Professional Documents
Culture Documents
您可能感兴趣的其他文章
Articles you may be interested in
单向碳/碳复合材料拉-拉疲劳寿命及剩余强度预测模型
Model for predicting tension-tension fatigue life and residual strength of unidirectional carbon/carbon composites
复合材料学报. 2018, 35(8): 2293-2301 https://doi.org/10.13801/j.cnki.fhclxb.20171115.004
一种基于复合材料剩余强度的衍生疲劳损伤模型
A derivative fatigue damage model based on residual strength of composites
复合材料学报. 2020, 37(10): 2473-2481 https://doi.org/10.13801/j.cnki.fhclxb.20191224.002
胶层厚度对碳纤维/双马来酰亚胺树脂复合材料平-折-平混合连接接头力学性能的影响
Effect of adhesive thickness on mechanical properties of carbon fiber/bismaleimide resin composite flat-joggle-flat hybrid
(bonded-bolted) joint
复合材料学报. 2020, 37(11): 2825-2832 https://doi.org/10.13801/j.cnki.fhclxb.20200121.003
基于改进粒子群算法的径向基人工神经网络淀粉基发泡复合材料性能预测
Prediction of properties of starch matrix foam composites by radial basis function artificial neural network based on
improved particle swarm optimization
复合材料学报. 2017, 34(12): 2882-2889 https://doi.org/10.13801/j.cnki.fhclxb.20170320.005
基于频率识别纤维增强树脂复合材料加筋板的分层损伤
Frequency-based delamination detection in stiffened fiber reinforced polymer composite plates
复合材料学报. 2019, 36(11): 2614-2627 https://doi.org/10.13801/j.cnki.fhclxb.20190305.004
复合材料高周弯曲疲劳试验与寿命预测
High-cycle bending fatigue and life prediction of composite materials
复合材料学报. 2018, 35(12): 3407-3414 https://doi.org/10.13801/j.cnki.fhclxb.20180319.007
扫码关注微信公众号,获得更多资讯信息
复合材料学报 第 38 卷 第 10 期 10 月 2021 年
DOI:10.13801/j.cnki.fhclxb.20201215.010
基于频率变化预测玻璃纤维增强树脂复合
材料层合板的剩余疲劳寿命
廖兴升 1, 梁智洪 1, 傅继阳 1, 江剑 1, 王财政 2, 张芝芳 * 1
( 1. 广州大学 广州大学-淡江大学工程结构灾害与控制联合研究中心,广州 510006;2. 清华大学 航天航空学院,北京 100084 )
摘 要 :复合材料结构在疲劳过程中的累积损伤将导致结构刚度下降,并进一步引起结构的动态参数如频率
发生衰减。因此,可以将结构疲劳状态与结构频率联系起来,基于频率预测结构的剩余疲劳寿命。本文首先
基于复合材料在纵向、横向和面内剪切三个方向的疲劳特性,结合 ABAQUS 与 Umat 子程序开发了三维有限
元模型模拟复合材料层合板中的疲劳损伤演变,并构建了不同疲劳状态下对应的模态分析模型,由此获得了
疲劳过程中的频率衰减曲线。之后,基于疲劳过程的频率变化量训练了人工神经网络,用于预测玻璃纤维增
强复合材料层合板的剩余疲劳寿命。特别地,在当前的数值模型中为每个单元分配了符合高斯正态分布的材
料属性,以模拟实际情况下复合材料性能的离散性。结果表明,疲劳模型数值模拟结果与已有文献的疲劳实
验数据吻合,基于频率变化量训练的人工神经网络可以成功预测玻璃纤维增强复合材料试件的剩余疲劳寿命。
关键词 :复合材料;疲劳寿命;频率衰减;人工神经网络;离散性;数值模拟
中图分类号: TB332;TQ327.1 文献标志码: A 文章编号: 1000-3851(2021)10-3323-15
Abstract: The cumulative damage in the composite structures during the fatigue process will lead to decrease in
the stiffness of structures. This will further cause the changes in the dynamic parameters of the structure, such as
the frequencies. Therefore, the fatigue status can be related to the frequencies of structures, and inversely, the fre-
quencies can be used to predict the fatigue life of the structures. In this paper, by incorporating Umat subroutines in
ABAQUS, a three-dimensional finite element model was developed to simulate the evolution of fatigue damage in
glass fiber reinforced polymer (GFRP) laminates. The fatigue characteristics of composite materials in the longitud-
inal, transverse and in-plane shear directions have been considered in the model. The fatigue state of the glass fiber
