基于深度学习的复合结构显式动力学模型参数

针对复合结构动力学模型因制造缺陷与理论偏差的问题，本文提出 DynCorrNet 深度学习框架，通过多尺度物理编码器构建非线性映射，结合参数导向优化实现动力学方程显式修正，实验验证其高效性与泛化能力。

　　
在复合结构动力学建模领域，研究者们长期面临理论模型与实际工程场景间的显著差异问题。这种差异源于制造过程中难以完全消除的随机微缺陷，包括树脂分布不均、孔隙率波动等，这些缺陷会显著改变结构的非线性刚度与阻尼特性。传统理论建模方法虽然具备物理可解释性，但面对复杂制造工艺带来的参数不确定性时，往往难以准确预测实际结构的动态响应。与此相对，纯数据驱动的深度学习模型虽然预测精度较高，但其"黑箱"特性导致物理机理不透明，难以满足航空等高可靠性工程领域的需求。

当前研究呈现出两个显著趋势：一方面，数据驱动方法在机械工程领域的应用不断深化，特别是针对动态响应预测方面，已有研究通过整合神经网络与随机平均法显著提升了计算效率；另一方面，物理约束的引入成为突破传统数据驱动模型局限性的关键路径。这种结合理论机理与数据优势的方法论创新，正在重构工程力学建模范式。

作者团队针对复合结构动力学建模中的核心矛盾——理论模型的物理显式性与数据驱动模型的泛化能力之间的冲突，提出了创新性的Dynamics Correction Network（DynCorrNet）框架。该方法通过构建多物理约束的映射网络，将传统理论模型中的关键参数（如刚度、阻尼和非线性系数）转化为可解释的显式表达，同时保留数据驱动模型的适应性优势。

研究首先系统梳理了复合结构动力学建模的理论基础。通过整合Mindlin-Reissner板理论、Hamilton原理及动态系统的分岔特性分析，建立了涵盖材料非均匀性、制造工艺波动性、载荷时变性的多维度理论模型体系。特别值得关注的是，研究团队创新性地构建了包含32种典型制造缺陷特征的理论参数空间，这为后续的混合建模提供了精确的物理基准。

在数据工程方面，研究构建了包含三重验证机制的多源数据集：理论计算数据集涵盖2000组不同缺陷特征的参数组合；实验验证数据集包含来自五类典型制造工艺（湿法成型、热压罐成型等）的实测振动信号，采样频率达到50kHz；基准对比数据集则整合了传统有限元分析、统计力学建模等14种基准方法的结果。这种多维数据架构有效解决了单一数据源带来的泛化能力局限。

DynCorrNet的核心创新体现在三个递进式模块：首先，多尺度物理编码器通过嵌入材料本构关系、边界条件、载荷谱特征等物理先验知识，构建了具有层次化特征提取能力的神经网络架构。该模块在训练初期就注入了材料弹性模量与孔隙率的统计关联规律，使得网络能自主识别制造缺陷对动态特性的非线性影响。

其次，参数定向优化机制突破传统神经网络的全参数优化模式。研究设计了一种基于物理守恒定律的约束优化算法，将动态方程中的关键参数（刚度修正系数、阻尼比调整因子、非线性项权重）与神经网络中间层的特征进行解耦映射。这种机制使得网络在训练过程中仅调整方程参数，而保持结构拓扑不变，确保了模型修正的物理可逆性。

最后，数值求解引擎的模块化设计实现了理论模型的动态修正。研究采用分步验证策略：首先通过参数优化获得修正后的动力学方程系数，然后基于修正方程进行数值仿真，最后通过残差补偿机制对预测结果进行二次校准。这种分层修正策略在保证计算效率的同时，将理论模型的预测误差从传统方法的12.7%降至4.3%以下。

实验验证部分采用对比研究设计，在三个关键维度展开评估：在模型鲁棒性方面，测试了包括湿度变化（±15%）、温度波动（-20℃至+60℃）在内的18种工况条件，发现DynCorrNet的预测稳定性比基准模型提升37%；在参数辨识精度方面，通过构建包含237种缺陷组合的测试集，验证了刚度修正系数的识别准确率达91.4%，较传统LSTM模型提升24.6个百分点；在计算效率方面，采用动态方程参数优化的策略将训练时长从128小时压缩至41小时，同时保持99.2%的预测精度。

特别值得注意的是，研究团队开发了物理可解释性增强机制。通过可视化中间层特征，发现网络能有效捕捉制造缺陷引起的模态分裂现象（当孔隙率超过8%时，基频与第一振型频率间隔增大42%）。这种对材料非均匀性分布的敏感性，验证了物理编码器在特征提取中的有效性。同时，基于梯度反向传播的参数敏感性分析表明，非线性项的权重调整对动态响应的修正贡献度达67%，这为结构优化提供了关键参数指导。

在工程应用层面，研究建立了完整的验证体系：第一层验证通过与经典理论模型（Zhang et al., 2022提出的修正Mindlin理论）的对比，确保修正机制的理论正确性；第二层验证采用不同制造工艺的试件（湿法成型、热压罐成型、自动铺放成型），测试模型在不同工艺缺陷下的泛化能力；第三层验证则针对典型飞行载荷谱（包括升力突变、气动弹性耦合等场景），评估动态模型的实际工程适用性。

研究还揭示了复合结构动力学建模的深层规律：当制造缺陷导致的局部刚度变异超过材料均质性的30%时，传统线性动力学模型将产生超过15%的预测偏差。此时，引入具有物理约束的深度学习模型，可使非线性修正系数的识别精度达到89.7%，且这种修正机制具有显式可解释性，能够通过动力学方程参数的显式表达，追溯不同缺陷模式对系统响应的影响路径。

该方法的工程价值体现在两方面：其一，通过建立可解释的动态模型修正框架，为复合结构健康管理提供了理论支撑。例如，在疲劳寿命预测中，修正后的刚度系数与实测数据的拟合优度达到0.982，显著高于纯数据驱动模型的0.894；其二，形成的参数优化方法论可推广至其他工程领域。研究团队已将其应用于航天器蒙皮结构的振动控制，成功将共振频率偏移量从12.7%降至4.1%。

未来研究可沿着三个方向深化：首先，开发基于数字孪生的实时修正系统，将模型更新周期从月度级缩短至小时级；其次，探索多物理场耦合下的动态修正机制，特别是在湿热耦合环境下材料性能退化对动力学模型的影响；最后，构建面向智能制造的动态建模平台，将缺陷检测与模型修正形成闭环控制。这些方向将推动复合结构动力学建模从"事后修正"向"事前预防"的范式转变。

该研究为解决工程力学建模中的经典矛盾提供了创新方案，其核心价值在于实现了数据驱动与物理建模的有机融合。通过构建具有物理约束的神经网络架构，不仅解决了传统数据驱动模型的黑箱问题，更重要的是建立了可追溯的动态修正机制。这种将理论模型参数显式化的创新思路，为复杂结构的可靠性评估开辟了新路径，特别是在需要实时修正和物理解释的航空制造领域，具有重要应用前景。研究提出的多尺度物理编码方法，则为解决非均匀介质中的场分布问题提供了可复用的技术框架。