基于神经网络的复合材料承载声发射检测分析.docVIP

基于神经网络的复合材料承载声发射检测分析 　　1引言 　　三维编织复合材料是由三维编织预制件增强的一种新型的复合材料。复合材料三维整体编织技术是加世纪80年代发展起来的高新纺织技术，它具有异形件一次编织成型、结构不分层、强度高、耐烧蚀、整体性能好和结构设计灵活等特点，因而这种复合材料的结构形式倍受关注。在国外，三维整体编织技术已经在航天、航空、交通、化工、体育、医疗等领域得到了广泛的应用，因此，对三维编织复合材料的力学性能进行分析具有重要意义。 　　声发射是指材料局部因能量的快速释放而发出瞬态弹性波的现象。声发射可以用于监视材料在变形、失效过程中的损伤累积，分析失效机制和确定损伤部位等。与超声和涡流等方法相比，声发射具有实时连续、灵敏度高和操作简便等优点，因此在材料研究方面的应用越来越多，成为一种新型的热门技术。对于三维编织复合材料，可利用声发射技术分析、研究其内部状况，评价其力学性能等。复合材料的声发射研究始于20世纪70年代的美国，80年代在法、日、英等国得到继续发展，大部分工作都是在树脂基复合材料中进行的，对三维编织复合材料还处于起步阶段，在国外虽有报道，但应用甚少。 　　2三维编织复合材料声发射测试系统 　　三维编织复合材料声发射测试系统原理： 　　AE传感器是信号的接收部件，它将探测到的声发射信号转换为电信号，经放大器和滤波器处理后，由数字示波器记录和保存后转换为数字量传入计算机进行分析。 　　3三维编织复合材料声发射信号的处理 　　3. 1噪声消除 　　声发射传感器获得的信号很大部分是由噪声产生的，因此对采集信号进行进一步处理是非常必要的。系统采用小波分析的方法对信号进行降噪并提取声发射信号。 　　小波变换的特征是时一频域的局部性和时一频域分辨力的相互转换。对低频信号，用宽时间、窄频率窗小波，具有高的频率分辨力;相反，对高频信号，用窄时间、宽频率窗小波，有高的时问分辨力。因此小波变换具有分析非平稳信号的能力，易于实现适应滤波，去除干扰。 　　人工神经网络要进行声发射损伤模式识别，需要基于承载分析的结果，并且要选择一个参考对象，这个参考对象就是建立在小波分析基础之上。 　　3. 2 BP神经网络参数选择标准和设置 　　本文采用神经网络分析声发射信号的特征参数和波形，用神经网络白动识别方法对三维编织复合材料声发射信号做定量分析。 　　本文对三维编织复合材料的承载进行分析，所以载荷是网络的一个最重要的参数，为了更好的描述其与损伤模式问的对应关系，还选取与材料损伤相关的、具有代表性的幅度、计数、能量、上升时问、持续时问这5个特征作为辅助参数，即输入层节点数为6;三维编织复合材料损伤定义为基体开裂和纤维断裂，所以定义输出层节点为2。 　　输入节点数和输出节点数已经确定，本文选取2-4倍输入节点数作为隐层节点数，采取试凑法分别测试，确定最佳的隐层节点数为24(输入层节点数的4倍)。 　　4实验结果与分析 　　用3K碳纤维T300B、基体为环氧树脂TDE-86、固化剂为70酸酐的增强三维编织复合材料作试件，尺寸均为35mm X 20mm X 6mm。所有试验在SHIMADZU AG-250KNE试验机上进行，加载速度为5.0mm/min .实验使用了4种编织复合材料试件。 　　拉伸试验结果表明:编织角小的试件，其应力-应变曲线基本为直线，损伤为脆性特征;编织角大的试件，应力-应变曲线表现出双线性，各白呈现出脆性破坏特征。 　　压缩试验结果表明:编织角小于30，三维编织复合材料具有较好的压缩性能;编织角大于40，三维编织复合材料压缩力学性能明显降低。 　　测试数据作为神经网络模型预测输入数据，训练方法采用惯性梯度下降法，神经元变换函数为正切Sigmoid型，取值范围[-1,+1 ] 。 　　网络结构为6-24-2。学习效率，网络最大训练步数(epoch) =600，期望均方误差E=0.02。 　　Matlab和人工神经网络相结合，针对样本的种类数可选择1-6个样本类别;对采集到的信号数据格式作为训练所需样本，之后就可以应用Matlab人工神经网络工具箱对网络进行学习训练，训练后即可得到样本的网络结构，用于鉴别以后的网络类型。 　　实验表明用含有一个隐层、24个隐层节点的正切Sigmoid函数，采用Traindm学习方法，经过600步训练后，均方误差达到0.0176，采用神经网络通过对材料承载进行测试分析，前期损伤模型主要是基体开裂，后期损伤模型主要是纤维断裂，并伴随材料的承载极限到达极值。在不同的承载载荷下，神经网络基本能够识别出损伤的模式，试