本發(fā)明涉及一種基于深度學習和損傷圖像預測車用cfrp沖擊能量的方法，屬于碳纖維復合材料研究領域。

背景技術：

1、碳纖維增強復合材料(carbon?fiber?reinforced?plastics，簡稱cfrp)憑借高比剛度和比強度、優(yōu)良的疲勞性能和耐腐蝕性等優(yōu)點，在在汽車結構上得到了應用。目前復合材料逐漸應用于汽車結構件中，例如汽車座椅、b柱等碰撞安全件。碳纖維增強復合材料的密度只有16g/cm3，將其應用于車身及其他零部件的設計可以降低整車質量的35％左右，實現(xiàn)降低燃油消耗的目的，實現(xiàn)汽車輕量化。同時碳纖維增強復合材料的主要組成部分是碳纖維絲束和樹脂材料，其化學性質穩(wěn)定，耐久性好，壽命長，疲勞強度高。在安全問題上，碳纖維增強復合材料的抗拉強度更是普通鋼材的五倍，一般都在3500mpa以上，可以在發(fā)生撞擊的時候吸收掉大量的能量，從而有效提高車輛的被動安全。碳纖維增強復合材料主要應用于汽車車身、內外飾、底盤系統(tǒng)、動力系統(tǒng)等，具有很高的震動阻尼，對于提升整車的nvh(噪聲、振動與聲振粗糙度)的貢獻也是非常大的，可以有效地起到減震作用，大幅度地提高了汽車行駛過程中的舒適性。

2、國內外等人研究發(fā)現(xiàn)基體開裂是車用cfrp材料最早出現(xiàn)的沖擊損傷，基體的裂紋方向是平行于纖維方向的，而與復合材料的厚度方向呈一定的角度。隨著沖擊過程的進行，基體的裂紋會逐步擴散到各層之間的界面，從而引起分層損傷的出現(xiàn)及蔓延。對于車用cfrp層合板而言，纖維的斷裂是最后才出現(xiàn)的沖擊損傷類型。層合板表面與沖擊物體所接觸的區(qū)域，會因為層合板的接觸力以及彎曲載荷引起纖維的壓縮和剪切破壞；而在層合板的背面，產(chǎn)生的拉伸應力則會導致層合板發(fā)生局部的纖維拉伸失效。同時，受損部位的纖維會引起局部的應力集中，這導致抗壓強度顯著損失。

3、沖擊損傷會大大降低車用cfrp復合材料的抗壓強度，其復雜的破壞機理也會給各個物理參數(shù)的預測帶來很大的困難。隨著計算機的發(fā)展，計算能力不斷提高，研究人員提出了漸進損傷模型來模擬層合板的沖擊和壓縮失效過程，這類研究通常簡化了沖擊損傷，結果對于邊界條件、失效準則和其他參數(shù)會更加敏感。研究人員還提出了基于沖擊能量和分層面積預測cfrp復合材料層合板力學性質的經(jīng)驗公式。經(jīng)驗公式的提出可以快速解決工程上的問題，但是誤差可能會很大，一些沖擊損傷上的細節(jié)，例如各種損傷圖像的形狀和位置，可能會被忽略，影響精確度。因此，基于深度學習方法針對損傷圖像生成對應的模型來預測需要的參數(shù)是一個新的可行的發(fā)展方向。

技術實現(xiàn)思路

1、本發(fā)明設計開發(fā)了一種基于深度學習和損傷圖像預測車用cfrp沖擊能量的方法，基于深度學習方法針對損傷圖像生成對應的模型來預測車用初始沖擊能量，提高預測效率和精度。

2、本發(fā)明提供的技術方案為：

3、一種基于深度學習和損傷圖像預測車用cfrp沖擊能量的方法，包括：

4、步驟一、建立車用cfrp層合板和沖擊錘頭仿真模型，進行落錘沖擊仿真；

5、步驟二、從仿真結果中獲得纖維拉伸損傷圖像、纖維壓縮損傷圖像、機體拉伸損傷圖像、機體壓縮損傷圖像和分層損傷圖像，按照不同大小的沖擊能量和不同類別的損傷圖像，將仿真所得的損傷圖像整合處理成對應的數(shù)據(jù)集；

6、步驟三、將不同類別損傷圖像數(shù)據(jù)集傳入多種深度神經(jīng)網(wǎng)絡，并基于多種優(yōu)化方法進行訓練；通過準確率、損失值以及可視化熱力圖進行對比，得出與初始沖擊能量關聯(lián)度最高的損傷圖像類別和最優(yōu)模型，確定車用初始沖擊能量。

