Детальная информация

В данной работе рассматривается задача нахождения эффективных свойств однонаправленных волокнистых композитных материалов с применением нейросетевых технологий. В первой главе представлены общие сведения о полимерных композитных материалах, включая информацию о химическом составе, структуре материалов, их механических свойствах, а также о технологическом процессе изготовления и областях применения. Во второй главе описываются основные аналитические методы, используемые для определения эффективных свойств материалов. Эти методы позволяют предсказывать и оценивать характеристики композитных материалов на основе их состава и структуры, а также исследуются влияния отдельных свойств материала на точность рассматриваемых подходов. Третья глава посвящена методу конечно-элементной гомогенизации, включая анализ влияния геометрии на эффективные свойства с применением конечно-элементных пакетов Ansys Material Designer и APDL. Четвертая глава описывает процесс построения нейронной сети для прогнозирования эффективных свойств композиционных материалов с помощью библиотеки PyTorch, используя данные о составе и структуре материалов, а также результаты аналитических методов и метода конечно-элементной гомогенизации из предыдущих глав. Кроме того, рассматриваются возможности улучшения прогнозирования свойств композитных материалов, учитывая информацию о их микроструктуре. Результатом работы является механически мотивированная нейронная сеть, которая позволяет моделировать поведение волокнистых композитных материалов.

This work considers the problem of finding the effective properties of unidirectional fibrous composite materials using neural network technologies. The first chapter presents general information about polymer composite materials, including information about their chemical composition, material structure, mechanical properties, as well as the manufacturing process and areas of application. The second chapter describes the main analytical methods used to determine the effective properties of materials. These methods allow predicting and evaluating the characteristics of composite materials based on their composition and structure, and also investigate the influences of individual material properties on the accuracy of the considered approaches. The third chapter is devoted to the method of finite element homogenization, including an analysis of the influence of geometry on effective properties using finite element packages Ansys Material Designer and APDL. The fourth chapter describes the process of building a neural network for predicting the effective properties of composite materials using the PyTorch library, using data on the composition and structure of materials, as well as the results of analytical methods and the method of finite element homogenization from previous chapters. In addition, the possibilities of improving the prediction of composite material properties, taking into account information about their microstructure, are considered. The result of the work is a mechanically motivated neural network that allows modeling the behavior of fibrous composite materials.