文摘

在过去的几年里,天然纤维复合材料快速发展的策略。的计算方法已经成为一个重要工具,许多研究人员设计和分析这些复合材料的力学性能。刚度等力学性能、效果进行弯曲和拉伸试验是天然纤维复合材料。天然纤维复合材料的建模通过使用一些计算技巧。发达卷积神经网络(CNN)是用来精确地预测这些复合材料的力学性能。真实的信息用于培训过程达到从平面应力下的有限元分析。训练过程完成后,开发设计授权使用无形的数据通过培训。最优微观结构模型是由开发模型嵌入遗传算法(GA)优化器。优化器收敛于构象与高度增强的属性。GA优化器是用来改善力学性能有柔软的元素在该地区附近的裂缝。

1。介绍

在当前形势下,行业大多集中在可持续制造的想法减少不可再生资源的过程,采用环保的材料浪费的过程重用或回收利用。准备复合材料,广泛的工作是由研究者在世界的一些地区(1]。聚合物和天然纤维复合材料被选为理想材料由于必要的特点包括可重用性、可回收性,长期持之以恒、广泛的可访问性在一个合理的成本。相比,合成纤维、天然纤维等劣质的品质显著水吸收,弱键,耐用性较低,在工业应用和较低的机械和热性能。优化和建模计算工程师采用一些方法来处理机械困难出现在科学和工程研究(2]。

材料工程领域的研究人员正在调查这些计算方法,可用于模型和优化的许多特性与天然纤维复合材料加固。由于各种环境问题,我们的目标是可能取代合成纤维和环境因素(3]。纤维治疗,nanofilter之外,杂交有一些技术,开发了克服这些限制。使用这些技术生产天然纤维复合材料(NFC)扩大了范围的应用,如家庭、结构、体育、汽车、航空航天和其他制造业应用最近几十年(4]。

分析过程中产生的天然纤维复合材料的质量和很复杂,因此很难建立通用的建模方法和优化综合素质(5]。使用当前的计算方法为研究特点的“国家食品消费调查”已经被证明是有用的建模和优化的复合材料。屏蔽过程天然纤维复合材料的力学性能是通过使用电磁干扰(EMI)。电磁干扰的屏蔽效率、微观结构、灵活性、拉伸、内结合强度的复合材料。EMI屏蔽优秀性能和机械性能使用EMI保护领域的复合材料。研究者和生产者可以很容易地确定最佳混合组成材料的平衡力量和合成材料的使用成本计算和数学模型。分析输入和输出参数之间的关系在材料加工是复合材料模型的一部分。

深神经网络是受生物神经网络架构处理学习从用户获得的数据。这个网络通常有输入,隐藏层和输出层(6]。款用于成功在有限元分析解决优化问题的评分功能板块。一款泡沫混凝土抗压强度预测模型在训练大量的照片,然后自己学习能力被转移到路面裂缝识别使用数字化路面表面图像。

卷积神经网络(CNN)模型可以定量地预测化合物的力学性能通过最大分数空间体积(7]。cnn是一种款,他们选择,因为它们在图像识别任务的表现。在下面几节中,考虑到所有的体积分数大大扩展了样本空间。同时,从实用的角度来看,有一个模型,预测实际标准的综合性能而不是类列表来自一个组织模型是更有帮助8]。此外,使用一个优化方法取决于遗传算法与模型CNN创建优化机械性能的硬和软材料体积分数和空间分布的微观结构。

本文的其余部分如下。第二部分描述了先前的工作,是由学者在这一领域的各种实验任务;第三节提供的材料和方法,第四部分是评价和绩效结果和讨论;和第五节代表工作实现的结论。

2。文献调查

Munde和炉火(2015)评估兴趣最低环境和廉价的污染。本研究重点是biocomposite机械性能使用可用的模型力学性能的理论和临床实验的验证。并行计算和系列,改性Halpin-Tsai,赫希模型,和Halpin-Tsai理论模型用于机械拉伸性能评估。准备样例标本通过使用压缩成型机,力学的描述执行ASTM D638-01万能测试机。结果相比,假设拉伸模量和抗拉强度力学性能的特点(9]。De Araujo阿尔维斯利马et al。(2020)分析了碱性化的影响。通过结合碱性化的行为和硅烷化粘附界面和intralaminar混合复合材料的力学性能,审批单抗拉纤维碎片并短梁的测试执行。最后,SEM分析是用来研究表面化学影响治疗用于天然纤维形态、提高纤维抗拉强度的研究化学治疗和碱性处理苎麻等纤维,curaua、黄麻。融合处理后,有更好的结果提出了剑麻纤维。最好的治疗方法是肤浅的个人类型的复合材料是纤维的碱性治疗获得更好的结果的未经处理的样品(10]。

