1 前 言

短纖維增強塑料 （SFRP） 因其增強的機械性能、輕質性和成本效益而在汽車行業中獲得了廣泛的普及和使用。SFRP材料可用于各種零部件，包括內部和外部部件、結構部件、引擎蓋下部件和懸架系統等。 

實際工程應用中，SFRP材料產品性能受到其纖維含量、取向、分布等因素的影響。博世公司為了準確描述SFRP材料產品的性能，使用到海克斯康旗下的復合材料多尺度仿真平臺Digimat，對SFRP材料進行非線性本構建模以及注塑工藝結果映射，從而實現了針對產品性能的準確預測。

另一方面，傳統的設計制造過程是確定性設計，認為所有的輸入參數都是固定值；然而實際情況是產品在制造生產過程中存在多種不確定性，例如SFRP材料含量的波動。因此通過在設計階段引入可靠性分析，完善產品設計，防止出現設計不足或過設計情況。

2 解決方案

海克斯康基于旗下復合材料多尺度仿真平臺Digimat，以及人工智能/機器學習智能實時仿真平臺ODYSSEE，搭建了針對復合材料不確定性量化（UQ）分析的解決方案（如下圖），并應用于博世公司的SFRP材料產品設計中。

圖1. 針對復合材料UQ分析解決方案

該解決方案主要包含五個步驟：

1. 準備輸入文件
2. 定義并執行實驗設計（DoE）
3. 訓練和評估降階模型（ROM）
4. 定義和計算設計極限
5. 進行不確定性量化（UQ）分析

3 應用案例

博世公司研究團隊主要針對SFRP材料通過虛擬工程來加快產品開發的步伐，包括過程模擬、微觀結構特征模擬和測試、結構模擬等。從而減少實際準靜態測試的工作量，包括產品的準靜態變形和失效，并進行可靠性評估。

圖2. SFRP材料產品虛擬工程

對于 SFRP材料，傳統的測試方法需要經歷材料交付、板材注塑成型、樣品研磨、CT掃描、拉伸實驗等多個步驟才能最終得到相關材料參數，花費時間最少1個月；而利用材料虛擬工程的方法，可以將材料開發時間縮短到幾天。

圖3. 傳統測試方法 vs 虛擬工程

3-1 產品的準靜態變形和失效

圖4展示了針對PBT-GF30材料不同纖維取向的實驗及仿真結果，表明虛擬工程能夠很好的預測材料的應力-應變曲線和失效行為。

圖4. 不同溫度下，PBT-GF30材料不同纖維取向的應力-應變曲線及失效

將上述材料參數應用于實際零部件，得到于實驗數據類似的結果，說明使用各向異性方法能夠實現非常好的預測效果。

圖5. 不同溫度下，PBT-GF30零部件力-位移曲線及失效

3-2 產品可靠性分析

上述仿真分析是確定性的，即忽略了實際情況中的不確定性來源。在產品設計生產過程中考慮不確定性因素越晚，則需要設計更改的時間越晚，這樣實施起來的成本就會很高。同時，考慮組件結構可靠性的所有不確定性，需要大量的仿真計算工作。

圖6. 在設計前期考慮產品的各種不確定性，可以有效減少設計變更成本和時間花費

這里我們考慮纖維取向不確定性對結構可靠性的影響，研究產品在準靜態載荷下的變化，考慮其失效指標（FI）的分布情況。

按照圖1所示的UQ分析流程進行產品可靠性分析：

●首先進行DoE樣本點的準備，按照二階取向張量均勻分布的要求生成10個樣本點，每個樣本點使用Digimat進行零部件性能仿真分析并計算FI。

●利用上述10組結果進行高精度ROM訓練和驗證，即7組樣本進行訓練，3組樣本進行驗證，結果表明預測模型和高保真仿真模型之間非常匹配。

●之后利用上述高精度ROM進行產品可靠性分析，以評估纖維取向的不確定性對結構可靠性的影響，針對五種纖維取向波動情況進行研究，每種情況調用1000次ROM進行計算，結果表明當纖維取向不確定性大于0.05時，產品可靠性開始下降；當外載荷降低20%時，纖維取向不確定性即使達到0.2，產品可靠性也不會降低。

圖7. （a）3組驗證樣本FI的精度；（b）不同數量（3組、5組、6組和7組）訓練集的預測精度（R2指標）；（c）產品可靠性與纖維取向不確定性的變化關系曲線；（d）外載荷降低20%后，產品可靠性與纖維取向不確定性的變化關系曲線

4 結論＆展望

針對復合材料不確定性量化分析解決方案嵌入了材料科學、人工智能和UQ的高級專業知識，通過全自動的工作流程，實現產品可靠性的高效評估，幫助用戶提高工作效率，從而實現降本增效的目的。

在未來的工作中，海克斯康還將結合先進的人工智能/機器學習方法，利用現有數據庫和實驗測試數據，實現材料數據的擴充，為用戶提供更多高精度的復合材料模型；同時，也會將上述不確定性量化分析解決方案應用于更多的材料特征（例如聚合物材料參數和纖維長度），以及更多種類的聚合物材料上。