应用集成学习算法的复合材料损伤定位研究

在碳纤维增强复合材料(carbon fiber reinforced plastic,CFRP)损伤定位研究中,传统单一模型定位误差较大,为提高CFRP的损伤定位精度,提出一种基于集成学习的损伤定位方法。重物加载引起材料应力的变化常用于模拟损伤,施加不同质量用以模拟不同的损伤程度,实验在CFRP上布置应变片,获取在不同损伤程度下的应变特征量,针对同一损伤程度,利用网格搜索法对支持向量回归机(SVR)和分类回归树(CART)模型进行参数寻优,将最优模型参数应用到集成学习模型后对比SVR、CART两种单一模型和SVR_Adaboost、随机森林(RF)、极端随机树(ERT)、梯度提升决策树(GBDT)四种集成学习模型的定位精度。结果表明:在损伤程度1的数据集上,弱学习器迭代50次的随机森林模型和极端随机树模型平均定位误差最低,为6.2 mm,并将该两种模型在损伤程度2和3的数据集上进行坐标预测。该集成学习算法可用于碳纤维增强复合材料损伤定位,且定位精度比传统单一模型定位精度高。