曾经和Muthukrishnan(2013)评估、加工和生产期间,biocomposites是否需要更少的能量。纤维增强的质量通过使用不同的化学治疗。碱化的过程是显著提高综合力学性能。本研究对比增强复合材料的切削加工性能黄麻纤维使用处理和未经处理的碱性纤维组织。洞里的值是根据分层因素的比较通过数字图像处理技术实现的。实验基于阶乘设计进行了各级的进给速率和速度。方差分析(方差分析)是用来对分层研究的化学治疗的影响。找到最优钻井的条件,采用灰色关联分析(下)(11]。Sultana et al。(2020)估计等各种软方法计算响应面方法(RSM),人工神经网络(ANN)和支持向量回归(SVR)非线性经验发展模式期望黄麻纤维增强混凝土复合材料的力学性能(JFRCC)。灰关系(W / C)、黄麻纤维的能力,和长度是最依赖属性。matrix-design-based JFRCC属性的数据,这些数据是用来计划,比较,估计模型。因此,SVR模型的行为比RSM和ANN模型具有不同的性能和参数测量预测抗拉和抗压强度(12]。

王、吴、王(2010)评价纤维长宽比影响钢纤维混凝土(10)机械特性。这种分析暴露的长宽比的力量在每一批的最佳参数。钢纤维可以相对增加延性的影响。erosion-based算法用于数值模拟的两根钢铁项目目标,如穿孔和火山口。由于postyield受伤,软化模型的行为列表有效塑性应变和有效应力。这些结果表明,水动力模型描述了配筋影响载荷作用下的反应。此外,高纤维的外观比从事高能导致配筋的目标和更少的减少陨石坑剩余弹丸的速度(13]。表1显示了天然纤维复合材料的各种力学性能。

3所示。材料和方法

天然纤维复合材料的建模使用某些计算方法研究。材料包括机械性能如黄麻、甘蔗、苎麻、菠萝和香蕉纤维。各种参数观察从天然纤维复合材料的力学特性。自然混合复合材料制作的过程真空辅助控制传递模塑法(VARTM)。复合材料提出了更好的电磁干扰(EMI)屏蔽性能更好的机械性能。属性继承了铝表和天然纤维复合材料。目前,天然纤维复合材料的力学性能劣势的部分相比,合成计数器(21]。不同的两种或两种以上纤维混在一个常见的矩阵创建一个复合面板的混合组合。杂交是通过合并不同长度和不同直径小的纤维。这种方法旨在评估天然纤维复合材料的力学性能和屏蔽性能。接下来,nanofiller的内容是用来克服的局限性是天然纤维增强的复合材料增强尺寸稳定性。图1显示了制造人造纤维的原料。

3.1。建模的天然纤维复合材料的力学性能

天然纤维复合材料的力学性能进行建模是一个复杂的过程,由于不同的参数包括矩阵类型,使用纤维,整体组成、制造的过程中,制造过程中,计划的应用程序。提供的复合材料电磁干扰(EMI)屏蔽性能有更好的机械性能。研究人员已经能够更精确地构建这些改进的建模方法由于处理能力的最新进展。目的是回顾一些计算模型的方法,采用纤维增强复合材料的研究。

3.2。规则混合的混合物(罗姆)

混合的混合物(罗姆)模型的规则认为结构是由多个纤维嵌入在一个矩阵材料作为复合(混合22]。应用isostrain状态条件增强混合复合材料两种纤维收益率方程(1),ε_有限公司,ε_米1,ε_米2表示总材料应变,最初纤维应变和光纤应变。通过假设每种类型的纤维之间没有相互作用,罗姆的方程建模计算混合复合模量方程所示(2)。然后l_有限公司,U_r1,和U_r2代表了混合复合弹性和合格的首次和明年混合复合纤维的体积分数。

