Solidna strategia aktualizacji modelu MES paneli kompozytowych z użyciem połączonego ramienia optymalizacyjnego ANN‑SMA opieranego na surrogatach

Dlaczego strojenie wirtualnych struktur ma znaczenie

Inżynierowie coraz częściej polegają na modelach komputerowych, aby przewidzieć, jak mosty, części lotnicze czy łopaty turbin wiatrowych będą drgać i jak przetrwają w eksploatacji. Jednak te modele są tak dobre, jak dane, które do nich wprowadzono. W przypadku warstwowych materiałów kompozytowych, obecnie powszechnych w konstrukcjach lotniczych i morskich, poprawne ustalenie tych parametrów jest szczególnie trudne. Niniejszy artykuł pokazuje, jak testy laboratoryjne, sztuczna inteligencja i metoda wyszukiwania inspirowana naturą mogą zostać połączone, aby dopracować model komputerowy panelu kompozytowego tak, by zachowywał się niemal identycznie jak rzeczywista struktura.

Od badań laboratoryjnych do cyfrowych bliźniaków

Badanie rozpoczyna się od rzeczywistego panelu z włókna szklanego, zbudowanego z dziesięciu cienkich warstw tkaniny sklejonych epoksydem. W laboratorium panel podparty jest na krawędziach i delikatnie uderzany zainstrumentowanym młotkiem, podczas gdy drobne akcelerometry rejestrują jego drgania. Przetwarzając te pomiary, badacze wydobywają kluczowe cechy drgań: częstotliwości własne panelu (tony, przy których woli drgać) oraz odpowiadające im kształty ugięć. Te eksperymentalne odciski służą jako złoty standard, z którym musi zgadzać się model komputerowy.

Budowanie i weryfikacja pierwszego modelu

Równolegle zespół tworzy szczegółową wirtualną wersję tego samego panelu z użyciem standardowego narzędzia inżynierskiego do symulacji struktur. Wirtualny panel jest podzielony na wiele małych elementów powłokowych, tak aby uwzględnić jego warstwową naturę i sztywność w różnych kierunkach. Gdy obliczają jego częstotliwości własne i kształty drgań, okazuje się, że przewidywania są bliskie, ale nie perfekcyjne: niektóre tony różnią się od wyników laboratoryjnych o ponad 10 procent. Bliższe porównanie kształtów pokazuje, że choć ogólne wzorce wyglądają podobnie, nie są identyczne. Ta rozbieżność potwierdza, że niektóre założone w modelu wielkości — takie jak sztywność, grubość czy gęstość — są nieco niedokładne.

Nauczanie szybkiego substytutu, by imitował model

Bezpośrednie dostrajanie parametrów modelu i wielokrotne uruchamianie pełnych symulacji tysiące razy byłoby zbyt wolne, dlatego autorzy wprowadzają modele „zastępcze”: szybkie matematyczne substytuty, które uczą się naśladować kosztowną symulację. Losowo próbkują setki kombinacji grubości, sztywności i gęstości w realistycznych granicach, uruchamiają dla każdej pełną symulację i zbierają uzyskane częstotliwości oraz miary zgodności kształtów. Trzy typy surrogatów są trenowane na tym zbiorze danych: prosta funkcja wielomianowa, metoda statystyczna zwana Krigingiem oraz sztuczna sieć neuronowa. Testy pokazują, że sieć neuronowa najlepiej oddaje złożone zależności między wejściami a odpowiedzią drganiową, jednocześnie pozostając szybka w ewaluacji — skracając czas pojedynczej predykcji z kilku sekund do ułamków sekundy.

Pozwolenie, by śluzowce przeszukały przestrzeń projektową

Z siecią neuronową pełniącą rolę niemal natychmiastowego predyktora, kolejnym wyzwaniem jest przeszukanie morza możliwych kombinacji parametrów w poszukiwaniu takich, które wyrównają wirtualny panel z rzeczywistym. Do tego badacze używają algorytmu inspirowanego sposobem, w jaki organizmy śluzowców rozprzestrzeniają się, badając otoczenie, a następnie kurczą w kierunku bogatych źródeł pokarmu. W optymalizacji każdy „organizm” reprezentuje kandydacki zestaw własności panelu. Kierowane miarą niedopasowania między przewidywanymi a zmierzonymi częstotliwościami, wirtualne śluzowce przesuwają swoje pozycje, równoważąc szerokie eksplorowanie przestrzeni z ukierunkowanym dopracowaniem. To sztuczne poszukiwanie jest prowadzone całkowicie na surrogacie, więc można szybko przeprowadzić tysiące prób.

Ostrzejsze dopasowanie i szybsze obliczenia

Połączenie sieci neuronowej i algorytmu śluzowca znacząco poprawia cyfrowy panel. Po aktualizacji cztery z pierwszych pięciu częstotliwości własnych różnią się od wartości laboratoryjnych o mniej niż 1 procent, a nawet najtrudniejszy tryb o wyższej częstotliwości poprawia się wyraźnie w porównaniu z pierwotnym modelem. Wprowadzone korekty są fizycznie rozsądne: umiarkowane zmniejszenie efektywnej sztywności oraz drobne poprawki grubości i gęstości, zgodne z rzeczywistymi wariacjami produkcyjnymi. Gdy ten sam surrogat oparty na sieci neuronowej sparowano z bardziej ugruntowanymi metodami poszukiwań — imitującymi stada ptaków lub ewolucję genetyczną — podejście oparte na śluzowcu wciąż zbiegało bardziej niezawodnie i skracało czas obliczeń o około 7 do 30 procent. W praktyce oznacza to, że inżynierowie mogą szybciej uzyskać bardziej wiarygodne „cyfrowe bliźniaki” struktur kompozytowych, wspierając lepsze decyzje projektowe i bardziej czułe systemy monitorowania stanu technicznego.

Cytowanie: 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

Słowa kluczowe: struktury kompozytowe, aktualizacja modelu elementów skończonych, modelowanie zastępcze, sztuczne sieci neuronowe, optymalizacja metaheurystyczna