利用数字图像相关性、机器学习和周动理论对复合材料结构进行定量损伤检测与演化研究 托马斯·瓦伊特库纳斯（Tomas Vaitkūnas） 埃莱娜·贾西乌尼埃（Elena Jasiūnien?） 尤斯塔斯·格里什克维丘斯（Justas Gri?kevi?ius） 维金塔斯·萨马伊提斯（Vykintas Samaitis） 保罗斯·格里什克维丘斯（Paulius Gri?kevi?ius）

《Materials》：Quantitative Damage Detection and Evolution in Composite Structures Using Digital Image Correlation, Machine Learning, and Peridynamics Tomas Vaitkūnas, Elena Jasiūnien?, Justas Gri?kevi?ius, Vykintas Samaitis and Paulius Gri?kevi?ius

　　

摘要

利用数字图像相关技术（DIC）测量表面应变场对复合材料结构进行结构健康监测（SHM）已得到广泛应用；然而，准确的损伤量化仍然具有挑战性。本研究提出了一种混合框架，将有限元（FE）建模、机器学习（ML）和宏动力学（PD）相结合。一个带有缺口的碳纤维增强塑料（CFRP）试样经历了循环加载，其损伤过程通过DIC技术进行监测，并通过超声波测量进行了验证。经过验证的FE模型生成了用于ML训练的合成应变场数据集，从而能够直接从表面应变中检测和定量表征缺陷。训练得到的模型具有高准确性，包括完美的缺口检测和低预测误差。校准后的PD模型能够捕捉内部损伤演变和疲劳行为。这种DIC–ML–PD相结合的方法实现了精确、非接触式的损伤识别和预测，为复合材料结构提供了基于物理原理的数字孪生模型支持。