方程(1)和(2在下列条件下):U_r1+U_r2= 1,U_r1=U_米1/U_f,U_r2=U_米2/U_f,U_f=U_米1+U_平方米,在那里U_f是完整的钢筋体积分数(上U_米1+U_米2),基本上是作为弹性计算的钢筋体积分数(l_r1和l_r2)的复合材料。抗拉强度和密度的香蕉模块/剑麻纤维在变量比例使用实验和应用罗姆被认为是预测工具。比较准确的实验结果和罗姆抗拉强度的结果如图2和3它允许得出结论的方法。

3.3。Halpin-Tsai模型

Halpin-Tsai的模型是用来预计使用弹性纤维复合材料弹性模量,矩阵的材料,和几何作为输入参数(23]。实证方法被认为是,方法基本模型的自洽性。模型提供拉伸复合材料的拉伸模量和强度在(3)和(4),年代_一个,年代_d,我_一个,我_d表示复合弹性模、矩阵弹性模矩阵抗拉强度,分别和复合抗拉强度。U_米表示纤维复合材料的体积分数。的参数值F=J−1和J= 1 + 2年代/t,纤维的直径和长度被指示为t和年代,分别。的参数γ由方程(5)和(6)。的参数F措施的几何纤维、纤维分布、纤维和加载条件。我_米和年代_米代表模的弹性和纤维的抗拉强度,分别。Halpin-Tsai模型的基本方程来解释问题分析来确定结构的自然发生的波动。使用优化后的结果显示更高的频率达到混合与nonhybrid相比,纳米复合材料的复合材料。

3.4。赫希模型

模型涉及序列叠加和纤维取向在基质材料(24]。赫希的图模型图4这显示了并行和系列混合模型。因此,方程(5)显示了复合特征,我_一个,我_d,我_米代表拉伸的复合强度,矩阵材料抗拉强度,纤维抗拉强度。U_d表示矩阵体积分数和U_米表示纤维体积分数的。

z在方程中表示一个变量赋予纤维之间的荷载传递和数组。赫希模型被用来确定最佳拉伸混合复合的特点,这表明之间的力学性能是可修改的值0.37和0.55。

3.5。电磁干扰屏蔽过程

图5表明A2、A3、A2H11 A3H12是调查使用micro-A1表。通过辐射EMI屏蔽发生反射。EMI屏蔽是最受欢迎的方法通过使用金属板和涂层。金属板是经常使用,但一些患有缺点坏力学性能和耐腐蚀。金属表转化为天然纤维复合材料。EMI屏蔽过程结果使用金属表,从而具有更好的力学性能的天然纤维复合材料。金属板被保护以避免天然纤维复合材料的电化学腐蚀。EMI屏蔽性能的微观结构和力学性能的复合材料。

3.6。卷积神经网络模型

卷积神经网络模型用来预测硬度,韧性,和两个材料纤维的强度,一个刚性,脆性和其他柔软和韧性25]。CNN的技术模型经常需要重要数据提供的准确预测纤维。在培训过程中,研究新的数据,是无形的CNN模型后形成模型。CNN模型基于有限元分析的数据(有限元分析)。

进行有限元分析来估计资产的兴趣。有限元素的复制时不动·冯·米塞斯(ε_vs)在裂缝点变形达到相应的断裂变形。然后,解释为·冯·米塞斯应变

杨氏模量的值僵硬的纤维V= 1 GPa,软纤维材料的价值V= 0.1的绩点。泊松对柔性和刚性纤维材料的关系u= 1/3。打破脆性变形和刚性纤维材料是10%,虽然柔软和韧性纤维材料的破坏变形预计为100%。考虑三个活跃的纤维品质:模量、强度和韧性。在有限元分析中,节点元素时使用一个单独的部分有一个4点交个人部分有一个程度的两个自由(26]。了纤维有两个大小不同的假定8×8和16×16大小系统作为输入的例子。

有限元分析(FEA)来创建数据进行本研究的关键。同时考虑网格大小8×8和16×16如图6。有限元方法用于研究大量替代复杂的安排对应两个网格的大小,和由此产生的特征在每个记录结构。包含信息的微观结构,体积分数和相空间分布,称为配置。需要一些预处理过程后得到有限元分析的数据,使信息在CNN模型(27]。矩阵表示的数据从有限元分析获得的最基本的形式。训练实例表示,矩阵的行,而二进制发行版的材料表示列作为刚度的0和1的柔软。每一个学习算法都有标签向量包含三个材料特性:强度、韧性和强度。翻译成一个图像通过指定每个函数空间模型为每个组件提供到CNN模型,可以进行旋转的CNN模型发展。

