Надежная стратегия уточнения КЭ‑модели композитных панелей с использованием гибридной оптимизации с суррогатной моделью ANN‑SMA

Почему важно настраивать виртуальные конструкции

Инженеры всё чаще полагаются на компьютерные модели, чтобы предсказывать, как будут вибрировать и работать в эксплуатации мосты, детали самолётов и лопасти ветряных турбин. Но эти модели хороши ровно настолько, насколько точны вводимые в них параметры. Для слоистых композитных материалов, которые сейчас широко используются в авиации и судостроении, получить эти значения особенно трудно. В статье показано, как лабораторные испытания, искусственный интеллект и метод поиска, вдохновлённый природой, можно объединить, чтобы настроить компьютерную модель композитной панели так, чтобы она вела себя почти так же, как реальная конструкция.

От лабораторных испытаний к цифровым двойникам

Исследование начинается с реальной стекловолоконной композитной панели, собранной из десяти тонких слоёв ткани, склеенных эпоксидной смолой. В лаборатории панель поддерживают по краям и лёгкими ударами инструментированного молотка возбуждают её, а микровиброметры записывают отклик. Обрабатывая эти измерения, исследователи выделяют ключевые характеристики вибрации: собственные частоты панели (тона, на которых она предпочитает вибрировать) и соответствующие формы изгиба. Эти экспериментальные отпечатки служат эталоном, которому должна соответствовать компьютерная модель.

Создание и проверка первоначальной модели

Параллельно команда создаёт детализированную виртуальную копию той же панели с помощью стандартного инженерного программного средства для моделирования конструкций. Виртуальная панель разбита на множество мелких оболочечных элементов, чтобы учесть её слоистую структуру и анизотропную жёсткость. При вычислении собственных частот и форм вибрации оказывается, что предсказания близки, но не идеальны: некоторые частоты отличаются от лабораторных результатов более чем на 10 процентов. Более тщательное сравнение форм показывает, что общие рисунки схожи, но не совпадают. Это несоответствие подтверждает, что некоторые допущенные в виртуальной модели свойства — такие как жёсткость, толщина или плотность — немного неверны.

Обучение быстрого заместителя, имитирующего модель

Прямое регулирование параметров модели и многократный прогон полных расчётов заново были бы слишком медленными, поэтому авторы вводят «суррогатные» модели: быстрые математические заменители, которые учатся имитировать дорогую симуляцию. Они случайным образом выбирают сотни комбинаций толщины, жёсткости и плотности в реалистичных пределах, запускают полную симуляцию для каждой и собирают полученные частоты и показатели согласования форм. На этой выборке обучают три типа суррогатов: простую полиномиальную поверхность, статистический метод Кригинга и искусственную нейронную сеть. Тесты показывают, что нейронная сеть лучше всего улавливает сложные зависимости между входами и вибрационным откликом при остающейся высокой скоростью оценки, уменьшая время предсказания с секунд до долей секунды.

Пусть слизевики исследуют пространство параметров

С нейронной сетью в роли почти мгновенного предиктора следующая задача — просмотреть огромный набор возможных комбинаций параметров в поисках тех, которые заставят виртуальную панель совпасть с реальной. Для этого исследователи используют алгоритм, вдохновлённый поведением слизевиков, которые расползаются, исследуют окружение, а затем возвращаются к богатым пищевым центрам. В оптимизации каждая «особь» представляет собой кандидатный набор свойств панели. Руководствуясь мерой несоответствия между предсказанными и измеренными частотами, виртуальные слизевики смещают свои позиции, сочетая широкое исследование с целенаправленной доработкой. Этот искусственный поиск полностью запускается на суррогате, поэтому можно быстро выполнить тысячи проб.

Более точное совпадение и ускорённые расчёты

Комбинация нейронной сети и алгоритма слизевика заметно улучшает цифровую панель. После обновления четыре из первых пяти собственных частот отличаются от лабораторных значений менее чем на 1 процент, и даже самое сложное высокочастотное колебание значительно улучшилось по сравнению с исходной моделью. Необходимые корректировки имеют физический смысл: умеренное снижение эффективной жёсткости и небольшие поправки к толщине и плотности, что согласуется с реальными производственными допусками. Когда тот же нейросетевой суррогат сочетают с более известными методами поиска, имитирующими стаи птиц или генетическую эволюцию, подход со слизевиком всё равно сходится более надёжно и сокращает время вычислений примерно на 7–30 процентов. В практическом плане это означает, что инженеры быстрее получают более надёжные «цифровые двойники» композитных конструкций, что поддерживает более обоснованные проектные решения и более чувствительные системы мониторинга состояния.

Цитирование: 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

Ключевые слова: композитные конструкции, уточнение конечно‑элементной модели, суррогатное моделирование, искусственные нейронные сети, метаэвристическая оптимизация