Data-driven підхід для прогнозування межі міцності композитів

Abstract

Стрімкий розвиток композитів вимагає точного прогнозування їх граничного стану за умов складного навантаження, що неможливо забезпечити класичними механічними критеріями через анізотропію й нелінійність матеріалів. У роботі запропоновано data-driven підхід із використанням машинного навчання для визначення граничного стану композитів на основі компонентів тензора напружень. Об’єктом дослідження є процеси машинного навчання для визначення граничних станів композитів з односпрямованим армуванням при багатовісному напруженому стані. Було згенеровано збалансовані синтетичні вибірки напружених станів для трьох композитних систем. У рамках дослідження реалізовано декілька моделей машинного навчання: логістичну регресію, випадковий ліс (Random Forest) та багатошарову перцептронну нейромережу. Для порівняння ефективності було також використано класичну модель визначення граничного стану за критерієм Мізеса для волокон або матриці з фіксованим порогом еквівалентного напруження. Результати свідчать, що моделі машинного навчання досягають точності до 99,9 % на тестових вибірках, суттєво переважаючи класичний підхід, який демонструє точність близько 50 % у всіх випадках. Візуалізація розподілу граничних станів у просторі компонентів тензора напружень показала складну та нелінійну структуру межі міцності, що підтверджує доцільність використання ML-алгоритмів. Отримані результати підтверджують високу ефективність і надійність data-driven підходу для задач технічної діагностики композитних конструкцій. Розроблена методика є універсальною та може бути адаптована для різних типів армованих матеріалів і умов навантаження. Запропонований підхід може бути застосований у задачах технічної діагностики композитних конструкцій в реальному часі. Робота також створює підґрунтя для подальшого впровадження інтерпретованих моделей і цифрових двійників у галузі композитної механіки. The rapid development of composites requires accurate prediction of their limit state under complex loading conditions, which cannot be provided by classical mechanical criteria due to the anisotropy and nonlinearity of materials. The paper proposes a data-driven approach using machine learning to determine the limit state of composites based on the components of the stress tensor. The object of study is machine learning processes for determining the limit states of unidirectional reinforced composites under a multiaxial stress state. The aim of the study is to create a universal and accurate model capable of detecting the moment of reaching the strength limit without numerical modeling and large-scale experiments. Balanced synthetic samples of stress states were generated for three composite systems. Several machine learning models were implemented in the study: logistic regression, random forest, and multilayer perceptron neural network. To compare the effectiveness, the classical model for determining the limit state according to the von Mises criterion, with a fixed equivalent stress threshold for the fibres or the matrix, was also employed. The results show that the machine learning models achieve an accuracy of up to 99.9 % on test samples, significantly outperforming the classical approach, which demonstrates an accuracy of about 50 % in all cases. Visualization of the stress state in the form of 2D sections showed a complex and nonlinear structure of the boundary surface, which confirms the feasibility of using ML algorithms. The obtained results confirm the high effectiveness and reliability of the data-driven approach for structural health assessment of composite systems. The developed methodology is universal and can be adapted to various types of reinforced materials and loading conditions. The proposed approach can be applied in real-time technical diagnostics of composite structures. The work also creates a basis for further implementation of interpreted models and digital twins in the field of composite mechanics.