基于深度学习的复合材料开孔板拉伸失效行为预测

为研究复合材料开孔板在拉伸载荷下的失效行为,基于开孔板的拉伸试验建立了高精度的有限元仿真模型,并批量生成了拉伸载荷-位移曲线的数据集。提出了一种双长短时记忆(Long short-term memory,LSTM)神经网络模型用于预测载荷-位移曲线,其中第1个LSTM模型进行输入特征的提取,第2个LSTM模型直接给出载荷-位移曲线的预测。结果表明:这一模型能够高效、准确地预测开孔板的拉伸载荷-位移曲线,在测试集上的决定系数R2可以达到0.9755,关键特征如初始刚度E0的预测误差仅为1.85%,极限载荷Fmax的预测误差仅为2.16%。