(19)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 202210954662.7 (22)申请日 2022.08.10 (71)申请人 南昌航空大 学 地址 330000 江西省南昌市丰和南大道696 号 (72)发明人 周凌　左家乐　乔梁　丁翔　 贺晓书　 (74)专利代理 机构 深圳市智旭鼎浩知识产权代 理事务所(普通 合伙) 44746 专利代理师 周超 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/23(2020.01) G06F 30/25(2020.01) G06F 30/27(2020.01)G06N 3/00(2006.01) G06N 3/08(2006.01) G06N 3/12(2006.01) G06F 113/26(2020.01) G06F 119/02(2020.01) G06F 119/14(2020.01) (54)发明名称 复合材料结构多源不确定性混合可靠性数 字孪生建模方法 (57)摘要 本发明公开了复合材料结构多源不确定性 混合可靠性数字孪生建模 方法， 以复合材料结构 为研究对象， 针对复合材料性能离散性大、 失效 机理复杂的特点， 用多尺度方法建立复合材料结 构高保真有限元模型， 可对不同失效模式建立相 应故障物理模 型； 用人工智能技术建立故障物理 模型的降阶模 型， 以满足数字孪生模 型的实时在 线部署要求； 同时借助数据驱动技术对降阶模型 进一步修正， 提高复合材料结构响应(应力/应 变/损伤/疲劳寿命)预测的准确性； 考虑模型中 数据的不确定性及样本充足与否， 分别用概率与 非概率变量进行描述， 建立复合材料结构多源不 确定性混合可靠性数字孪生模型。 该模型能实现 对复合材料结构响应的准确预测， 以及可靠性的 实时精确评估。 权利要求书2页 说明书6页 附图3页 CN 115238394 A 2022.10.25 CN 115238394 A 1.复合材 料结构多源不确定性混合可靠性数字 孪生建模方法， 其特 征在于， 包括： 步骤一、 对输入变量： 载荷、 结构参数如纤维直径、 纤维体积分数、 铺层厚度， 进行超拉 丁抽样， 获得多尺度高保真有限元模型输入变量样本； 步骤二、 建立确定性多尺度高保真有限元模型， 获得在输入变量样本下的高保真有限 元模型结构仿真的应力、 应变、 损伤、 疲劳寿命输出数据； 并考虑输入 数据的不确定性， 建立 不确定性多尺度高保真有限元模型； 步骤三、 采用神经网络算法对不确定性多尺度高保真有限元模型进行降阶处理， 通过 神经网络训练步骤一中输入变量样本数据与步骤二中有限元仿 真输出数据， 建立输入变量 与输出变量之间关系的降阶模型； 步骤四、 建立误差融合修正策略， 根据传感器输入的实时数据与步骤三中神经网络训 练的数据集融合， 组成新的数据集返回训练， 实时更新降阶模型； 步骤五、 传感器实时载荷数据输入到最新修正的降阶模型中， 获得应力、 应变、 损伤、 疲 劳寿命预测结果； 步骤六、 在确定性数字孪生模型基础上， 考虑数字孪生模型中数据的不确定性， 建立多 源混合可靠性数字孪生模型， 其中不确定性数据来源为传感器数据、 多尺度有限元模型和 降阶模型中的数据、 结构失效的不确定性， 并对不确定性数据采用概率和非概率2种不确定 性变量进行描述； 步骤七、 在多源混合可靠性数字孪生模型基础上， 采用人工智能优化算法实时计算混 合可靠度， 并进行 可靠性分析； 步骤八、 首先使用二维或三维实时显示技术， 将复合材料结构的应力、 应变、 损伤响应 数据实时显示建立确定性数字孪生模 型， 并进行应力、 应变分析、 损伤分析、 疲劳寿命分析； 在确定性数字孪生的基础上， 考虑数字孪生模型中数据的不确定性， 并采用概率和非概率2 种不确定性变量描述不确定性数据， 建立复合材料多源不确定性混合可靠性数字孪生模 型， 实时计算混合可靠度， 并将混合可靠性计算结果实时显示。 2.根据权利要求1所述的复合材料结构多源不确定性混合可靠性数字孪生建模方法， 其特征在于， 在所述步骤一中， 所述多尺度， 分为纤维与基体的微观尺度、 编织结构的介观 尺度、 铺层后形成整体结构的宏观尺度； 所述纤维直径、 纤维体积分数、 铺层厚度分别为复 合材料多尺度划分中的微观、 介观、 宏观尺度下对应的不确定性变量； 所述结构参数还可以 包含纤维内部缺陷、 纤维分布、 纤维丝束分布、 铺 层顺序、 铺 层角度、 宏观结构尺寸。 3.根据权利要求1所述的复合材料结构多源不确定性混合可靠性数字孪生建模方法， 其特征在于， 在所述步骤二中， 所述有限元模型为各类故障物理模型， 建立不同故障物理模 型即可建立对应的数字 孪生模型。 4.根据权利要求1所述的复合材料结构多源不确定性混合可靠性数字孪生建模方法， 其特征在于， 在所述步骤三中， 所述神经网络算法以BP神经网络算法为基础， 根据变量和故 障物理模 型种类在遗传、 粒子群、 蚁群、 萤火虫人工智能优化算法中选择合适的优化算法来 优化BP神经网络算法中的权值和阈值， 以提高BP神经网络算法的预测精度。 5.根据权利要求1所述的复合材料结构多源不确定性混合可靠性数字孪生建模方法， 其特征在于， 在所述步骤六中， 所述多源实时混合可靠性模型中， 多源数据来自不同传感器 测量所得数据和有限元模型仿真数据； 所述概率变量， 是指传感器测量数据、 降阶模型预测权　利　要　求　书 1/2 页 2 CN 115238394 A 2数据中数据样本充足的不确定性变量， 可以拟合出准确的概率分布， 采用概率变量描述； 所 述非概率变量， 是指传感器测量数据、 降阶模型预测数据中数据样本缺乏的不确定性变量， 无法拟合出准确的概 率分布， 采用非概 率变量描述。 6.根据权利要求1所述的复合材料结构多源不确定性混合可靠性数字孪生建模方法， 其特征在于， 在所述步骤七中， 所述人工智能优化算法， 可根据实际情况在遗传、 粒子群、 蚁 群人工智能优化 算法中选择合 适的优化 算法。权　利　要　求　书 2/2 页 3 CN 115238394 A 3