基于混合不确定性的编织复合材料多尺度可靠性分析方法

1.基于混合不确定性的编织复合材料多尺度可靠性分析方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于混合不确定性的编织复合材料多尺度可靠性分析方法，其特征在于，步骤2中，将纱线横截面简化为四边形、椭圆形或凸透镜形，纱线细观几何参数为纱线横截面对应的边长或半径。

3.根据权利要求2所述的基于混合不确定性的编织复合材料多尺度可靠性分析方法，其特征在于，步骤3中，所述的核密度估计法获得的获取基于真实纱线的几何参数概率密度函数的方法为：

4.根据权利要求3所述的基于混合不确定性的编织复合材料多尺度可靠性分析方法，其特征在于，步骤5中，边界曲线分别为上边界曲线与下边界曲线，对边界曲线进行多项式拟合的表达式为：t为边界曲线上一点的横坐标数值，f(t)为边界曲线上一点的纵坐标数值，n为拟合点的数量，cj为边界曲线第j次项系数，边界曲线拟合得到的多项式最高次数应保持一致，通过对两条曲线插值得到曲线间的任意曲线，任意曲线表达式为k为范围0～1的随机数，aj和bj分别为上边界曲线与下边界曲线对应的第j次项系数。

5.根据权利要求4所述的基于混合不确定性的编织复合材料多尺度可靠性分析方法，其特征在于，步骤6中，采用改进和声算法将第一随机样本和第二随机样本进行组合获得新样本，将原样本编号作为新样本参数进行优化，目标是使新样本之间的最短间距最大化，设定一个和声记忆库，包含具有k个参数的m个初始样本编号组合，之后对和声记忆库进行更新，更新方法为：对参数m从1到k进行循环：根据当前和声记忆库中的样本编号组合计算最短间距，给出最好与最坏的样本编号组合的参数与获得编号更新范围如xr超过xm的上界xmu或下界xml，则将上下界值赋予xr，在这一过程中，生成一个范围在0～1之间的随机数r1并与预设变异概率pm比较，如随机数小于变异概率pm，则生成新参数x′m＝xml+r1×(xmu-xml)，否则按照生成新参数，r2为范围在0～1之间的随机数，如采用x′m替换xworst中的后，样本编号组合最短间距大于xworst的最短间距，则替换和声库中的对样本编号组合的优化过程中，将遇到生成参数为小数的问题，采用最近整数的方法进行取整，当最大最短距离收敛到不再变化后，结束迭代。

6.根据权利要求5所述的基于混合不确定性的编织复合材料多尺度可靠性分析方法，其特征在于，步骤7中，采用周期性边界条件对rve模型进行边界设置，保证对称面上对应结点的变形一致。

7.根据权利要求1所述的基于混合不确定性的编织复合材料多尺度可靠性分析方法，其特征在于，步骤8与步骤11中，神经网络为前馈神经网络或循环神经网络或卷积神经网络。

8.根据权利要求6所述的基于混合不确定性的编织复合材料多尺度可靠性分析方法，其特征在于，步骤8的具体步骤为：建立神经网络框架，在输入层与输出层间设置若干隐藏层，每个隐藏层包含若干神经元，采用随机梯度下降方法调整神经网络中的权重和偏置，使得神经网络损失函数最小，将纱线轴向本构参数、纱线横向本构参数、纱线剪切本构参数和rve几何参数作为输入层参数，将编织材料轴向本构、编织材料横向本构和编织材料剪切本构作为输出层参数，得到“细观参数-宏观性能”神经网络代理模型，完成由“细观参数”到“宏观性能”的映射。

9.根据权利要求1所述的基于混合不确定性的编织复合材料多尺度可靠性分析方法，其特征在于，步骤11的具体步骤为：建立神经网络框架，将区域1到n的宏观材料属性及载荷数值作为输入层参数，将区域1到n是否发生失效作为输出层参数，在输入层与输出层间设置若干隐藏层，每个隐藏层包含若干神经元，采用随机梯度下降方法调整神经网络中的权重和偏置，使得神经网络损失函数最小，得到“宏观性能-结构响应”神经网络代理模型，完成由“宏观性能”到“结构响应”的映射。

10.根据权利要求1所述的基于混合不确定性的编织复合材料多尺度可靠性分析方法，其特征在于，步骤12的具体方法为：根据细观参数的概率密度函数按照各区域分别对纱线本构参数、细观几何参数进行大规模随机抽样，并采用步骤6中的改进和声算法对参数组合进行优化，获得细观参数，将细观参数输入“细观参数-宏观性能”神经网络代理模型，获得“宏观性能”的参数分布，根据宏观性能的概率密度函数分别对编织材料在各区域的宏观材料属性进行大规模随机抽样，与给定载荷一同输入“宏观性能-结构响应”神经网络代理模型，计算给定载荷下结构中各区域的失效概率。