reinforced polymer laminates was exported from the fatigue model and then was imported into a second model to
apply modal analysis for obtaining the frequencies which are corresponding to the fatigue status. An artificial neur-
al network was trained based on the frequency data during the fatigue process, with the frequency shifts as the in-
put and the remaining fatigue life as the output. The training data for ANN was generated from the finite element
(FE) models, based on which the remaining fatigue life of the GFRP laminates was predicted. In particular, to con-
sider the discreteness of material properties of fiber reinforced polymer (FRP) composite materials, each element in
收稿日期:2020–10–08;录用日期:2020–11–30 ;网络首发时间:2020–12–16 14:25:10
网络首发地址:https://doi.org/10.13801/j.cnki.fhclxb.20201215.010
基金项目:广东省自然科学基金 (2019A1515011116);广州市“121 人才梯队工程”后备人才项目
通信作者:张芝芳,博士,副研究员,硕士生导师,研究方向为复合材料结构健康监测和疲劳寿命评估 E-mail:zfzhang@gzhu.edu.cn
the finite element model (FEM) was individually assigned the material properties randomly distributed in the Gaus-
sian normal distribution. The results show that the numerical simulation results of the present fatigue model are
consistent with the fatigue test data in the existing literature. The trained artificial neural network can successfully
predict the remaining fatigue life of the GFRP laminates.
Keywords: composite materials;fatigue life;frequency shift;artificial neural network;discreteness;finite ele-
ment model
态,为疲劳寿命的评估提供了一种可能的手段, 型中考虑了复合材料属性的离散性,模拟了实际
即通过将固有频率、阻尼比等模态参数与疲劳寿 复合材料层合板由于原材料、成型过程中的不确
命相关联得到对应的拟合曲线,然后从模态参数 定因素等导致的材料性能离散。采用文献中的实
的变化来反演疲劳寿命。李丹卉 [9] 通过研究固有 验数据对所建立的疲劳仿真模型进行了验证。与
频率对复合材料层合板疲劳过程中微观结构变化 疲劳状态对应的模态频率则主要通过将疲劳模型
的响应,实现了对复合材料疲劳行为的表征与量 中的单元刚度折减参数导入模态分析模型来实现。
化,并以试验数据为基础拟合了固有频率疲劳衰 相比通过大量疲劳试验来获取数据,本文主要通
减模型,并基于该模型对层合板的疲劳寿命进行 过仿真模拟研究了复合材料剩余疲劳寿命与模态
预测。卢翔等 [10]
基 于 Hahn 和 Tsai [11]
提出的单向 频率之间的关联,并基于这种关联提出了一种结
损伤模型建立了疲劳过程中的刚度递降关系,运 合人工神经网络来预测复合材料剩余疲劳寿命的
用此关系预测了构件的疲劳寿命。王德等 [12]
提出 新方法。
廖兴升,等: 基于频率变化预测玻璃纤维增强树脂复合材料层合板的剩余疲劳寿命 · 3325 ·
Stress analysis
Gradual
degradation of
Exporting
material
parameters for
laminate’s properties
modal analysis
Hashin
failure criterion
Increase in
number of cycles z
x
No
Element fails?
y
z
劳破坏准则。 剩余强度关联模型。该模型的表达式:
表 1 材料参数突降方案
Table 1 Degradation scheme of material parameters
Failure mode Parameter degradation scheme
Fiber tensile failure E11, E22 , G12 , G13 , G23 , ν12 , ν13 , ν23 reduced to 0.07 times the initial value
Fiber compressive failure E11, E22 , G12 , G13 , G23 , ν12 , ν13 , ν23 reduced to 0.14 times the initial value
Matrix tensile failure E22 , G12 , G23 reduced to 0.2 times the initial value
Matrix compression failure E22 , G12 , G23 reduced to 0.4 times the initial value
Fiber/matrix shear failure G12 . ν12 reduced to 0.2 times the initial value
Delamination failure E33, G13 , G23 , ν13 , ν23 reduced to 0.2 times the initial value
Notes: E11, E22, E33−Young’s moduli; G12, G13, G23−Shear moduli; ν11, ν12, ν23−Poisson’s ratios.
