Огляд застосування data-driven підходу для аналізу тепло-фізичних властивостей композитів

Автор(и)

  • Руслан Лавщенко Національний технічний університет «Харківський політехнічний інститут», Україна https://orcid.org/0009-0001-3649-1118
  • Геннадій Львов Національний технічний університет «Харківський політехнічний інститут»; , Україна https://orcid.org/0000-0003-0297-9227

DOI:

https://doi.org/10.20998/2078-9130.2024.1.299295

Ключові слова:

data-driven підхід, композити, теплофізичні властивості, аналіз даних, прогнозування

Анотація

У роботі наведено аналіз можливостей та перспектив data-driven підходу для дослідження тепло-фізичних властивостей композитних матеріалів. Проведено огляд основних концепцій та методів машинного навчання в матеріалознавстві, які виявляють потенціал для вивчення та оптимізації властивостей композитів. Обговорено використання нейронних мереж для прогнозування теплових характеристик. Порівняно data-driven підхід з традиційними методами аналізу, визначено їхні переваги та недоліки. Описано тепло-фізичні параметри композитів та сучасні методи їхнього вимірювання та прогнозування. Розглянуто застосування комп'ютерних технологій для моделювання тепло-фізичних властивостей композитів та їхніх процесів виготовлення. Результати дослідження можуть бути корисними для подальшого розвитку матеріалознавства та виробництва композитних матеріалів.

