En robust strategi för uppdatering av FE‑modell för kompositpaneler med en kombinerad ANN‑SMA‑surrogatstödd optimeringsram

Varför justering av virtuella strukturer spelar roll

Ingenjörer förlitar sig i allt högre grad på datorbaserade modeller för att förutse hur broar, flygplansdelar och rotorblad för vindkraftverk kommer att vibrera och klara belastning i drift. Men dessa modeller är bara så bra som de parametrar som matas in i dem. För skiktade kompositmaterial, som nu är vanliga inom flyg- och sjöfartsindustrin, är det särskilt svårt att få rätt värden. Denna artikel visar hur laboratorietester, artificiell intelligens och en naturinspirerad sökmetod kan kombineras för att stämma av en dator­­modell av en kompositpanel så att den beter sig nästan identiskt med den verkliga strukturen.

Från laboratorietester till digitala tvillingar

Studien börjar med en verklig glasfiberskompositpanel, uppbyggd av tio tunna tygskikt bundna med epoxi. I labbet stöds panelen vid kanterna och slås lätt med en instrumenterad hammare medan små accelerometrar registrerar hur den vibrerar. Genom att bearbeta dessa mätningar extraherar forskarna viktiga vibrationskarakteristika: panelens egenfrekvenser (tonerna den föredrar att vibrera vid) och tillhörande böjningsformer. Dessa experimentella fingeravtryck fungerar som guldkanten som dator­­modellen måste matcha.

Att bygga och kontrollera den första modellen

Parallellt skapar teamet en detaljerad virtuell version av samma panel med ett standardverktyg för struktursimulering. Den virtuella panelen delas in i många små skallement så att dess skiktade uppbyggnad och styvhet i olika riktningar representeras. När de beräknar dess egenfrekvenser och vibrationsformer visar det sig att prognoserna ligger nära men inte perfekta: vissa toner skiljer sig från laboratorieresultaten med mer än 10 procent. En närmare jämförelse av formerna visar att helhetsmönstren ser liknande ut men inte är identiska. Denna avvikelse bekräftar att några av de antagna egenskaperna i den virtuella modellen — såsom styvhet, tjocklek eller densitet — är något felaktiga.

Att lära upp en snabb ställföreträdare som imiterar modellen

Att justera modellparametrar direkt och köra fullständiga simuleringar tusentals gånger vore för långsamt, så författarna introducerar ”surrogat” — snabba matematiska ställföreträdare som lär sig att efterlikna den kostsamma simuleringen. De slumpmässigt provtar hundratals kombinationer av tjocklek, styvhet och densitet inom realistiska gränser, kör full simulering för var och en och samlar in de resulterande frekvenserna och formmatchningspoängen. Tre typer av surrogat tränas på denna datamängd: en enkel polynomyta, en statistisk metod kallad Kriging och ett artificiellt neuralt nätverk. Tester visar att det neurala nätverket bäst fångar de komplexa sambanden mellan indata och vibrationsrespons samtidigt som det förblir snabbt att utvärdera, vilket reducerar varje prediktion från sekunder till bråkdelar av en sekund.

Låta slemmaskar söka i designrymden

Med det neurala nätverket som en närapå omedelbar prediktor är nästa utmaning att söka igenom havet av möjliga parameterkombinationer efter dem som får den virtuella panelen att sammanfalla med den verkliga. För detta använder forskarna en algoritm inspirerad av hur slemmaskar sprider sig för att utforska sin omgivning och sedan dra sig tillbaka mot näringsrika områden. I optimeringen representerar varje ”organism” en kandidatuppsättning panelegenskaper. Styrda av ett mått på mismatch mellan predicerade och mätta frekvenser förflyttar de virtuella slemmaskarna sina positioner, med en balans mellan vidsträckt utforskning och fokuserad förfining. Denna artificiella sökning körs helt på surrogatet, så tusentals försök kan genomföras snabbt.

Skarpare överensstämmelse och snabbare beräkningar

Den kombinerade strategin med neuralt nätverk och slemmasker förbättrar den digitala panelen markant. Efter uppdatering skiljer sig fyra av de fem första egenfrekvenserna från laboratorievärdena med mindre än 1 procent, och även den svårast fångade högfrekventa modet förbättras tydligt jämfört med ursprungsmodellen. De nödvändiga justeringarna är fysiskt rimliga: en måttlig minskning i effektiv styvhet och små justeringar i tjocklek och densitet, i linje med verkliga tillverkningsvariationer. När samma neurala nätverksurrogat paras med mer etablerade sökmetoder som imiterar fåglars flockbeteende eller genetisk evolution, konvergerar den nya slemmaskar‑metoden fortfarande mer tillförlitligt och minskar beräkningstiden med ungefär 7 till 30 procent. I praktiska termer innebär detta att ingenjörer kan få mer pålitliga ”digitala tvillingar” av kompositstrukturer snabbare, vilket stödjer bättre konstruktionsbeslut och känsligare tillståndsövervakningssystem.

Citering: 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

Nyckelord: kompositkonstruktioner, uppdatering av finite element‑modell, surrogatmodellering, artificiella neurala nätverk, metaheuristisk optimering