一种短纤维复合材料宏观力学性能精细化设计方法

本发明涉及短纤维复合材料设计领域，具体涉及一种短纤维复合材料宏观力学性能精细化设计方法。

背景技术：

1、短纤维复合材料具有强度高、质量轻等诸多优点，在航空业、汽车制造业、医疗等许多领域都有广泛用途。然而，这类材料的各向异性力学性能与其组分性能及微结构空间分布特征存在极度复杂的关系。在传统的材料设计方法中，研究人员通常采用“试错法”，借助知识经验，不断尝试新的组分配比、结构设计来研发材料，直至满足目标性能的指标。这种参数设计方案往往依赖复杂的理论分析及耗时的迭代优化过程，无法有效获得目标性能的定制化方案。

2、机器学习是一种通过从大量、复杂的数据中挖掘有价值信息的技术，其目的是发现隐藏在数据中的模式、关系和规律。近些年，机器学习方法逐渐应用于复合材料性能快速预测，结合遗传算法、贝叶斯算法等算法在设计空间中的全局搜索能力，这种数据驱动方法有效提高了设计效率，克服了对于经验知识的依赖。然而这种数据驱动的结合模式在应用过程中仍然存在诸多挑战，优化方案可能无法有效匹配用户设定指标。如何提高机器学习模型的可解释性，充分利用机器学习的决策过程并对逆向设计进行智能指导，实现高效的设计探索和优化，使设计者能够更清晰地理解和控制设计过程，这些都是亟待解决的问题。

3、其中，获得高效、精准且具备鲁棒性的机器学习预测模型，是可靠的逆向设计方案的一个关键。短纤维复合材料具有高度的非线性、异质性和复杂性，预测其性能需要考虑到极其多的变量，包括纤维的物理性质、空间分布、取向等。这对模型的预测能力、理解深度和训练效率都提出了很高的要求，其中，文献[1]中采用深度神经网络模型，训练时间较长，而且模型的鲁棒性存疑。

4、使用集成学习方法，如随机森林、梯度提升树、bagging和boosting策略等，可以提高模型的可解释性，并可以有效提高机器学习模型在逆向设计方案中的可靠性。公布号为cn117252107a的中国专利中使用的极端梯度提升机(xgboost)是一种集成了多棵决策树的集成模型，实现对沥青混合料性能的精准预测及设计。

5、公布号为cn117252107a的中国专利将shap可解释方法对机器学习模型进行特征分析，使其在提供精准预测的同时，给出预测的依据和逻辑，进而辅助逆向设计。已有工作对通过选择合适的特征参数进行调节，以匹配设计目标。此方法利用机器学习模型的可解释性(强大的搜索空间)，为设计参数优化提供调节方向，但是未能提供具体的调节幅度，使得设计者只能数次“试错”。

6、公布号为cn111611748a的中国专利、文献[2]以及文献[3]中，多目标设计过程中的调节幅度仍高度依赖设计者的领域知识，尚未有效结合机器学习模型的全局与局部可解释性优势，无法实现高效、精细化的调整和优化。

7、文献[1]mentges n,dashtbozorg b,mirkhalaf m.amicromechanics-basedartificial neural networks model for elastic properties of short fibercomposites[j].composites part b engineering,2021(12).doi:10.1016/j.compositesb.2021.108736.

8、文献[2]sun y,zhao z,tong h,et al.machine learning models for inversedesign of the electrochemical oxidation process for water purification[j].[2024-03-08].

9、文献[3]yang c,ren c,jia y,et al.a machine learning-based alloy designsystem to facilitate the rational design of high entropy alloys with enhancedhardness[j].acta materialia,2022(222-):222.doi:10.1016/j.actamat.2021.117431.

