(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111337786.2 (22)申请日 2021.11.11 (71)申请人 南京航空航天大 学 地址 210016 江苏省南京市秦淮区御道街 29号 (72)发明人 李迎光　刘旭　陈耿祥　孟庆禄　 郝小忠　周靖　 (74)专利代理 机构 南京天华专利代理有限责任 公司 32218 代理人 瞿网兰 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) B29C 70/54(2006.01) (54)发明名称 一种复合材 料固化工艺建模方法 (57)摘要 一种复合材料固化工艺建模方法， 能够实现 固化工艺到复材零件固化过程状态信息的映射。 其特征在于， 首先， 获取一组固化工艺数据， 然 后， 获取每一个固化工艺下复材零件的固化过程 中的状态信息， 再利用上述样 本数据训练一个神 经算子模型， 经过升维映射、 迭代核积分、 降维映 射、 物理约束四个过程实现固化工艺到复材零件 固化过程状态信息的映射。 本发 明可广泛应用于 复合材料固化工艺建模， 所建模 型可用于固化状 态信息快速预测、 固化工艺优化、 固化过程监测 等。 权利要求书1页 说明书4页 附图3页 CN 114065578 A 2022.02.18 CN 114065578 A 1.一种复合材 料固化工艺建模方法， 其特 征在于， 它包括以下步骤： 首先， 获取一组固化工艺数据 N为固化工艺个数， 每一个固化工艺xi(t)包括 温度工艺信息T(t)和/或压力工艺信息P(t)， T(t)和P(t)分别表示固化过程中每个时间点 处的温度和压力， N 为固化工艺个数； 其次， 获取每一个固化工艺xi(t)下复材零件的固化过程中的状态信息yi(t)， yi(t)包 括固化过程中复材零件各点 或某些指 定点处的温度、 固化度、 应力、 应变、 刚度、 柔度和变形 中的一个或多个量； 第三， 利用样本数据 和物理先验知识训练一个满足物理约束的神经 算子模型， 实现固化工艺到复材零件固化过程状态信息的映射。 2.根据权利要求1所述的方法， 其特征在于， 所述的固化过程状态信息获取方法是： 采 用有限元法、 有限差分法、 商用仿真软件之一进行求 解或在固化实验过程 监测获得。 3.根据权利要求1所述的方法， 其特征在于， 所述的满足物理约束的神经算子模型是逼 近算子映射的神经网络， 该网络包括升维映射、 迭代核积分、 降维映射和物理约束四个部 分。 4.根据权利要求1或3所述的方法， 其特征在于， 所述的物理约束是对网络输出施加的 约束， 体现在网络损失函数中。 5.根据权利要求1或3所述的方法， 其特征在于， 所述的物理约束包括固化工艺与固化 过程状态信息之间的关系， 状态信息 本身的物理属性以及状态信息所满足的物理方程。 6.根据权利要求3所述的方法， 其特征在于， 所述的升维映射是使用一个或多个全连接 层或卷积层提升xi(t)的维度。 7.根据权利要求3所述的方法， 其特征在于， 所述的迭代核积分是使用一个或多个傅里 叶层依次对升维映射后的数据进 行处理； 每个傅里叶层 包括快速傅里叶变换、 低通滤波、 线 性变换、 快速傅里叶逆变换、 非线性激活 处理五个部分。 8.根据权利要求7所述的方法， 其特征在于， 所述的快速傅里叶变换用于快速得到时域 函数的频域特征表示； 低通滤波用于保留低频特征去除高频特征； 线性变换用于对低通滤 波保留的低频特征进行处理， 能够学习原始空间中高度非线性的特征， 并保证网络参数数 量与时域函数的离散分辨率无关； 快速傅里叶逆变换用于将线性变换后的低频特征快速转 换回时域函数表示； 非线性激活 处理用于增 加网络的非线性表达能力。 9.根据权利要求3所述的方法， 其特征在于， 所述的降维映射是使用一个或多个全连接 层或卷积层对 迭代核积分后的数据降维并输出 预测结果。权　利　要　求　书 1/1 页 2 CN 114065578 A 2一种复合材料 固化工艺建模方 法 技术领域 [0001]本发明涉及一种复合材料固化成型技术领域， 尤其是一种复合材料固化工艺， 具 体地说是一种输入固化工艺输出固化过程状态信息的复合材 料固化工艺建模方法。 背景技术 [0002]近年来， 复合材料凭借其轻质高强的材料属性被广泛应用于航空航天、 汽车和船 舶等领域。 复合材料固化成型是指采用一定的固化工艺使得复合材料内部发生一系列物 理‑化学变化并最终成型的过程， 是复合材 料生产制造过程中的关键一环。 [0003]固化工艺直接决定了复合材料零件在固化过程中温度场和固化度场的演变， 因此 必须认真设计。 若设计不当会出现不完全固化、 严重温度过冲、 残余应力和变形过大等现 象， 大大降低复合材料成型的质量。 为了规避上述问题， 传统物理模型方法基于有限元方 法、 有限差分方法或商用仿真软件等， 通过设置几何形状、 边界条件、 初始条件和网格划分 等参数， 仿 真获得给定固化工艺下复材零件固化过程中的温度、 固化度等状态信息。 物理模 型方法可以获得高保真的固化过程状态信息， 但针对新的固化工艺需要重新仿真， 对于单 次仿真时间很长的大型复杂的复合材料零件， 物理模型方法在仿真 效率上无法满足实际需 求。 [0004]新兴的数据驱动方法能够利用固化工艺数据和物理模型方法获得的高保真仿真 数据， 训练获得一个高效、 准确的代理预测模型。 然而， 不管是神经网络还是其他机器学习 方法， 都只能实现低 维或有限维的输入到低 维或有限维输出 的映射学习， 因此绝大多数方 法都是将输入的固化工艺简化为几个特征， 如升温速率、 保温温度、 保温时间等， 将输出 的 固化过程状态信息简化为几个关键的过程状态指标， 如固化过程温度状态信息的热滞后、 放热峰值等。 这类方法虽然预测效率高， 但是简化明显， 无法真正实现输入固化工艺， 输出 固化过程状态信息的建模目标。 因此本发明提出一种复合材料固化工艺建模方法， 能利用 样本数据和物理先验知识训练一个满足物理约束的神经算子模型， 实现从固化工艺到复材 零件固化过程状态信息的高效预测。 发明内容 [0005]本发明的目的是现有的复合材料固化工艺模型建模周期长， 仿真效率低的问题， 一种复合材料固化工艺建模的方法， 用于实现固化工艺到复材零件固化过程中的状态信息 的映射， 所建模型 可用于固化状态信息快速预测、 固化工艺优化、 固化过程 监测等。 [0006]本发明的技 术方案是： [0007]一种复合材 料固化工艺建模方法， 其特 征是它包括以下步骤： [0008]首先， 获取一组固化工艺数据 N为固化工艺个数， 每一个固化工艺xi(t) 包括温度工艺信息T(t)和/或压力工艺信息P(t)， T(t)和P(t)分别表示固化过程中每个时 间点处的温度和压力； 然后， 获取每一个固化工艺xi(t)下复材零件的固化过程中 的状态信 息yi(t)， yi(t)包括固化过程中复材零件各点或某些指定点处的温度、 固化度、 应力、 应变、说　明　书 1/4 页 3 CN 114065578 A 3