机分配更加分散,导致有些单元强度过低,致使
单元提前达到破坏准则。六种铺层角度的层合板
模拟的随机疲劳寿命点与实验的疲劳寿命点整体
上较吻合,而且模拟的疲劳寿命均值线与实验数
据均值线整体上也较吻合。
从 图 6 可 以 看 出 , 图 6(a)、 图 6(b)、 图 6(d)
(a) 39 000 fatigue cycles 层合板的有限元模拟的剩余刚度曲线与实验数据
较吻合。图 6(c) 层合板的疲劳仿真数据和实验数
据中,疲劳载荷相对较高,因此 90°层在所有应力
水平下的第一个循环都失效了,之后由 0°层控制
了 疲 劳 过 程 。 图 6 (c) 层 合 板 在 两 种 应 力 水 平 下 ,
模拟的剩余刚度值偏高。图 6 (e) 层合板在高应力
水 平 下 , ±45°层 的 基 体 直 接 失 效 , 因 此 模 型 的 剩
(b) 40 000 fatigue cycles
余刚度转折点在应力水平 s=0.8 时,即剩余刚度等
图 3 [0]8 GFRP 层合板未进行正态分布的疲劳模型
Fig. 3 Fatigue model without normal distribution of [0]8 GFRP laminates
于 0.87 时,实验数据显示出逐渐退化的趋势。在
低 应 力 水 平 下 , 疲 劳 损 伤 不 断 累 积 , 可 导 致 ±45°
层的基体发生破坏。由于疲劳过程中应力的重新
分 布 , 0°层 中 的 应 力 变 得 越 来 越 高 , 0°层 控 制 了
疲劳过程的后期及层压板的最终破坏,模拟的剩
余刚度值偏低。图 6 (f) 层合板模型所得的仿真剩
余刚度曲线与实验数据对比发现,疲劳过程中的
退化趋势一致,但数值相差较大。可能是由于疲
(a) 28 000 fatigue cycles
劳模拟过程中虽然有分层现象产生,但影响分层
的层间强度的渐降规律与实际情况有些偏差,导
致在高应力水平下大面积扩展而低应力水平下并
没有大面积扩展,导致剩余刚度曲线偏差较大。
从上述六种层合板的模拟结果可以看出,通
过横向、纵向、剪切方向疲劳试验数据,预测
0.85
(a) [0]8 Exp_log (b) [90]8 Exp_log
0.80 0.8
Num_log Num_log
Exp_Avg Exp_Avg
0.75 Num_Avg Num_Avg
0.7
0.70
0.65
0.6
0.60
0.55
0.5
0.50
0.45 0.4
0.40
2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 2 3 4 5 6
Fatigue life lgN Fatigue life lgN
Num_log
Exp_Avg Exp_Avg
Num_Avg Num_Avg
0.7 0.7
0.6 0.6
0.5 0.5
0.4 0.4
2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0
Fatigue life lgN Fatigue life lgN
0.85
(e) [45/0/0/−45]S (f) [45/90/−45/0]S
Exp_log 0.8 Exp_log
0.80 Num_log Num_log
Maximum stress /Strength (σmax/S0)
Maximum stress /Strength (σmax/S0)
Exp_Avg Exp_Avg
0.75 Num_Avg Num_Avg
0.7
0.70
0.65 0.6
0.60
0.5
0.55
0.50
0.4
0.45
0.40 0.3
2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 2 3 4 5 6
Fatigue life lgN Fatigue life lgN
图 5 六种铺层 GFRP 层合板的 S-N 曲线
Fig. 5 S-N curves of six types of GFRP laminates
1.00 1.0
(a) [0]8 (b) [90]8
0.95
0.9
0.90
0.85 0.8
0.80
Exp s=0.8 0.7 Exp s=0.8
Exp s=0.6 Exp s=0.5
0.75 Num s=0.8
Sim s=0.8
Sim s=0.6 Num s=0.5
0.70 0.6
0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0
Life ratio n/N Life ratio n/N
1.0
(c) [0/90/90/0]S 1.0
(d) [45/−45/45//45/]S
0.9
0.8 0.8
Residual stiffness (Er/E0)
0.7
0.6 0.6
0.5