Посилання

  1. Wu L., Zhang P., Xu B., Liu, J., Yin H., Zhang L., Jiang X., Zhang C., Zhang R., Wang Y., & Qu X. (2023). Data-driven design of brake pad composites for high-speed trains. Journal of Materials Research and Technology, vol. 27, pp. 1058-1071. https://doi.org/10.1016/j.jmrt.2023.09.280
  2. He Z. C., Huo S. L., Li Eric, Cheng H. T., & Zhang L. M. (2022). Data-driven approach to characterize and optimize properties of carbon fiber non-woven composite materials. Composite Structures, vol. 297, 115961. https://doi.org/10.1016/j.compstruct.2022.115961
  3. Fathidoost M., Yang Y., Oechsner M., & Xu B.-X. (2023). Data-driven thermal and percolation analyses of 3D composite structures with interface resistance. Materials & Design, vol. 227, 111746. https://doi.org/10.1016/j.matdes.2023.111746
  4. Ciampaglia A. (2023). Data-driven statistical method for the multiscale characterization and modelling of fiber reinforced composites. Composite Structures, vol. 320, 117215. https://doi.org/10.1016/j.compstruct.2023.117215
  5. Malley S., Reina C., Nacy S., Gilles J., Koohbor B., & Youssef G. (2022). Predictability of mechanical behavior of additively manufactured particulate composites using machine learning and data-driven approaches. Computers in Industry, vol. 142, 103739. https://doi.org/10.1016/j.compind.2022.103739
  6. Barkanov E., et al. (2018). Experimental validation of thermo-chemical algorithm for a simulation of pultrusion processes. Journal of Physics Conference Series, vol. 991, no. 1, April 2018. DOI: 10.1088/1742-6596/991/1/012009.
  7. Barkanov E., Akishin P., Miazza N. L., & Galvez S. (2017). ANSYS-based algorithms for a simulation of pultrusion processes. Mechanics of Advanced Materials and Structures, vol. 24, no. 5, pp. 377-384. https://doi.org/10.1080/15376494.2016.1191096
  8. Roux J. A., Vaughan J. G., Shanku R., et al. (1998). Comparison of measurements and modeling for pultrusion of a fiberglass/epoxy I-beam. Journal of Reinforced Plastics and Composites, vol. 17, no. 17, pp. 1557-1579.
  9. Liu X. L., & Hillier W. (1999). Heat transfer and cure analysis for the pultrusion of a fiberglass-vinyl ester I-beam. Composite Structures, vol. 47, pp. 581-588.
  10. Liang G., Garg A., & Chandrashekhara K. (2005). Cure characterization of pultruded soy-based composites. Journal of Reinforced Plastics and Composites, vol. 24, no. 14, pp. 1509–1520.
  11. Lvov G. I. (2022). Numerical Homogenization of the Thermophysical Properties of Fibrous Composites. Mechanics of Composite Materials, vol. 58, no. 5, pp. 613-628. https://doi.org/10.1007/s11029-022-10054-x
  12. Barkanov E., Akishin P., Namsone E., Auzins J., & Morozovs A. (2021). Optimization of Pultrusion Processes for an Industrial Application. Mechanics of Composite Materials, no. 6, pp. 697-712.
  13. Zhu, J., Chandrashekhara K., Flanigan V., & Kapila S. (2004). Manufacturing and Mechanical Properties of Soy-based Composites using Pultrusion. Composites Part A: Applied Science and Manufacturing, vol. 35, no. 1, pp. 95-101. https://doi.org/10.1016/j.compositesa.2003.08.007
  14. Eleftheroglou N., Zarouchas D., & Benedictus R. (2020). An adaptive probabilistic data-driven methodology for prognosis of the fatigue life of composite structures. Composite Structures, vol. 245, 112386. https://doi.org/10.1016/j.compstruct.2020.112386
  15. Huang T., Gao J., Sun Q., Zeng D., Su X., Liu W. K., & Chen W. (2021). Stochastic nonlinear analysis of unidirectional fiber composites using image-based microstructural uncertainty quantification. Composite Structures, vol. 260, 113470. https://doi.org/10.1016/j.compstruct.2020.113470
  16. Saenz-Dominguez I., Tena I., Esnaola A., Sarrionandia M., Torre J., & Aurrekoetxea J. (2019). Design and characterisation of cellular composite structures for automotive crash-boxes manufactured by out of die ultraviolet cured pultrusion. Composites Part B: Engineering, vol. 160, pp. 217-224. https://doi.org/10.1016/j.compositesb.2018.10.046
  17. Lvov G. I. (2022). Numerical Homogenization of the Thermophysical Properties of Fibrous Composites. Mechanics of Composite Materials, vol. 58, no. 5, pp. 613-628. https://doi.org/10.1007/s11029-022-10054-x
  18. Tian W., Chao X., Fu M. W., Qi L., & Ju L. (2021). New numerical algorithm for the periodic boundary condition for predicting the coefficients of thermal expansion of composites. Mechanics of Materials, vol. 154, Article 103737. https://doi.org/10.1016/j.mechmat.2020.103737
  19. Lee D., & Song Y. S. (2018). Modeling the effects of elastic modulus and thermal expansion coefficient on the shrinkage of glass fiber reinforced composites. Composites: Part B, vol. 146, pp. 98-105. https://doi.org/10.1016/j.compositesb.2018.03.047
  20. 20. Sun Z., Shan Z., Shao T., Li J., & Wu X. (2021). A multiscale modeling for predicting the thermal expansion behaviors of 3D C/SiC composites considering porosity and fiber volume fraction. Ceramics International, vol. 47, no. 6, pp. 7925-7936. https://doi.org/10.1016/j.ceramint.2020.11.142
  21. Sobhaniaragh B., Batra R. C., Mansur W. J., & Peters F. C. (2017). Thermal response of ceramic matrix nanocomposite cylindrical shells using Eshelby-Mori-Tanaka homogenization scheme. Composites Part B: Engineering, vol. 118, pp. 41-53. https://doi.org/10.1016/j.compositesb.2017.02.032
  22. Koohbor B., Ravindran S., & Kidane A. (2018). A multiscale experimental approach for correlating global and local deformation response in woven composites. Composite Structures, vol. 194, pp. 328-334. https://doi.org/10.1016/j.compstruct.2018.04.016
  23. Zhou L., Yuan T. B., Yang X. S., Liu Z. Y., Wang Q. Z., Xiao B. L., & Ma Z. Y. (2022). Microscale prediction of effective thermal conductivity of CNT/Al composites by finite element method. International Journal of Thermal Sciences, vol. 171, Article 107206. https://doi.org/10.1016/j.ijthermalsci.2021.107206
  24. Wu, L., Adam, L., & Noels, L. (2021). Micro-mechanics and data-driven based reduced order models for multi-scale analyses of woven composites. Composite Structures, vol. 270, 114058. https://doi.org/10.1016/j.compstruct.2021.114058
  25. Veenstra S. W. P., Wijskamp S., Rosić B., & Akkerman R. (2022). Bending behaviour of thermoplastic composites in melt: A data-driven approach. Composites Science and Technology, vol. 219, 109220. https://doi.org/10.1016/j.compscitech.2021.109220
  26. Cheung H. L., & Mirkhalaf M. (2024). A multi-fidelity data-driven model for highly accurate and computationally efficient modeling of short fiber composites. Composites Science and Technology, vol. 246, 110359. https://doi.org/10.1016/j.compscitech.2023.110359
  27. Castricum B. A., Fagerström M., Ekh M., Larsson F., & Mirkhalaf S. M. (2022). A computationally efficient coupled multi-scale model for short fiber reinforced composites. Composites Part A: Applied Science and Manufacturing, vol. 163, 107233. https://doi.org/10.1016/j.compositesa.2022.107233
  28. Mirkhalaf S. M., Eggels E. H., van Beurden T. J. H., Larsson F., & Fagerström, M. (2020). A finite element based orientation averaging method for predicting elastic properties of short fiber reinforced composites. Composites Part B: Engineering, vol. 202, 108388. https://doi.org/10.1016/j.compositesb.2020.108388
  29. Mirkhalaf S. M., van Beurden T. J. H., Ekh M., Larsson F., & Fagerström M. (2022). An FE-based orientation averaging model for elasto-plastic behavior of short fiber composites. International Journal of Mechanical Sciences, vol. 219, 107097. https://doi.org/10.1016/j.ijmecsci.2022.107097

##submission.downloads##

Опубліковано

2024-11-18

Як цитувати

Лавщенко, Р., & Львов , Г. (2024). Огляд застосування data-driven підходу для аналізу тепло-фізичних властивостей композитів. Вісник Національного технічного університету «ХПІ». Серія: Динамiка та мiцнiсть машин, (1), 9–16. https://doi.org/10.20998/2078-9130.2024.1.299295

Номер

№ 1 (2024): Вісник Національного технічного університету "ХПІ" Серія: "Динаміка та міцність машин"

Розділ

Статті