本发明属于复合材料，具体涉及一种基于混合不确定性的编织复合材料多尺度可靠性分析方法。
背景技术：
1、编织复合材料广泛应用于航空航天、能源、军工等领域，具有密度低，强度高，可设计性强等特点。由于在材料成型的过程中纤维束间相互挤压，容易产生纤维束变形、弯折、屈曲等多种缺陷，同时在致密化的过程中基体在材料内部分布不均匀，由此造成了编织复合材料局部区域的不确定性。作为编织复合材料的基本组成单元，上述不确定性可以理解为纱线性能的不确定性，对编织复合材料整体结构的可靠性有着显著的影响。
2、对于复合材料进行可靠性分析，目前大多从材料宏观性能和宏观尺寸出发，将材料宏观性能(如模量、强度等)或几何参数(如铺层角度、铺层厚度等)假设为满足正态分布或威布尔分布的随机变量，通过建立代理模型完成随机变量到结构响应的映射。从纤维、基体或纱线等细观尺度研究复合材料可靠性的公开文献较少，对从细观尺度到宏观尺度的不确定性传播研究尚不深入，难以支持从工艺制备的角度提升复合材料性能。
技术实现思路
1、本发明所要解决的技术问题是针对上述现有技术的不足，提供基于混合不确定性的编织复合材料多尺度可靠性分析方法。相较于已有的编织复合材料可靠性分析方法，本专利综合考虑了材料内部纱线力学性能的认知不确定性与几何尺寸的客观不确定性，分别采用区间法与核密度估计法对上述两种不确定性进行综合量化，能够实现对结构力学响应的准确模拟；采用了基于分层抽样和改进和声算法的样本空间优化方法，实现对大参数样本空间的均匀填充。采用两级神经网络方法建立细观属性到结构响应的代理模型，避免了复杂模型的细观建模工作，实现在高度非线性条件下对目标载荷的准确预测。
2、为实现上述技术目的，本发明采用的技术方案是：
3、基于混合不确定性的编织复合材料多尺度可靠性分析方法，包括以下步骤：
4、步骤1：对编织复合材料结构进行xct扫描，获取编织复合材料结构内部的细观图像，
5、步骤2：对xct图像中的纱线细观几何参数进行测量，获取几何参数样本，
6、步骤3：根据所统计纱线细观几何参数的空间坐标对编织复合材料结构进行分区，对各区域内的纱线细观几何参数采用核密度估计法进行非参数估计，获取基于真实纱线的几何参数概率密度函数，
7、步骤4：根据几何参数概率密度函数对纱线细观几何参数进行分层随机抽样，得到第一随机样本，用于表征纱线细观几何参数的随机分布，
8、步骤5：通过数值仿真或公开文献获取纱线在各方向上的应力-应变本构响应曲线分布范围，基于区间法获取其包络面的边界曲线，对边界曲线进行多项式拟合，采用均匀分布在0～1范围内进行分层随机抽样，根据抽样结果对边界曲线进行插值，得到第二随机样本，用于表征纱线在各方向上的随机性能，
9、步骤6：采用改进和声算法对第一随机样本和第二随机样本的组合方式进行优化，使得组合后样本间最短距离最大化，得到优化后的样本集，
10、步骤7：根据优化后的样本集建立编织结构rve模型，采用有限元法计算rve模型在各方向上的应力-应变本构响应，获得“细观参数-宏观性能”数据集，
11、步骤8：建立神经网络框架，将细观参数作为输入层参数，将宏观性能作为输出层参数，得到“细观参数-宏观性能”神经网络代理模型，完成由“细观参数”到“宏观性能”的映射，
12、步骤9：基于“细观参数-宏观性能”神经网络代理模型，按空间分布对纱线本构参数、rve几何参数进行抽样，获取对应的材料宏观性能范围，
13、步骤10：在材料宏观性能范围内进行抽样，将材料宏观性能赋予结构中的对应区域，开展有限元仿真，获得结构的失效载荷值，获得“宏观性能-结构响应”数据集，
14、步骤11：建立神经网络框架，将宏观性能作为输入层参数，将结构响应作为输出层参数，得到“宏观性能-结构响应”神经网络代理模型，完成由“宏观性能”到“结构响应”的映射，
15、步骤12：基于上述“细观参数-宏观性能”和“宏观性能-结构响应”神经网络代理模型，采用蒙特卡洛方法计算结构中各区域的失效概率。
16、为优化技术方案，本发明采取的进一步措施包括：
17、步骤2中，将纱线横截面简化为四边形、椭圆形或凸透镜形，纱线细观几何参数为纱线横截面对应的边长或半径。
18、步骤3中，所述的核密度估计法获得的获取基于真实纱线的几何参数概率密度函数的方法为：
