Een robuuste strategie voor FE-modelactualisatie van composietpanelen met een gecombineerde ANN‑SMA surrogate‑ondersteunde optimalisatieframework

Waarom het afstemmen van virtuele structuren ertoe doet

Ingenieurs vertrouwen steeds vaker op computer‑modellen om te voorspellen hoe bruggen, vliegtuigonderdelen en wieken van windturbines zullen trillen en presteren in gebruik. Maar die modellen zijn alleen zo goed als de waarden die erin worden gebruikt. Voor gelaagde composietmaterialen, die inmiddels veel voorkomen in de luchtvaart- en maritieme sector, is het juist extra moeilijk om die waarden goed te bepalen. Dit artikel laat zien hoe laboratoriumtesten, kunstmatige intelligentie en een in de natuur geïnspireerde zoekmethode kunnen worden gecombineerd om een computermodel van een composietpaneel zó af te stemmen dat het vrijwel exact hetzelfde gedrag vertoont als de echte constructie.

Van labtesten naar digitale tweelingen

De studie begint met een echt glasvezelcomposietpaneel, opgebouwd uit tien dunne weeflagen die met epoxy aan elkaar zijn gebonden. In het laboratorium wordt het paneel langs de randen ondersteund en lichtjes beslagen met een geïnstumenteerde hamer terwijl kleine versnellingsopnemers registreren hoe het trilt. Door deze metingen te verwerken, halen de onderzoekers belangrijke trillingskenmerken eruit: de natuurlijke frequenties van het paneel (de tonen waarop het het liefst trilt) en de bijbehorende buigvormen. Deze experimentele vingerafdrukken dienen als gouden standaard die het computermodel moet nabootsen.

Het eerste model opbouwen en controleren

Parallel daaraan maakt het team een gedetailleerde virtuele versie van hetzelfde paneel met een gangbaar engineering‑programma voor structurele simulaties. Het virtuele paneel wordt verdeeld in veel kleine shell‑elementen zodat de gelaagdheid en de stijfheid in verschillende richtingen worden weergegeven. Wanneer ze de natuurlijke frequenties en trillingsvormen berekenen, blijkt dat de voorspellingen dichtbij zitten maar niet perfect: sommige frequenties wijken meer dan 10 procent af van de laboratoriumresultaten. Een nadere vergelijking van de vormen laat zien dat, hoewel de algemene patronen vergelijkbaar zijn, ze niet identiek zijn. Deze mismatch bevestigt dat enkele van de aangenomen eigenschappen in het virtuele model — zoals stijfheid, dikte of dichtheid — iets te veel of te weinig zijn ingeschat.

Een snelle stand‑in leren om het model na te bootsen

Direct parameters van het model aanpassen en volledige simulaties duizenden keren opnieuw draaien zou te traag zijn, dus de auteurs introduceren "surrogaten": snelle wiskundige stand‑ins die leren het dure model te imiteren. Ze nemen honderden willekeurige combinaties van dikte, stijfheid en dichtheid binnen realistische grenzen, voeren voor elk de volledige simulatie uit en verzamelen de resulterende frequenties en vormvergelijkingsscores. Drie typen surrogaten worden op deze dataset getraind: een eenvoudige polynoomoppervlakte, een statistische methode genaamd Kriging en een kunstmatig neuraal netwerk. Tests tonen aan dat het neurale netwerk de complexe relaties tussen invoer en trillingsrespons het best vastlegt, terwijl het snel te evalueren blijft, waardoor elke voorspelling van enkele seconden naar fracties van een seconde teruggebracht wordt.

Slijmzwammen laten het ontwerpveld doorzoeken

Met het neurale netwerk als vrijwel directe voorspeller is de volgende uitdaging het doorzoeken van de zee van mogelijke parametercombinaties naar diegene die het virtuele paneel laten overeenkomen met het echte. Hiervoor gebruiken de onderzoekers een algoritme dat is geïnspireerd op de manier waarop slijmzwammen zich verspreiden om hun omgeving te verkennen en zich daarna naar voedselrijke bronnen terugtrekken. In de optimalisatie staat elk "organisme" voor een kandidatenpakket van paneeleigenschappen. Geleid door een maat voor de afwijking tussen voorspelde en gemeten frequenties verschuiven de virtuele slijmzwammen hun posities, waarbij ze brede verkenning afwegen tegen gerichte verfijning. Deze kunstmatige zoekopdracht wordt volledig op de surrogaatgebaseerd uitgevoerd, zodat duizenden pogingen snel kunnen worden afgehandeld.

Scherpere overeenkomst en snellere berekeningen

De gecombineerde neurale‑netwerk en slijmzwamstrategie verbetert het digitale paneel aanzienlijk. Na actualisatie wijken vier van de eerste vijf natuurlijke frequenties minder dan 1 procent af van de laboratoriumwaarden, en zelfs de moeilijkste hogere‑frequentiemodus verbetert duidelijk ten opzichte van het oorspronkelijke model. De benodigde aanpassingen zijn fysisch plausibel: een bescheiden verlaging van de effectieve stijfheid en kleine bijstellingen van dikte en dichtheid, consistent met variaties uit de praktijk bij productie. Wanneer hetzelfde neurale‑netwerk surrogaat wordt gecombineerd met meer gevestigde zoekmethoden die zwermen vogels of genetische evolutie nabootsen, convergeert de nieuwe slijmzwamaanpak nog steeds betrouwbaarder en vermindert de rekentijd met ongeveer 7 tot 30 procent. In praktische termen betekent dit dat ingenieurs sneller betrouwbaardere "digitale tweelingen" van composietconstructies kunnen verkrijgen, wat betere ontwerpbeslissingen en gevoeliger monitoring van de staat van de constructie ondersteunt.

Bronvermelding: Kouhi, M., Mojtahedi, A. & Lotfollahi-Yaghin, M.A. A robust strategy for FE model updating of composite panels using a combined ANN-SMA surrogate-assisted optimization framework. Sci Rep 16, 10343 (2026). https://doi.org/10.1038/s41598-026-40583-7

Trefwoorden: composietconstructies, finite element modelactualisatie, surrogaatmodellering, kunstmatige neurale netwerken, metaheuristieke optimalisatie