(W8)K-BP neural network-based strain field inversion and load identification for CFRP(Measurement)

1.介绍

引入复合材料背景说明载荷识别和应变信息获取的重要性(即课题研究意义)

实时应变技术(土木工程领域)不足,载荷识别方法:直接or间接,为什么选择间接

为什么用FBG,引入插值方法

载荷识别技术方法:最原始是直接反演+不足

人工神经网络方法+举例

提出现有的神经网络方法待解决的问题+本文的工作+本文结果

2.理论原理与仿真

2.1 FBG传感器原理

2.2应变区域反演原理及模拟

对插值方法的调整

有限元分析仿真,说明应变情况

说明实验网络参数

引出仿真云图+传感器对比图+拟合曲线

2.3载荷识别原理

为什么选择BP

BP不足以及对BP的改进

网络流程详解(包括参数解释)

3.实验装置体系

3.1实验装置和结果以探索粘合层厚度的影响

验证光纤可行性与可靠性

实验材料和详情

实验结果和结论

3.2载荷识别实验体系

说明实验用料

说明实验过程

说明评估指标

4.结果与讨论

4.1基于仿真数据的不同插值方法的结果分析(说明所用插值方法的有效性)

4.2载荷识别结果分析

利用评估值别说明BP、CNN、K-BP的各项优势劣势。突出K-BP的优势

5.结论

简单说明原来的问题,并说明为此所做的改进

说明本实验做法的优越性

对未来工作的说明

复合材料机翼的应变信息和载荷状态是飞机健康评估的重要依据。本文首先通过实验研究了粘贴层厚度对应应变传递的影响,验证了FBG传感器的精度,为后续研究提供了指导。然后利用有限元分析软件ABAQUS分析应变分布,利用模拟数据拟合pseudo-Kriging插值模型,反演关键点的应变信息。最后,将插值模型与BP神经网络相结合,提出了K-BP模型,用于提高应变区域反演和载荷识别的精度。结果表明,该模型能以较少的样本获得较好的载荷识别结果,同时优化了插值参数,为评价应变区域的精度提供了重要依据。(Matlab进行训练)