机器学习技术在复合材料风电叶片制造质量预测中的应用

摘要整理

目的：复合材料风电叶片覆盖层通常采用真空辅助树脂注入（VARI）工艺制造，因其成本低、大型复合材件制造效率高而被广泛应用。虽然有限元（FE）仿真被广泛用于评估制造过程中的树脂填充过程，但需要利用机器学习（ML）技术开发代理模型替代耗时的FE仿真，以实现制造过程的实时控制，并使工程师能够高效地探索优化设计空间。方法：采用有限元方法仿真风电叶片覆盖层VARI制造中的树脂填充过程。基于仿真数据，建立决策树（DT）、随机森林（RF）、支持向量机（SVM）和人工神经网络（ANN）四种ML模型，用于快速预测叶片覆盖层的制造质量。通过超参数调优获得最优ML模型。结果：ANN和SVM模型在制造质量预测中表现最优。特征重要性评估表明，树脂填充温度是影响树脂填充过程和最终制造质量的最重要参数。进一步研究应重点关注温度的影响，并考虑覆盖层内的温度分布和温度变化。意义：经过适当ML算法训练的代理模型可在极短时间内替代耗时的FE仿真，预测任意工艺条件下的产品制造质量，实现制造过程实时控制或更广泛设计空间的优化。温度是影响覆盖层制造质量的最主要参数，优化制造工艺的实施将显著改善叶片覆盖层质量，降低废品率，促进风电产业的可持续发展。

相关论文