CNN的关键策略是输入数据,也可能被视为一个图片。因此,变量的设置大大降低,导致更快的处理。在图7、卷积层,池层,完全连接层,和开始的目的层构成一个典型的美国有线电视新闻网。一个过滤器连接到输入图像卷积层的激活函数,它保持像素值之间的联系。池层结合的输入层作为max-pooling收益率从每一个会话精度最好的部门。分层和仿真功能完全与系统相媲美款简单款结构(28]。下一层,如摊位层,溢出的监管策略来最小化模型,也可以添加到CNN。两个CNN架构开发的每个维度网格有六个融合层,一个排斥层,和一个完全连接层在各自的架构。每个复合层由一个二维卷积层,2 d批量稳定层和修正线性部分激活(ReLU)函数。两者之间的卷积内核层范围多种多样的架构。

3.7。CNN模型的评价

均方误差(MSE)成本在形成阶段的目的是用来减少输出数据之间的残差模型和真实数据。平均绝对百分比误差(日军)是用于计算模型精度。方程(9)和(10)用于计算均方和平均绝对百分比误差来衡量实际的和预期值之间的差异。 k̂_n预测模型和基于发现吗k_n是真正的价值。

3.8。遗传算法优化

各种bioinspired运营商如交叉、变异和选择经常用于遗传算法优化得到最优解。GA优化器选择随机个体从上一代的父母产生后代的后代通过每个优化流程29日]。轮盘赌机制是利用作为选择算子,以更大的健身价值产生一个更大的选择概率。最优解的优化系统的频率称为健身。

遗传算法是一种基于计算机的研究和优化算法,取决于自然遗传学和自然选择机理。其他传统的优化方法不太可能比遗传算法提供最优覆盖全球。原因是遗传算法是基于概率标准和研究基于人口的遗传空间的点。传统的优化策略通常是基于确定性的研究使用梯度的概念定位当地的最适条件。每个基因操作周期称为一个发展的过程。每一个成员的人口的健康评估在每一代和后代形成使用当前人口的染色体。这需要父母双方的基因的混合和复合产生的后代在接下来的一代。繁殖、变异和交叉演化过程的所有部分。优化问题是:

是解码的线性映射规则: 在哪里一个_我=p₁,p₂;(U)=最低限制;(V)=最大限制;用户界面=二进制比特数;和t_我=相当于十进制值。

染色体与一些微观结构,存储材料周围形成一个特定的组织元素。使用均匀分布随机选择第一代。微观结构的适用性决定独立打破的一代染色体。该技术使用遗传算法如图8。

4所示。结果与讨论

线性模型的效率与CNN模型相关联。开发一种基于复合线性模型定量属性,给出了方程的线性模型如下: 在哪里米材料的属性和吗C材料分布的向量形式的化合物。X和Y是确定权重,X和Y重量训练过程管理,以适应每一个物理性质。由于复合光栅的8×8和16×16大小,他们为所有3属性规范每一个模型的纤维材料。的决心产生的系数(D²)调整线是0.916。然后,平均绝对误差比率代表的局限性和泛化问题的线性模型;然后,模量超过平均绝对误差百分比(25%)、韧性和强度高达200%和40%。16×16网格大小,结果线性模型的决定系数(D²0.928);然后,日军的值最高为21%,32%,127%,模量、强度和韧性。高产生的误差标准线性模型来解释的CNN预测问题。图9和10显示排名权重取决于尖端裂纹附近的深色,浅色是由连续的裂纹尖端的积极的软纤维材料,然后无色材料是消极而僵硬的纤维材料。这些复合材料力学性能有很高的准确性。

CNN是用于信号处理和识别的图像,也用来从数据集提取区域。在推理过程中,CNN模型必须开发。训练过程是一个优化的问题;然后,忽略了MSE最优模型的重量CNN的集合。开始训练的过程,它需要很多数据集的例子;然后,输入和输出数据确定最优的近似关系映射。然后,CNN模型使用200年培训时间;这是一个迭代的CNN模型训练过程。一个时代结束时在每个培训CNN模型训练数据集的例子。会议使用的200时代CNN模型在每个实例的训练的200倍的训练数据集。 Figures11和12显示测试的损失函数收敛历史和推动8×8和16×16网格。MSE的力学性能损失函数的两个尺寸的网格收敛标准很低。测试和训练患者之间的差异在200年时代很小,没有发生严重的溢出。CNN模型开发和生产最好的结果和预测的问题很精确的纤维材料的三个属性。

