可行性及其在健康监测系统中的应用进行讨论。     

温度变化下基于兰姆波的复合材料结构损伤识别(英文)

提出了一种基于兰姆波的两步识别方法,对温度变化下复合材料结构内部损伤进行监测和识别。首先采用统计偏值分析方法来判别传感器网络监测到的兰姆波信号变化是由损伤引起还是由温度变化引起,从而确定损伤是否发生。在对兰姆波进行傅里叶变换后,从统计角度定义损伤指标以考虑温度变化的影响,并采用蒙特卡罗方法计算无损状态下损伤指标的阈值。如果在运行状态下获得的损伤指标超过了阈值,则认为损伤发生。然后采用损伤存在概率成像方法融合多个激励-接收路径上的损伤指标信息生成诊断图像实现损伤位置识别。对温度变化下的加筋复合材料壁板试件进行的实验研究表明了所提出方法的有效性。     

具有光纤神经系统的新颖复合材料结构的发展及展望

本文综合介绍了近年来国外迅速发展的具有光纤神经系统的新颖复合材料结构的研究成果及发展趋势。提出了埋设于复合材料内部的光纤系统将成为未来飞行器结构的“神经网络系统”而使结构成为“智能结构”等新概念。文章较详细地阐述了这种新颖结构在制造和使用过程中在应变、变形、固化、损伤、疲劳等检测方面的具体应用及发展趋势。     

带孔复合材料层板动态拉伸破坏的应变率效应

采用三维Hashin准则作为纤维束损伤判据,根据材料不同损伤模式制定相应的材料性能退化方案,并考虑应变率效应对材料的强度性能进行修正,建立含孔复合材料层合板的渐进损伤分析模型,模拟材料在不同应变率下的损伤破坏过程。通过动态拉伸试验,获得材料在不同应变率下的载荷-位移关系及孔边不同位置的时间-应变关系,讨论了应变率对材料拉伸性能的影响及试件孔边的应力集中情况。有限元分析结果与试验数据相一致,证明了本文所提出分析模型的正确性和有效性。     

面向纤维增强复合材料低速冲击损伤的非线性混合模型

基于连续介质损伤力学提出了一种纤维增强复合材料(Fiber reinforced polyrner/plastic,FRP)结构低速冲击损伤预测的渐进损伤模型,包含非线性剪应力应变关系和归一化的混合模式基体损伤演化,用来预测复合材料层合板低速冲击损伤。模型区分了纤维拉伸/压缩、纤维间拉伸/压缩4种层内损伤以及层间分层损伤;纤维间损伤起始由Puck失效准则预测,损伤演化由断裂面上的等效应变控制,失效判定时考虑了就位效应对强度的影响;模型中加入单元特征长度以消除计算结果对网格密度的依赖性。以[45_4/-45_8/45_4],[0_3/45/-45]_S和[45/-45/0_2/90/45/0_2/-45/45]_3三种铺层的复合材料层合板为例,预测了不同冲击能量下复合材料层合板的低速冲击损伤响应参数,试验结果证明了本文模型的有效性。     

条件数与遗传—神经网络相结合的乒乓球比赛预测方法

论文针对实际比赛中经验确定的乒乓球比赛技术指标较多的情况,尝试采用条件数计算分析方法对运动员在比赛中采用的关键技术指标进行筛选,建立了遗传-神经网络乒乓球比赛预测模型,并提出了利用模糊集理论建立可信度函数对预测结果进行评价的方法。预测结果表明:采用逐步回归方法、传统的遗传-神经网络模型、改进的遗传-神经网络模型得到的预测值可信度分别为0.59、0.69、0.76,采用改进的遗传-神经网络模型对比赛预测结果的可信度较高,该方法可以为比赛技术分析提供较高可信度的决策支持。     

基于BP神经网络的含褶皱复合材料强度预测

利用BP(Back propagation)神经网络处理多参数问题具有的非线性映射及泛化能力,构建了具有3层隐藏层的神经网络,对含纤维褶皱复合材料层合板的压缩强度进行预测。基于LaRC失效准则建立三维损伤模型,对含褶皱复合材料的压缩失效进行数值分析。将数值分析结果作为数据样本对神经网络进行训练。采用黄金分割法快速确定最佳隐藏层神经元数量区间范围,并通过分析对比不同数量神经元模型的强度预测结果及评价指标,确定具有高预测精度的隐藏层神经元数量。结果表明,所构建的神经网络预测最大褶皱角为5.6°、9.9°和11.4°的3种层合板失效强度误差分别为3.4%、4.6%和-0.01%。本文所发展的基于BP神经网络对复合材料强度进行预测的方法,为工程应用中复合材料强度评估提供了一种有效的途径。