0.4 0.4
0.3
Exp s=0.8 Exp s=0.8
0.2 Exp s=0.6 0.2 Exp s=0.5
Num s=0.8 Num s=0.8
0.1 Num s=0.6 Num s=0.5
0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0
Life ratio n/N Life ratio n/N
1.0 1.0
(e) [45/0/0/−45]S (f) [45/90/−45/0]S
0.9 0.9
0.8 0.8
Residual stiffness (Er/E0)
0.7 0.7
0.6 0.6
0.5 0.5
0.4 0.4
0.3 0.3
Exp s=0.8 Exp s=0.8
0.2 Exp s=0.53 0.2 Exp s=0.55
Num s=0.8 Num s=0.8
0.1 Num s=0.53 0.1 Num s=0.55
0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0
Life ratio n/N Life ratio n/N
图 6 六种 GFRP 层合板的剩余刚度曲线
Fig. 6 Residual stiffness curves of six types of GFRP laminates
型 如 图 9 所 示 , 计 算 结 果 见 表 4。 需 特 别 指 出 的
Mode 1
是,模态分析对象是完整的 GFRP 层合板 (不局限 699.40
于疲劳试验段),因此补齐了两端的加强片与其下 Hz
覆 盖 的 GFRP 层 合 板 。 加 强 片 为 铝 片 , 其 材 料 参
数见表 5 所示。采用的材料参数为未进行正态分 Mode 2
2 379.6
布的材料参数模拟出的频率。 Hz
Mode 8
29 688.0
Hz
入的材料参数)。加强片铝片的材料参数值在模态
分析时不随循环次数的不同而变化。模态分析模
(b) Total number of elements: 81 800 型如图 10 所示 (不同颜色代表赋予单元不同的材
图 8 不同分网密度下的 [0]8 GFRP 层合板 料参数)。
Fig. 8 GFRP plate ([0]8) with different mesh densities
3. 2 GFRP 层合板模态模型模拟结果
从 表 4 可 以 看 出 21 140 个 单 元 已 经 可 以 满 足 华宏星等 [28] 基于一个反向传播神经网络,利
收敛性要求,从而采用图 8(a) 所示的网格划分。 用正交各向异性板的动态特性 (固有频率) 识别复
因为层合板疲劳模拟的时候中间疲劳部分初 合 材 料 板 刚 度 。 Moon 等 [15] 通 过 公 式 推 导 模 态 频
始材料参数采用的是正态分布后的材料参数,所 率和拉伸刚度之间存在等价关系,并使用归一化
以疲劳一定次数后的模态模型中加强片覆盖的 的模态频率的平方预测复合材料的疲劳寿命,类
/
GFRP 层 合 板 段 的 单 元 材 料 参 数 同 样 为 正 态 分 布 似地,本文定义剩余频率为 F = fn2 f02,定义剩余
参数,模态分析时其材料参数值不随循环次数的 疲 劳 寿 命 Nr = 1 − n/N 。 其 中 f0为 未 疲 劳 循 环 时 的
不同而变化。而中间疲劳部分层合板的单元材料 初始模态频率; fn为经历了 n 次疲劳循环后的模
参 数 随 着 循 环 数 的 不 同 而 变 化 (从 疲 劳 模 型 中 导 态频率。n 为疲劳循环次数,N 为疲劳寿命。图 11~
· 3332 · 复合材料学报
表 5 铝片的材料参数 4. 2 训练数据介绍
Table 5 Material parameters of aluminum 目前 BP 神经网络广泛应用于复合材料的设计、
Elastic Poisson's Density/ 工艺优化、性能预测、损伤检测及预测等方面 [31]。
Material
modulus/MPa ratio (g·cm−3)
Aluminum 70 000 0.32 2.7 因 为 BP 神 经 网 络 对 于 参 数 间 的 多 重 相 关 性 并 不
1.00
0.98
Residual frequency F
0.96
Mode 3
16 为 在 特 定 的 应 力 水 平 下 (与 前 文 模 拟 的 剩 余 刚 0.90 Mode 4
Mode 5
度曲线有相同的应力水平),六种铺层的 GFRP 层 Mode 6
0.88 Mode 7
合板的归一化剩余频率 F 与循环次数 n/N 之间的 Mode 8
0.86
曲线。 0 0.2 0.4 0.6 0.8 1.0
从 图 11、 图 12、 图 14、 图 15、 图 16 可 以 看 Life ratio n/N