19、
20、其中n为样本数量，h为进行核密度估计所选取的带宽，xi为第i个纱线样本的某一细观几何参数，k(·)表示核函数，带宽h采用交叉验证或迭代法获得最优值，为几何参数概率密度函数。
21、步骤5中，边界曲线分别为上边界曲线与下边界曲线，对边界曲线进行多项式拟合的表达式为：t为边界曲线上一点的横坐标数值，f(t)为边界曲线上一点的纵坐标数值，n为拟合点的数量，cj为边界曲线第j次项系数，边界曲线拟合得到的多项式最高次数应保持一致，通过对两条曲线插值得到曲线间的任意曲线，任意曲线表达式为k为范围0～1的随机数，aj和bj分别为上边界曲线与下边界曲线对应的第j次项系数。
22、步骤6中，采用改进和声算法将第一随机样本和第二随机样本进行组合获得新样本，将原样本编号作为新样本参数进行优化，目标是使新样本之间的最短间距最大化，设定一个和声记忆库，包含具有k个参数的m个初始样本编号组合，之后对和声记忆库进行更新，更新方法为：对参数m从1到k进行循环：根据当前和声记忆库中的样本编号组合计算最短间距，给出最好与最坏的样本编号组合的参数与获得编号更新范围如xr超过xm的上界xmu或下界xml，则将上下界值赋予xr，在这一过程中，生成一个范围在0～1之间的随机数r1并与预设变异概率pm比较，如随机数小于变异概率pm，则生成新参数x′m＝xml+r1×(xmu-xml)，否则按照生成新参数，r2为范围在0～1之间的随机数。如采用x′m替换xworst中的后，样本编号组合最短间距大于xworst的最短间距，则替换和声库中的对样本编号组合的优化过程中，将遇到生成参数为小数的问题，采用最近整数的方法进行取整，当最大最短距离收敛到不再变化后，结束迭代。
23、步骤7中，采用周期性边界条件对rve模型进行边界设置，保证对称面上对应结点的变形一致。
24、步骤8与步骤11中，神经网络为前馈神经网络或循环神经网络或卷积神经网络。
25、步骤8的具体步骤为：建立神经网络框架，在输入层与输出层间设置若干隐藏层，每个隐藏层包含若干神经元，采用随机梯度下降方法调整神经网络中的权重和偏置，使得神经网络损失函数最小，将纱线轴向本构参数、纱线横向本构参数、纱线剪切本构参数和rve几何参数作为输入层参数，将编织材料轴向本构、编织材料横向本构和编织材料剪切本构作为输出层参数，得到“细观参数-宏观性能”神经网络代理模型，完成由“细观参数”到“宏观性能”的映射。
26、步骤11的具体步骤为：建立神经网络框架，将区域1到n的宏观材料属性及载荷数值作为输入层参数，将区域1到n是否发生失效作为输出层参数，在输入层与输出层间设置若干隐藏层，每个隐藏层包含若干神经元。采用随机梯度下降方法调整神经网络中的权重和偏置，使得神经网络损失函数最小，得到“宏观性能-结构响应”神经网络代理模型，完成由“宏观性能”到“结构响应”的映射。
27、步骤12的具体方法为：根据细观参数的概率密度函数按照各区域分别对纱线本构参数、细观几何参数进行大规模随机抽样，并采用步骤6中的改进和声算法对参数组合进行优化，获得细观参数，将细观参数输入“细观参数-宏观性能”神经网络代理模型，获得“宏观性能”的参数分布，根据宏观性能的概率密度函数分别对编织材料在各区域的宏观材料属性进行大规模随机抽样，与给定载荷一同输入“宏观性能-结构响应”神经网络代理模型，计算给定载荷下结构中各区域的失效概率。
28、与现有技术相比，本发明具有以下有益效果：
29、1.考虑了材料内部纱线力学性能的认知不确定性与几何尺寸的客观不确定性，分别采用区间法与核密度估计法对上述两种不确定性进行综合量化，能够实现对结构力学响应的准确模拟。
30、2.采用了基于分层抽样和改进和声算法的样本空间优化方法，与现有拉丁超立方抽样方法相比，能实现对大参数样本空间的均匀填充，且占用内存空间小，计算速度快。
31、3.采用两级神经网络建立细观属性到结构宏观响应的代理模型，考虑了细观属性的影响，同时避免了复杂模型的细观建模工作，实现在高度非线性条件下对目标载荷的准确预测。
1.基于混合不确定性的编织复合材料多尺度可靠性分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于混合不确定性的编织复合材料多尺度可靠性分析方法，其特征在于，步骤2中，将纱线横截面简化为四边形、椭圆形或凸透镜形，纱线细观几何参数为纱线横截面对应的边长或半径。
