基于深度迁移学习的多参数耦合复合材料层合板力学性能

摘要

为了解决训练样本有限和极端环境条件下飞机结构强度分析的难题，提高分析效率，将深度迁移学习方法应用于RX4E电动飞机复合材料层合板的力学性能研究。基于复合材料层合板试验结果的分析，对比了多种深度学习模型对试验结果的预测，最终选定卷积-长短期记忆（convolutional long short-term memory,CLSTM）网络作为最优的深度学习模型。此外，还引入了迁移学习（transfer learning,TL）模型，以精确预测复合材料层合板在不同温度、湿度及铺层方式下的应力-应变关系。结果表明，提出的TL-CLSTM网络模型在预测复合材料的力学性能方面具有显著的优势，特别是在预测应力-应变关系方面，其均方误差和均方根误差分别为10^-5和10^-3。所提出的模型克服了传统力学性能测量方法的复杂性和低效性，能够有效地预测电动飞机复合材料层合板的力学性能，为电动飞机制造研究提供了新的途径。

关键词

电动飞机 / 复合材料层合板 / 深度迁移学习 / 卷积-长短期记忆网络 / 力学性能