平下的剩余刚度曲线可以看出两者的下降趋势一
1.00
致。说明剩余频率曲线与剩余刚度曲线类似,都 0.96
可以反映复合材料疲劳过程的三个阶段 [29]。
Residual frequency F
0.92
为连续函数,所以此处采用 3 层的 BP 神经网络结构。
[90]8 laminate under 0.5 stress level
廖兴升,等: 基于频率变化预测玻璃纤维增强树脂复合材料层合板的剩余疲劳寿命 · 3333 ·
1.0 1.0
0.9
0.8
Residual frequency F
Residual frequency F
0.8
0.7 0.6
Mode 1
Mode 2
0.6 Mode 3 Mode 1
Mode 4 Mode 2
Mode 5 Mode 3
0.4 Mode 4
0.5 Mode 6 Mode 5
Mode 7 Mode 6
Mode 8 Mode 7
0.4 Mode 8
0 0.2 0.4 0.6 0.8 1.0 0.2
0 0.2 0.4 0.6 0.8 1.0
Life ratio n/N
Life ratio n/N
图 13 [45/−45/45/−45]S 层合板 0.5 应力水平下剩余频率曲线
图 16 [45/90/−45/0]S 层合板 0.55 应力水平下剩余频率曲线
Fig. 13 Residual frequency curves of [45/−45/45/−45]S
Fig. 16 Residual frequency curves of [45/90/−45/0]S
laminate under 0.5 stress level
under 0.6 stress level 生的部位不同,对构件的模态频率影响不同,但
1.0
最终却导致了同一循环数下的断裂。
0.9 4. 3 BP 神经网络模型的建立
文 献 [30] 已 经 证 明 : 对 于 任 何 非 线 性 映 射 问
0.8
Residual frequency F
1.00
1.00 (b) Laminate 2#
(a) Laminate 1#
0.98 0.98
Residual frequency F
0.96
Residual frequency F
0.96
0.94 0.94
Mode 1 Mode 1
0.92 Mode 2 0.92 Mode 2
Mode 3 Mode 3
Mode 4 0.90 Mode 4
0.90 Mode 5 Mode 5
Mode 6 Mode 6
0.88 Mode 7 0.88 Mode 7
Mode 8 Mode 8
0.86 0.86
0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0
Life ratio n/N Life ratio n/N
1.00
1.00 (d) Laminate 4#
(c) Laminate 3#
0.98
Residual frequency F 0.98
0.96
Residual frequency F
0.96
0.94 0.94
Mode 1 Mode 1
0.92 Mode 2 0.92 Mode 2
Mode 3 Mode 3
Mode 4 0.90 Mode 4
0.90 Mode 5
Mode 5
Mode 6 Mode 6
0.88 Mode 7 0.88 Mode 7
Mode 8 Mode 8
0.86 0.86
0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0
Life ratio n/N Life ratio n/N
图 17 1#~4#GFRP 层合板剩余频率曲线
Fig. 17 Residual frequency curves of GFRP laminate 1#~4#
√
I + O + X 确 定 。 其 中 H 为 BP 神 经 网 络 所 需 的 隐
Hidden layer
藏层节点数,I 为输入层的节点数,O 为输出层 Input layer
的 节 点 数 , X={1,2,···,10}, 可 得 H 的 取 值 范 围 为 F1
{4,5,···,13}。 将 由 经 验 公 式 所 确 定 的 隐 藏 层 节 点 数
Output layer
H 代入 BP 神经网络模型中试算,经试算可得当隐
F2
藏 层 节 点 数 为 10 时 , BP 神 经 网 络 预 测 模 型 的 误
Nr
差效果能较好地满足预期。最终神经网络拓扑结
…
构 如 图 18 所 示 。 其 中 输 入 层 {F1,F2,···,F8}输 入 的 是
…
1-8 阶 的 归 一 化 的 纯 弯 剩 余 模 态 频 率 , 隐 藏 层 设 F8
置了 10 个神经元,输出层 Nr 值为剩余疲劳寿命。
4. 4 GFRP 层合板预测模型的训练与结果