在培训的过程中,估计CNN模型性能使用三个参数,平均绝对误差比率,比例数据点,最大误差5%的误差最大。这些参数是衡量测试数据集nongenerated的CNN模型创建过程中。CNN模型的性能见表2和3。电阻、韧性和日军模量小于5%。更强的极限估算CNN的活动是极端错误的。模块的极端力量和误差大于5%。但数据点的数量大于5%的误差是微薄的,8×8电网1.7%和16×16 0.082%。

4.1。屏蔽性能

EMI样本结果A2、A3 A2H11, A3H12 10 GHz比较和研究的范围在图13。EMI屏蔽都异常改善后A1表了,因为良好的屏蔽特性。EMI样本A2、A3、A2H11 A3H12 1.0 - -4.8 dB, 1.4 - -6.3 dB, 30.7 -46.8 dB, 28.5 - -53.5 dB如图(13日)。比较控制样本,EMI屏蔽改善样品A2H11, A3H12是重要的。样品EMI屏蔽性能A2H11和A3H12 EMI屏蔽的应用程序所需的值。图13 (b)代表EMI的反射A2、A3 A2H11,和A3H12复合材料-17.3% - 10.1,-29.8% - 17.0,52.6 - -79.4%,-80.6% - 56.0。EMI屏蔽值从复合材料的吸收和多次反射是82.7% - -89.9%,70.2% - -83.0%,20.6 - -47.4%和19.4 - -44.0%,图13 (c)。低EMI天然纤维复合材料,复合材料与A1表呈现更多的反射。A2H11 EMI反射和A1H12最小化A1表测量为83.7 - -93.9%。在反射和发病率,材料吸收电磁干扰波;它将减少屏蔽效率。

4.2。GA优化器

应用遗传算法优化方法和遗传算法优化最大抗拉强度函数。菌株得到输出值最好的抗拉强度、抗弯强度。获得的最大冲击力和结果中重复的GA方法。

图14显示了数学模型和遗传算法的准确性。实验和期望值是源自于遗传算法的数学模型:

同时优化的组合有四种可能:(a)的力量和模块,(b)韧性和模块,(c)韧性和强度,(d)模块的韧性和强度。目标聚合函数(AOF)相结合的各种对象标量函数,取决于简单偏向客观量差nonvexatious情况下工作。一个解决方案是用于编程妥协: 在哪里x是客观的指数函数,选择是什么x= 4。然后E_米,E_年代,和E_t群众的模量、强度和韧性。优化两个属性时,体重匹配的属性,然后优化分配值是0.5。由于重量的第三属性值是0.0。三个属性,每个三个权重的值是0.333。此外,不同的目标有不同的尺度会导致偏见的更高的价值目标。这个问题是由每一个正常化的目标由其最大值所示(16)。

图15和表4显示结果结果来源于GA优化器当棋盘的多目标测量材料。从简略的优化,材料不软,所以模量是最大的。但当优化韧性或力量除了模块,优化器允许平衡的各种用途。模量确定优化的多目标是重要的是最小化由于软材料,和柔软的纤维材料体积段范围从23%到33%取决于材料的优化。然后,强度高的配置值和纤维材料的韧性有很好的同步。优化器斜坡束弹性纤维材料在裂纹的尖端位置。因此,需要更少的妥协。

5。结论

一种方法分析天然纤维复合材料的力学性能开发的建模和优化方法,如罗姆,CNN和GA方法来提高性能和使用。NFC应用程序建模的技术允许的各种参数确定和隔离有重要影响的输出材料进行优化。卷积神经网络(CNN)建立了预测NFC复合材料的力学性能,考虑两种规格的挡板8×8和16×16嘲骂。网格模型是用来确定模块,材料的强度和韧性。它展示了潜在的使用CNN在硬件和结构研究。复合材料代表的EMI屏蔽性能更好的机械性能EMI屏蔽材料的结构。CNN的发展模型结合GA优化器发现复合材料的体积分数配置来提高性能。GA的优化结果机械性能的纤维长度和内容。有更好的实验值和预测值之间的协议。CNN模型存在的潜在加速优化方法,并开发领域的材料和结构设计。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突有关这篇文章的出版。

确认

作者想表达自己的感激之情Saveetha工程学院Saveetha医疗和技术科学研究所(原名Saveetha大学),提供必要的基础设施来开展这项工作成功。