基于 ResL-U-Net 卷积神经网络的编织聚合物复合材料材料孪生体生成

利用数字材料孪生体揭示了编织复合材料的织物构型，并详细描述了纤维束和缺陷的形态特征，这为评估编织复合材料的力学性能，特别是损伤和失效行为提供了一种独特的方法。然而，目前的主要挑战在于如何准确高效地分割低对比度数字图像（如 μCT 图像或 MRI 图像），并重建 3D 编织结构。本文提出了一种 ResL-U-Net 卷积神经网络，其中使用 leaky-ReLU 激活函数来提高效率。我们利用残差结构来防止网络退化，并获得了极佳的鲁棒性和准确性。通过三维空间映射将初始制造缺陷植入有限元模型中，一方面保证了缺陷的真实性，另一方面确保了高质量的网格划分。基于数字材料孪生体研究了 GFRP 材料的损伤演化和断裂特征；同时，量身定制了原位 CT 拉伸实验以验证模拟结果。结果表明，基于材料孪生体的模拟能够很好地展示 GFRP 的力学性能，特别是在损伤位置和材料失效模式方面。