图 18 GFRP 层合板神经网络结构图
为了使建立的 BP 神经网络预测模型有良好的
Fig. 18 Neural network structure diagram of GFRP laminate
泛化与预测能力,必须采用试验数据样本进行训
经输入层、隐藏层的神经元的激励函数运算后, 测复合材料构件的剩余疲劳寿命,预测结果较好,
继续传向输出层,并计算出输出的剩余寿命值, 最小预测误差为 0.12%,最大误差为 4.19%。
如果计算出的剩余寿命值与模拟数据的剩余寿命
5 结 论
的差值超过设定的误差范围,则会触发误差信号
研究了玻璃纤维增强树脂复合材料 (GFRP) 层
的反向传递。通过将误差信号从输出层反向传递
合板在疲劳过程中的频率变化,并探索通过这种
到输入层的过程中,沿途不断调整各层的权值
频率变化来预测复合材料的剩余疲劳寿命。首先
(和 阈 值 ), 以 使 误 差 逐 渐 减 小 并 达 到 设 定 目 标 ,
建立了一种具有高斯正态分布材料属性的三维复
从而完成神经网络预测模型的训练。然后将 3 号
合材料疲劳模型,然后构建了不同疲劳状态下对
层合板的剩余频率数据输入到已经训练好的神经
应的模态频率模型,最后得到复合材料疲劳过程
网络模型中,进行计算得到预测的剩余疲劳寿命
中的频率衰减规律。利用归一化的仿真模态频率
与 其 误 差 值 。 在 BP 神 经 网 络 预 测 模 型 训 练 37 次
数据与剩余疲劳寿命数据训练了人工神经网络作
后,均方误差 MSE 达到最小值 2.7699×10−5。训练
为预测模型,并用于复合材料的剩余疲劳寿命预
误差曲线如图 19 所示。预测 3 号层合板剩余疲劳
测,取得了良好的预测结果。得到的有关结论如下:
寿 命 结 果 见 表 7。 可 以 看 出 , 用 神 经 网 络 算 法 预
10−2
(2) 利 用 有 限 元 模 型 得 到 了 “ 剩 余 频 率 -剩 余
疲劳寿命”仿真数据,将剩余频率作为输入,剩
余疲劳寿命作为输出,构建了人工神经网络以预
10−4 Validation
Best
测复合材料剩余疲劳寿命。利用 3 块不同高斯分
Test
布的试件的模拟剩余频率-剩余疲劳寿命数据作为
Train
10−6 训练数据,对第 4 块试件模型的实际剩余疲劳寿
0 5 10 15 20 25 30 35 40
命进行预测,预测精度较好,最小预测误差仅为
Epochs
0.12%,最大预测误差不超过 4.19%;
图 19 GFRP 层合板预测模型训练误差曲线
疲劳过程的频率衰减进行对比分析,结果表明,
表 7 神经网络预测 3#GFRP 层合板剩余疲劳寿命结果
在含有 0°铺层角度的层合板模型下,高阶频率衰
Table 7 Neural network prediction of the remaining fatigue
life of GFRP laminate 3# 减更大,说明高阶频率对疲劳过程的损伤扩展更
Abaqus simulation Neural network algorithm Prediction error 敏感。
actual value Nr/% prediction Nr ′/% Nr − Nr ′/%
100.00 99.88 0.12
参考文献:
96.97 97.16 −0.19
[1] NADERI M, MALIGNO A R. Fatigue life prediction of car-
93.94 94.36 −0.42
[28] 华宏星, 陈小琳, 石银明. 运用神经网络识别复合材料板刚 al network[C]. International Joint Conference on Neural
度[J]. 复合材料学报, 2000, 17(1):108-110. Networks. New York: IEEE Press, 2002: 593-605.
HUA H X, CHEN X L, SHI Y M. Composite plate stiffness
[31] 薛掌安, 邓海亮. BP神经网络在复合材料研究中的应用[J]. 材
identification using neural networks[J]. Acta Materiae
料导报, 2009, 23(S1):250-253.
Compositae Sinica,2000,17(1):108-110(in Chinese).
XUE Z A, DENG H L. Application of BP neural network in
[29] TALREJA R R. Fatigue of composite materials[M]. Boca
Raton: CRC Press, 1987. composite materials research[J]. Materials Reports,2009,