基于频率和光纤光栅识别纤维增强复合材料梁的分层损伤

发布时间：2020-04-05 15:37

【摘要】：纤维增强复合材料(Fiber Reinforced Polymer,FRP)因其轻质高强、耐高温、耐腐蚀、抗疲劳、抗振动、吸波透波、绝缘隔音、外观设计灵活和可塑性强等综合特性,现已被广泛应用于航空航天、海陆交通、民用基础设施、体育器材和建筑医疗等工程领域。常见的FRP材料以层合结构为主,层与层之间是树脂基体,力学性能较薄弱,极易导致FRP材料在加工、储存、运输、服役及维修过程中因遭受中低速冲击而产生分层损伤,大大降低了FRP层合结构的承载能力,最终在低于设计载荷水平下失效,带来严重的安全事故和重大的生命财产损失。因此,对FRP层合结构进行早期损伤诊断和识别显得尤为重要。本文以FRP复合材料层合梁为研究对象,分别以损伤发生前后的振动参数(模态频率)变化值和光纤光栅波长漂移值为损伤指标,通过构建多种机器学习算法,包括人工神经网络、支持向量机、极限学习机和遗传算法等,实现对FRP层合梁的分层损伤位置、大小和分层界面等参数的一一识别。对文中提出的用于分层损伤识别的机器学习算法进行了数值模拟案例和试验实测案例的双重验证:(1)数值模型案例验证中,首先建立了层合梁的理论模型、有限元模型以及基于BP(back propagation)神经网络和支持向量机的代理模型等三种数值模型,基于这些数值模型生成了“分层损伤参数-频率变化值”数据库和一系列数值验证案例用于验证构建的机器学习算法,并对比了分别采用三种数值模型进行分层识别的精度和所需运算时间。(2)试验测量案例验证中,首先制作了无损和含分层损伤的FRP层合梁试件,在一端固定的边界条件下分别对其进行模态频率测试和光纤光栅波长测试,实测的多阶频率变化值和光纤光栅波长漂移值被用于对构建的机器学习算法进行试验验证。此外,基于频率变化指标的损伤识别方法中还对各机器学习算法的可变参数进行了分析讨论,如数据库大小、隐含层节点数、是否归一化、输入和输出形式及网络参数优化方法等,最终确定适用于算法的最佳参数。基于频率变化的数值验证结果表明,BP神经网络的预测效果最佳,案例数为165时的界面正确率高达98.15%,损伤位置和大小的绝对预测误差分别为0.14%和0.17%。试验验证结果表明,支持向量机的识别效果最佳,其次是极限学习机、基于代理模型的遗传算法和BP神经网络,四种机器学习算法对损伤位置和大小的绝对预测误差均控制在3.3%以内,而对于分层界面的识别,以支持向量机的分类识别效果最佳,正确率为100%。基于波长漂移的试验验证表明,将各光纤光栅的波长漂移、加载坐标和加载值作为算法输入时,BP神经网络和支持向量机均能正确输出加载点和损伤之间的方位关系。综上,本文得出的结论是,基于频率变化和波长漂移的四种机器学习算法均能够较为准确地识别FRP梁的分层损伤,其中以支持向量机识别效果最佳。本文将频率预测与光纤光栅的局部预测相融合,减少了利用光纤光栅识别的工作量,同时对直接基于频率指标的损伤位置和大小做进一步验证和细化。
【图文】：

分层损伤

图 1-2 FRP 结构的分层损伤料分层损伤的无损检测技术技术（Non-destructive Identification, NDI）通过从测量的结物理量中提取出特征参数，根据其变化情况对损伤进行检测点，仅凭单一技术很难解决所有的损伤检测问题，以下将对损检测方法及其优缺点进行概述。测测（Ultrasonic Testing, UT）约占全球无损检测领域的 80%，波，利用超声波在不同介质界面处会产生反射和折射等物理行检测。在复合材料中，超声波以准纵向和准横向波的形式

分层损伤,复合材料梁,固有频率

图 1-3 分层损伤会降低复合材料梁的固有频率内容究基于振动参数（模态频率）和基于光纤光栅的结构健对 FRP 层合悬臂梁的贯穿单分层损伤进行精准预测。首过数值模型和模态测试分别生成多阶频率数据库，用于实现对分层损伤位置、大小和界面的预测。其次，基于，在 FRP 层合梁的预测损伤周围布置光纤光栅传感网络光纤光栅解调仪得到各光栅的中心波长漂移值，同样用测出分层损伤与加载位置之间的方位关系，，实现对分层层损伤参数的精确识别可为下阶段的剩余寿命估计提供
【学位授予单位】：广州大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TU37

【参考文献】