返回
Transfer learning-guided generative laminate design framework with limited data availability
DOI:10.1016/j.compscitech.2025.111292.png)
摘要
En 中文
纤维增强复合材料具有显著的定制潜力,但设计参数众多且需探索新的设计空间,给层合板设计带来了巨大挑战。本文提出了一种基于迁移学习的生成式层合板设计框架(TGLDF),用于在数据有限的情况下高效扩展设计空间。TGLDF中的生成器通过数据缩放方法快速生成在设计范围内取值的设计参数,同时结合基于神经网络且经过小数据集微调的判别器,用于预测新设计空间中的力学性能。引入了定制化的生成损失,以使生成结果达成设计目标,如本文中的期望强度和扭转刚度。通过两个不同新设计空间的实例验证了TGLDF的有效性。这些实例包括单向拉伸下的带缺口层合板和承受耦合内压与轴向压缩的复合材料管,涉及新材料、铺层数量及加载条件的变化。结果表明,仅需少量数据即可在新设计空间中执行逆向设计。与有限元仿真及遗传算法(GAs)的对比分析展示了TGLDF的有效性和优越性,其通过整合随机噪声学习最优解分布,性能优于GAs。此外,将独热编码与连续参数拼接,使TGLDF能够便捷地扩展至其他设计场景。
期刊
IF:
9.8
论文数:
863
被引数:
5.0W
机构
暂无机构信息
引用论文
Layup optimisation of laminated composite tubular structures under thermomechanical loading conditions using PSO使用PSO在热机械载荷条件下对层压复合管结构进行铺层优化
COMPOSITE STRUCTURES
IF7.1
Optimal design of one-dimensional elastic metamaterials through deep convolutional neural network and genetic algorithm
STRUCTURES
IF4.3
A novel experimental approach for high-velocity ice impact resistance and tolerance investigation of composite laminates一种用于复合材料层合板高速冰撞击抗力与容限研究的新型实验方法
Exploring shear nonlinearity of plain-woven composites at various temperatures based on machine learning
COMPOSITE STRUCTURES
IF7.1
Accelerating the Layup Sequences Design of Composite Laminates via Theory-Guided Machine Learning Models
Polymers
IF0

