使用结合ANN‑SMA代理辅助优化框架对复合面板有限元模型更新的稳健策略

为何调校虚拟结构很重要

工程师越来越依赖计算模型来预测桥梁、飞机部件和风力机叶片在服役中的振动和耐久性。但这些模型的可靠性取决于输入数据的准确性。对于分层复合材料——如今在航空和海洋结构中广泛使用——把这些参数弄准尤其困难。本文展示了如何将实验室测试、人工智能和一种受自然启发的搜索方法相结合，调校复合面板的计算模型，使其行为几乎与真实结构一致。

从实验到数字孪生

研究以一块真实的玻纤复合面板为起点，该面板由十层薄织物用环氧树脂粘结而成。在实验室中，面板在边缘支撑，研究人员用带传感器的锤子轻敲，同时微小的加速度计记录其振动。通过处理这些测量数据，研究人员提取了关键的振动特征：面板的固有频率（其偏好的振动音调）及相应的弯曲模态。这些实验指纹成为计算模型必须匹配的金标准。

建立并检验初始模型

与此同步，团队使用标准结构仿真工具创建了相同面板的详细虚拟模型。虚拟面板被划分为许多壳单元，以表示其分层结构和各向异性刚度。当他们计算其固有频率和振型时发现，预测结果较接近但并不完美：有些频率与实验结果相差超过10%。对振型的更细致比较显示，虽然整体模式相似，但并不完全一致。该不匹配表明虚拟模型中某些假定的参数——如刚度、厚度或密度——存在轻微偏差。

训练一个快速替身以模仿模型

直接调整模型参数并反复运行完整仿真成千上万次会过于缓慢，因此作者引入了“代理”模型：能够快速学习并模仿昂贵仿真的数学替代。研究人员在合理范围内随机采样数百组厚度、刚度和密度组合，对每组运行完整仿真，并收集得到的频率和振型匹配得分。基于这套数据训练了三类代理：简单的多项式表面、名为克里金（Kriging）的统计方法，以及人工神经网络。测试表明，神经网络在捕捉输入与振动响应之间复杂关系方面表现最佳，同时评估速度快，将每次预测时间从数秒缩短到不到一秒。

让粘菌式算法搜索设计空间

在神经网络作为近即时预测器的支持下，下一个挑战是搜索庞大的参数组合空间，找出能使虚拟面板与真实面板对齐的那些组合。为此，研究人员使用了一种受粘菌（slime mould）扩展探索然后向富含食物源收缩行为启发的算法。在优化中，每个“有机体”表示一组候选面板属性。以预测与测量频率之间的不匹配度为引导，虚拟粘菌移动其位置，在广泛探索与精细优化之间取得平衡。该人工搜索完全在代理上运行，因此可以快速完成数千次试验。

更精确的匹配与更快的计算

结合神经网络与粘菌算法的策略显著改进了数字面板。更新后，前五个固有频率中的四个与实验值的差异小于1%，即便最难匹配的高频模态相比初始模型也有明显改善。所需的调整在物理上是合理的：有效刚度略有降低，厚度和密度有小幅修正，与现实制造过程中的变动一致。当相同的神经网络代理与模仿鸟群行为或遗传进化的更传统搜索方法配对时，新的粘菌方法仍更可靠地收敛并将计算时间减少约7%到30%。在实务上，这意味着工程师可以更快地获得更可信的复合结构“数字孪生”，从而支持更好的设计决策和更灵敏的健康监测系统。

引用: 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

关键词: 复合结构, 有限元模型更新, 代理建模, 人工神经网络, 元启发式优化