Обзор статьи

Прогнозирование упруго-механических свойств гибридных полимерных композитов при изгибе на основе искусственных нейронных сетей

УДК: 

691.175.3

DOI: 

10.23968/1999-5571-2024-21-1-48-56

Страницы: 

48-56

Аннотация: 

Приведены результаты исследований конечно-элементного моделирования упруго-механических свойств полимерных композитов на основе волокнистых наполнителей из угле- и стекловолокон и эпоксидного связующего по трехточечной схеме нагружения. Численные эксперименты проведены для образцов, имеющих разную толщину, градиентное и симметричное относительно срединной плоскости содержание волокнистых наполнителей в сжатой и растянутой зонах при различных отношениях расстояния между опорами к толщине, проведена оценка стоимости композита. Изучено различное содержание и расположение волокнистых наполнителей на упруго-механические свойства образцов. Для прогнозирования предельной нагрузки при допустимом прогибе использована методика моделирования на основе искусственных нейронных сетей.

Список цитируемой литературы: 

  1. Каблов Е. Н. Роль фундаментальных исследований при создании материалов нового поколения // Тез. докладов ХХI Менделеевского съезда по общей и прикладной химии. В 6 т. Т. 4. СПб., 2019. С. 24

  2. Composites Market - Global Industry Analysis and Forecast (2022-2029) // Maximize market research: URL: https://www.maximizemarketresearch.com/ marketreport/global-composites-market/34243/ (дата обращения: 10.07.2023)

  3. Zheng Y., Guo Z. Investigation of joint behavior of disk-lock and cuplok steel tubular scaffold // Journal of Constructional Steel Research. 2021. V. 177. DOI 10.1016/J.JCSR.2020.106415

  4. Каюмов Р. А., Тазюков Б. Ф., Мухамедова И. З., Шакирзянов Ф. Р. Большие прогибы вязкоупругих панелей // Известия вузов. Математика. 2019. № 11. C. 80-86

  5. Baran I., Cinar K., Ersoy N., Akkerman R., Hattel J. H. A Review on the Mechanical Modeling of Composite Manufacturing Processes. Arch.Comput. Methods Eng., 2016. No. 24. Pp. 365-395

  6. Chen C.-T., Gu G. X. Machine learning for composite materials. MRS Commun. 2019. No 9. Pp. 556-566

  7. Ramprasad R., Batra R., Pilania G., Mannodi-Kanakkithodi A., Kim C. Machine learning in materials informatics: Recent applications and prospects. NPJ Comput. Mater., 2017. No 3, 1 p

  8. Николюкин А. Н. Анализ моделей прочности сцепления корродированной арматуры в железобетонных элементах на основе искусственных нейронных сетей и генетических алгоритмов // Фундаментальные, поисковые и прикладные исследования РААСН по научному обеспечению развития архитектуры, градостроительства и строительной отрасли Российской Федерации в 2018 году: сб. науч. тр. РААСН; Российская академия архитектуры и строительных наук (РААСН). Т. 2. М., 2019. С. 630-640

  9. Karamov R., Akhatov I., Sergeichev I. V. Prediction of Fracture Toughness of Pultruded Composites Based on Supervised Machine Learning. Polymers 2022, 14, 3619. URL: https://doi.org/10.3390/polym14173619

  10. Nwankpa C., Ijomah W., Gachagan A., Marshall S. Activation Functions: Comparison of trends in Practice and Research for Deep Learning // 2nd International Conference on Computational Sciences and Technologies. 2020. Pp. 124-133

  11. Ye S., Li B., Li Q., Zhao H.-P., Feng, X.-Q. Deep neural network method for predicting the mechanical properties of composites. Appl. Phys. Lett., 2019. No 115, 161901

  12. Yang C., Kim Y., Ryu S., Gu G. X. Prediction of composite microstructure stress-strain curves using convolutional neural networks. Mater. Des., 2020. No 189, 108509

  13. Qi Z., Zhang N., Liu Y., Chen W. Prediction of mechanical properties of carbon fiber based on cross-scale FEM and machine learning.Compos. Struct., 2019. No 212. Pp. 199-206

  14. ShirvanimoghaddamK.,KhayyamH.,Abdizadeh H., Akbari M. K., Pakseresht A., Ghasali E., Naebe M. Boron carbide reinforced aluminium matrix composite: Physical, mechanical characterization and mathematical modelling. Mater. Sci. Eng., 2016. No 658. Pp. 135-149

  15. Li X., Liu Z., Cui S., Luo C., Li C., Zhuang Z. Predicting the effective mechanical property of heterogeneous materials by image based modeling and deep learning.Comput. Methods Appl. Mech. Eng., 2019. No 347. Pp. 735-753

  16. Almeida-Fernandes L., Silvestre N., Correia J. R., Arruda M. Fracture toughness-based models for damage simulation of pultruded GFRP materials.Compos. Part B Eng., 2020. No 186. 107818

  17. Fernandes L. A., Silvestre N., Correia J. R. Characterization of transverse fracture properties of pultruded GFRP material in tension.Compos. Part B Eng., 2019. No 175. 107095

  18. Vedernikov A., Safonov A., Tucci F., Carlone P., Akhatov I. Pultruded materials and structures: A review. J.Compos. Mater., 2020. No 54. Pp. 4081-4117

  19. Song L., Meng S., Xu C., Fang G., Yang Q. Finite element-based phase-field simulation of interfacial damage in unidirectional composite under transverse tension. Model. Simul. Mater. Sci. Eng., 2019. No 27. 55011

  20. Gu G. X., Chen C.-T., Buehler M. J. De novo composite design based on machine learning algorithm. Extrem. Mech. Lett., 2018. No 18. Pp. 19-28

  21. Валиев А. И., Шакирзянов Ф. Р., Сулейманов А. М., Низамов Р. К. Оценка напряженнодеформированного состояния гибридных полимерных композитов, изготовленных методом вакуумной инфузии // Известия КГАСУ. 2023. № 4 (66). С. 241-254

Ключевые слова: 

Полный текст (файл): 

PDF

Авторы: 

Валиев А.И. Казанский государственный архитектурно-строительный университет Казань, Россия

Сулейманов А.М. Казанский государственный архитектурно-строительный университет Казань, Россия

Другие статьи авторов: 

Ссылка на статью в НЭБ: 

https://elibrary.ru/item.asp?id=67350731

Выпуск журнала

№ 1 (102) Февраль 2024