7、優(yōu)選的是，

8、所述步驟一中，所述層合板模型為層合板組合而成；

9、其中，奇數(shù)層的排列方式相同，偶數(shù)層的排列方式相同；

10、所述沖擊錘頭的形狀為子彈形。

11、優(yōu)選的是，所述落錘的初始能量，通過動能定理得到：

12、

13、式中，w外為物體的合力做功，v初為物體的初始速度，v末為物體的最后速度，m為物體的總質量；

14、落錘質量時通過修改落錘的密度參數(shù)間接修改的，公式為：

15、m＝ρv；

16、式中，m為物體的質量，ρ為物體的密度，v為物體的體積。

17、優(yōu)選的是，所述步驟二包括：

18、將不同沖擊能量的損傷圖像存入到不同的文件夾中來創(chuàng)建深度學習訓練所需要的數(shù)據(jù)集；

19、其中，在數(shù)據(jù)集傳入深度學習網(wǎng)絡前，需要對數(shù)據(jù)集進行預處理，包括：

20、對原始圖像進行裁剪、對數(shù)據(jù)進行擴充及轉換、對圖像進行隨機反轉或旋轉；

21、處理后的數(shù)據(jù)集用來夠在不同沖擊能量下的損傷圖像數(shù)據(jù)集；

22、經(jīng)過數(shù)據(jù)增強后，按照7:1.5:1.5的比例，將其劃分為訓練集、驗證集和測試集。

23、優(yōu)選的是，所述步驟三包括：

24、基于不同的深度學習伸進網(wǎng)絡對數(shù)據(jù)集進行迭代訓練；

25、基于分類任務的分類交叉熵損失函數(shù)，訓練學習率為0.001；

26、通過落錘低速沖擊仿真實驗獲得的損失函數(shù)圖像數(shù)據(jù)集按照7:1.5:1.5的比例，用作訓練集、驗證集和測試集；

27、以損傷圖像為輸入，初始沖擊能量為輸出進行訓練；

28、訓練過程中采用小批量學習方法，當損失值趨于穩(wěn)定不再減小，準確率趨于穩(wěn)定不再上升或模型無法收斂時結束模型訓練；

29、超參數(shù)的值訓練迭代過程中，超參數(shù)的值取訓練迭代過程中準確率最高的epoch參數(shù)數(shù)據(jù)；

30、訓練和測試過程在每個模型上重復3次，每次重復會再重新隨機分配訓練集、驗證集和測試集，取訓練最好的那一組模型。

31、優(yōu)選的是，基于resnet50、van、vit三種模型對四種不同的損傷圖像進行訓練迭代，得到了12種不同的訓練方式，再對數(shù)據(jù)集進行重新分配訓練集、驗證集、和測試集，重復進行這12種訓練，重復三次，預測結果取平均；

32、其中，四種不同的損傷圖像分別為：纖維壓縮損傷圖像、纖維拉伸損傷圖像、機體壓縮損傷圖像、機體拉伸損傷圖像。

33、優(yōu)選的是，每個神經(jīng)網(wǎng)絡模型采用accuracy來進行準確率計算，計算公式為：

34、

35、式中，tp為做出正確的判定，且判定是正確的，fp為做出錯誤的判定，但判定時錯誤的，tn為做出錯誤的判定，但判定時正確的；fn為做出錯誤的判定，但判定時錯誤的。

36、本發(fā)明所述的有益效果：

37、本發(fā)明所述的基于深度學習和損傷圖像預測車用cfrp沖擊能量的方法同現(xiàn)有技術不同的是通過深度學習神經(jīng)網(wǎng)絡對損傷圖像進行學習預測，不需要復雜的經(jīng)驗公式就可以準確預測出初始沖擊能量，以提高預測的效率和精度。

38、本發(fā)明所述的基于深度學習和損傷圖像預測車用cfrp沖擊能量的方法先進性在于，本發(fā)明將深度學習引入對沖擊能量的預測當中，繞過了經(jīng)驗公式，直接通過大量的試驗和仿真結果對模型進行訓練，從而得到適用于車用cfrp初始沖擊能量預測的最優(yōu)模型，將損傷圖像提交給訓練得到的模型，可以直接準確高效地預測出車用cfrp的初始沖擊能量。