3.根据权利要求2所述的基于混合不确定性的编织复合材料多尺度可靠性分析方法，其特征在于，步骤3中，所述的核密度估计法获得的获取基于真实纱线的几何参数概率密度函数的方法为：
4.根据权利要求3所述的基于混合不确定性的编织复合材料多尺度可靠性分析方法，其特征在于，步骤5中，边界曲线分别为上边界曲线与下边界曲线，对边界曲线进行多项式拟合的表达式为：t为边界曲线上一点的横坐标数值，f(t)为边界曲线上一点的纵坐标数值，n为拟合点的数量，cj为边界曲线第j次项系数，边界曲线拟合得到的多项式最高次数应保持一致，通过对两条曲线插值得到曲线间的任意曲线，任意曲线表达式为k为范围0～1的随机数，aj和bj分别为上边界曲线与下边界曲线对应的第j次项系数。
5.根据权利要求4所述的基于混合不确定性的编织复合材料多尺度可靠性分析方法，其特征在于，步骤6中，采用改进和声算法将第一随机样本和第二随机样本进行组合获得新样本，将原样本编号作为新样本参数进行优化，目标是使新样本之间的最短间距最大化，设定一个和声记忆库，包含具有k个参数的m个初始样本编号组合，之后对和声记忆库进行更新，更新方法为：对参数m从1到k进行循环：根据当前和声记忆库中的样本编号组合计算最短间距，给出最好与最坏的样本编号组合的参数与获得编号更新范围如xr超过xm的上界xmu或下界xml，则将上下界值赋予xr，在这一过程中，生成一个范围在0～1之间的随机数r1并与预设变异概率pm比较，如随机数小于变异概率pm，则生成新参数x′m＝xml+r1×(xmu-xml)，否则按照生成新参数，r2为范围在0～1之间的随机数，如采用x′m替换xworst中的后，样本编号组合最短间距大于xworst的最短间距，则替换和声库中的对样本编号组合的优化过程中，将遇到生成参数为小数的问题，采用最近整数的方法进行取整，当最大最短距离收敛到不再变化后，结束迭代。
6.根据权利要求5所述的基于混合不确定性的编织复合材料多尺度可靠性分析方法，其特征在于，步骤7中，采用周期性边界条件对rve模型进行边界设置，保证对称面上对应结点的变形一致。
7.根据权利要求1所述的基于混合不确定性的编织复合材料多尺度可靠性分析方法，其特征在于，步骤8与步骤11中，神经网络为前馈神经网络或循环神经网络或卷积神经网络。
8.根据权利要求6所述的基于混合不确定性的编织复合材料多尺度可靠性分析方法，其特征在于，步骤8的具体步骤为：建立神经网络框架，在输入层与输出层间设置若干隐藏层，每个隐藏层包含若干神经元，采用随机梯度下降方法调整神经网络中的权重和偏置，使得神经网络损失函数最小，将纱线轴向本构参数、纱线横向本构参数、纱线剪切本构参数和rve几何参数作为输入层参数，将编织材料轴向本构、编织材料横向本构和编织材料剪切本构作为输出层参数，得到“细观参数-宏观性能”神经网络代理模型，完成由“细观参数”到“宏观性能”的映射。
9.根据权利要求1所述的基于混合不确定性的编织复合材料多尺度可靠性分析方法，其特征在于，步骤11的具体步骤为：建立神经网络框架，将区域1到n的宏观材料属性及载荷数值作为输入层参数，将区域1到n是否发生失效作为输出层参数，在输入层与输出层间设置若干隐藏层，每个隐藏层包含若干神经元，采用随机梯度下降方法调整神经网络中的权重和偏置，使得神经网络损失函数最小，得到“宏观性能-结构响应”神经网络代理模型，完成由“宏观性能”到“结构响应”的映射。
10.根据权利要求1所述的基于混合不确定性的编织复合材料多尺度可靠性分析方法，其特征在于，步骤12的具体方法为：根据细观参数的概率密度函数按照各区域分别对纱线本构参数、细观几何参数进行大规模随机抽样，并采用步骤6中的改进和声算法对参数组合进行优化，获得细观参数，将细观参数输入“细观参数-宏观性能”神经网络代理模型，获得“宏观性能”的参数分布，根据宏观性能的概率密度函数分别对编织材料在各区域的宏观材料属性进行大规模随机抽样，与给定载荷一同输入“宏观性能-结构响应”神经网络代理模型，计算给定载荷下结构中各区域的失效概率。
