 作为3D机织复合材料的一种特殊结构，2.5D机织复合材料抗分层效果更好，具有更强的可设计性。为了准确预测2.5D机织复合材料的力学性能，国内外学者们提出了诸多用于数值模拟的建模策略。 目前流行的2.5D机织复合材料代表性体积单元的建模方法是，从细观尺度建立一个最小重复周期单元。其建模策略可大致分为两类：1）基于理想化假设的预测性建模。2）基于XCT图像的描述性建模。前者普遍会简化2.5D机织复合材料内部细节特征，例如，笔直的纱线走向、恒定的纱线截面、不考虑纱线间的挤压效应等等，以实现便捷高效的建模；后者则试图尽可能通过XCT图像还原内部细节特征，以实现更高精度的预测。 通过对上述两种策略的取长补短和进一步优化，本文提出了一种基于计算机视觉特征提取技术的综合建模策略，该策略包括两个主要部分:几何特征参数的提取和参数化体素全胞模型（VFM）的建立。首先，基于深度学习网络实现了材料XCT图像中纱线横截面的快速精准分割。接着，基于图像处理算法，对纱线横截面进行轮廓拟合和几何特征参数提取。然后，根据材料细观特征，提出了一套涵盖纱线路径和截面表征的参数化建模思路，以此建立材料的VFM。最后，从结构尺寸、整体纤维体积分数和刚度预测的角度对该VFM进行验证。对比结果表明，该模型具有良好的细观表征和令人满意的预测精度。
图1 图文摘要 2.5D机织复合材料的XCT图像呈现出压实程度紧和组分间灰度差异不明显的特点。为实现对这类XCT图像的精准分割，引入了基于OCRNet + HRNet的深度学习网络。 其中，OCRNet作为深度学习网络的主框架。其结构上最显著的特征为：1）由粗到细的分割。由粗分割图生成目标像素的上下文表示，继而显示地增强像素特征表示，实现细分割。2）逐区域分割。摒弃以往对区域分类的分割方式，通过区域表示学习更好的像素表示方法，以提高像素的标记精度。 OCRNet的骨干网络可选项有Resnet和HRNet两个。考虑到建模对XCT图像分辨率有较高的要求，故选择了在整个网络过程中都能保持图像高分辨率的HRNet。该网络具备两大特点：1）逐步增加由高到低分辨率的子网，以保持图像的高分辨率；2）并行地连接多个分辨率卷积流，使语义表征更加丰富。
图2 OCRNet结构示意图
图3 HRNet结构示意图 数据集的制作采取手动标记纱线截面的方式开展。经向和纬向的数据集均包括一个由1200张带标记的图像和400张数据增强的图像组成的训练集，以及一个由400张带标记的图像组成的测试集。训练的迭代次数设置为30000次，并每5000次保存一次权重文件。
图4 训练集的制作 （a）原始灰度图像；（b）正方形灰度图像；（c）缩放后的正方形灰度图像；（e）带标记的灰度图像。 从分割结果上看，当迭代次数低于20000时，相邻纱线截面之间的距离太近，无法实现清晰的分割（蓝色圆圈），并且部分截面可能出现粗糙的边界（红色矩形）。随着迭代次数增加，分割效果有明显改善。
图5 经向截面分割结果局部图
图6 纬向截面分割结果局部图 随后，在OpenCV平台上使用图像处理算法对分割结果图像依次进行了二值化、中值滤波、轮廓提取和轮廓拟合，获得了各纱线截面的几何特征尺寸。
图7 （a）几何特征参数提取流程；（b）轮廓的最小外接矩形拟合示意图。 基于对材料细观结构的分析，提出了各组分的参数化描述语句。编写相应的Python脚本于TexGen平台上实现建模。
图8 参数化建模描述语句 模型的全局尺寸设置为0.1mm，接结纱和纬纱的横截面由4层网格构成，经纱的横截面由5层网格构成，总网格数为315120。与材料实际截面相对比发现，VFM的横截面与实际细观结构吻合较好。此外，对于不同纱线的接触区域，该模型可以根据不同区域的挤压程度适当调整网格排布。 同时，从结构尺寸、整体纤维体积分数和刚度预测的角度对该VFM进行验证。结果表明，无论是几何表征还是刚度预测，该模型均有良好的表现，满足工业设计要求。
图9 材料实际截面与VFM截面对比图 该研究旨在提出一套综合的建模策略，借助了计算机视觉特征提取的相关技术，实现了从材料XCT图像中准确快速地提取几何特征参数。利用这些参数，建立了材料的参数化体素全胞模型。通过多角度的验证，证明了该建模策略的合理性。 Guo C, Zhang H, Wang Y, et al. Parametric modeling of 2.5 D woven composites based on computer vision feature extraction[J]. Composite Structures, 2023: 117234. |
|
|
