香港城市大学：基于深度强化学习的复合材料结构疲劳寿命预测

香港城市大学：基于深度强化学习的复合材料结构疲劳寿命预测

碳纤维增强聚合物（CFRP）因其优异的机械性能，在航空航天等领域得到广泛应用。然而，CFRP结构的疲劳损伤预测一直是工程领域的难题。近日，香港城市大学的研究团队在Composite Structures期刊发表了一篇基于深度强化学习的复合材料结构疲劳寿命预测的研究成果，提出了一种可迁移深度强化学习方法，显著优于现有技术，为CFRP结构的实际监控和预测提供了一个可扩展、高效且实用的解决方案。

碳纤维增强聚合物 (Carbon Fiber Reinforced Polymer,CFRP) 结构因其优异的机械性能，在航空航天等领域得到广泛应用。然而，碳纤维增强聚合物结构的疲劳损伤预测一直是工程领域的难题。传统的物理模型方法难以准确捕捉复杂的损伤演变过程，而基于数据的方法则面临着数据稀缺和泛化能力不足的挑战。现有的碳纤维增强聚合物结构疲劳寿命预测方法主要分为物理模型和基于数据的方法。物理模型方法需要深入了解损伤机理，且通常只适用于特定类型的碳纤维增强聚合物结构。基于数据的方法则依赖于大量的损伤数据，且模型的泛化能力有限，难以应用于新的碳纤维增强聚合物结构设计。

近日，Composite Structures 期刊发表了一篇由香港城市大学的研究团队完成的基于深度强化学习的复合材料结构疲劳寿命预测的研究成果。该研究提出了一种基于可迁移深度强化学习的碳纤维增强聚合物结构疲劳寿命预测方法，旨在解决现有方法的局限性，提高预测的准确性和泛化能力。论文标题为“Fatigue life prognosis of composite structures using a transferable deep reinforcement learning-based approach”。

研究采用深度强化学习(Deep Reinforcement Learning,DRL)框架，以深度确定性策略梯度(Deep Deterministic Policy Gradient，DDPG)算法为核心，结合Transformer和去噪自编码器(Denoising Autoencoder，DAE)构建策略网络，从时序损伤特征中学习剩余使用寿命(Remaining Useful Life,RUL)预测策略。通过定义马尔可夫决策过程(Markov Decision Process，MDP)，将剩余使用寿命预测转化为序列决策问题，利用奖励函数优化预测误差。

针对数据不足问题，引入立方样条插值生成密集训练样本。迁移学习阶段，冻结预训练模型的Transformer特征提取模块，仅微调全连接层参数，实现不同碳纤维增强聚合物铺层结构（如[0₂/90₂]₅与[90/45/-45]₂s）间的知识迁移。实验基于NASA公开的碳纤维增强聚合物疲劳数据集，对比分析了深度强化学习与现有方法（如物理模型、传统数据驱动模型）的性能差异，并通过消融实验验证了模型组件的有效性。

图1 基于深度强化学习的碳纤维增强聚合物剩余使用寿命预测模型：物理特征提取、数据预处理、离线训练和在线剩余使用寿命预测

图2 基于度确定性策略梯度模型的碳纤维增强聚合物剩余使用寿命预测，其中策略网络使用去噪自动编码器和 Transformer 构建

图3 基于度确定性策略梯度模型的碳纤维增强聚合物剩余使用寿命预测的微调迁移学习，其中 Transformer 被冻结并重用

实验表明，提出的深度强化学习框架在碳纤维增强聚合物结构的剩余使用寿命预测中显著优于现有方法（如KS、AD模型），平均绝对误差降低超过50%。结合数据增强技术后，模型在有限数据下的鲁棒性显著提升，立方样条插值有效平滑了损伤演化趋势。迁移学习仅需少量目标结构数据（如10%的标记样本）即可实现高精度预测，训练时间缩短至传统方法的1/5，验证了跨结构泛化的可行性。该研究为航空航天等领域碳纤维增强聚合物结构的健康监测提供了高效、可扩展的解决方案，减少了重复实验成本，具有重要工程应用价值。

图4 目标函数景观图

图5 使用不同长度微调数据对 L1a剩余使用寿命预测迁移学习任务的性能比较

原始文献：
Liu, C., Chen, Y., & Xu, X. (2024). Fatigue life prognosis of composite structures using a transferable deep reinforcement learning-based approach. Composite Structures, 353, 118727.

原文链接：
https:///10.1016/j.compstruct.2024.118727

本文原文来自360doc