技术实现思路

1、本发明是为了解决上述问题而进行的，目的在于提供一种短纤维复合材料宏观力学性能精细化设计方法。

2、本发明提供了一种短纤维复合材料宏观力学性能精细化设计方法，具有这样的特征，包括以下步骤：s10，基于实验指导并结合数值仿真技术，输入短纤维复合材料的特征参数，并以短纤维复合材料的宏观力学性能参数为输出目标，构建高质量数据集；s20，将高质量数据集分为训练集和测试集，采用集成学习模型进行训练从而获得训练好的短纤维复合材料性能正向预测模型；s30，基于shap可解释方法对训练好的短纤维复合材料性能正向预测模型进行全局分析，得到shap全局分析结果，并从shap全局分析结果中获得高质量数据集中所有数组中的特征参数对于输出目标的具体贡献值大小、重要性排序以及影响的正负性，其中，重要性排序为shap全局分析结果得到的shap值均值的排序，影响的正负性为shap值的正负，贡献值大小为shap值的大小；s40，设定短纤维复合材料的宏观力学性能参数作为逆向设计的目标值，以训练好的短纤维复合材料性能正向预测模型为搜索空间，采用遗传算法实现单目标和/或多目标设计，获得初始的短纤维复合材料的特征参数的设计方案；s50，计算设计方案中的特征参数对应的短纤维复合材料的实际的宏观力学性能参数并评估其与用户设定的目标值之间的误差值；s60，根据shap全局分析结果，选取重要性排序靠前且符合调节需求的特征参数作为关键的影响特征参数；s70，对设计方案中的关键的影响特征参数进行局部shap分析，得到设计方案中的关键的影响特征参数对于输出目标的具体贡献值，记为特征贡献值；s80，结合关键的影响特征参数与特征贡献值，将特征贡献值+误差值的和记为待调整的设计方案中的关键的影响特征参数在调整后的贡献值；s90，在shap全局分析结果中对步骤s80中调整后的贡献值进行搜索以确定影响设计误差的待调整的设计方案中的关键的影响特征参数需要调整的幅度从而对设计方案进一步优化；s100，评估优化后的设计方案与误差值，若误差值满足用户预先设置的范围，则输出设计方案，若误差值不满足用户预先设置的范围，则再次进行步骤s50-s100的操作。

3、在本发明提供的短纤维复合材料宏观力学性能精细化设计方法中，还可以具有这样的特征：其中，步骤s10中，特征参数包括：基体性能，包含基体模量em与基体泊松比μm；纤维性能，包含纤维模量ef与纤维泊松比μf；体积含量，为vf；微观形态参数，包含纤维直径d与纤维长径比a；以及空间取向分布。

4、在本发明提供的短纤维复合材料宏观力学性能精细化设计方法中，还可以具有这样的特征：其中，步骤s10中，宏观力学性能参数包括短纤维复合材料的弹性模量、泊松比以及剪切模量。

5、在本发明提供的短纤维复合材料宏观力学性能精细化设计方法中，还可以具有这样的特征：其中，步骤s10与步骤s20之间还包括以下步骤：s11，计算高质量数据集中输入的特征参数的pearson相关系数，分析特征参数之间的耦合特征，确保特征参数之间互相独立且互不相关，若不相关，则保留所有特征参数作为输入，若有特征参数之间存在较强的相关性，则对其进行取舍。

6、在本发明提供的短纤维复合材料宏观力学性能精细化设计方法中，还可以具有这样的特征：其中，pearson相关系数用于度量两个特征参数之间的线性相关性，范围为-1～1，当pearson相关系数范围在0～1时，表明两个特征参数正相关，当pearson相关系数范围在-1～0时，表明两个特征参数负相关，其中，当pearson相关系数的绝对值越大，两个特征参数之间的相关性越强，当pearson相关系数的绝对值越小，两个特征参数之间的相关性越弱，当pearson相关系数的范围为-0.4～0.4时，判定两个特征参数之间属于弱相关或不存在相关性。

7、在本发明提供的短纤维复合材料宏观力学性能精细化设计方法中，还可以具有这样的特征：其中，步骤s20中，集成学习模型采用stacking集成方法，其采用极端随机树、极端梯度提升机和轻梯度提升机作为第一层基学习器，采用选择线性回归模型作为第二层模型。

8、在本发明提供的短纤维复合材料宏观力学性能精细化设计方法中，还可以具有这样的特征：其中，步骤s20中，训练过程还包括采用网格搜索法进行超参调优和使用五折交叉验证法优化模型参数。

9、在本发明提供的短纤维复合材料宏观力学性能精细化设计方法中，还可以具有这样的特征：其中，步骤s40中，遗传算法的步骤为：s41，随机生成若干不同的设计方案作为不同的个体组成初始种群；s42，通过训练好的短纤维复合材料性能正向预测模型来计算初始种群的适应度；s43，若适应度满足要求，则输出最优个体，若适应度不满足要求，则对初始种群先后进行选择操作、交叉操作以及变异操作后再重新计算其适应度直至满足要求。

10、在本发明提供的短纤维复合材料宏观力学性能精细化设计方法中，还可以具有这样的特征：其中，适应度是否满足要求的计算标准为遗传算法生成的设计方案中特征参数的输出目标与用户设定的目标值之间的差距是否满足设定标准。

11、发明的作用与效果

12、本发明针对短纤维复合材料宏观力学性能的细观参数设计及优化问题，充分利用机器学习和遗传算法两者的优势，实现更高效和精准的设计优化。设计流程中，机器学习通过快速预测提供高效筛选的搜索空间，遗传算法结合shap可解释特征分析用于精细调整和优化，结合二者的优势实现高效的设计探索和优化。

13、本发明根据组分材料性能及微观结构预测短纤维复合材料的宏观力学性能，并充分利用shap可解释性特征分析结果，实现对短纤维复合材料组分及微观结构设计的智能化指导调控，对于指导短纤维复合材料的细观参数设计及优化具有积极意义。