Probabilistic Predictions of Process-Induced Deformation in Carbon/Epoxy Composites Using a Deep Operator Network

Deze studie presenteert een hybride framework dat een Deep Operator Network, gekoppeld aan een fysiek model en aangepast met transfer learning en Ensemble Kalman Inversion, gebruikt om probabilistische voorspellingen te doen over procesinduced vervorming in koolstof/epoxy composieten en zo geoptimaliseerde cure-cycli mogelijk maakt.

De kern

Stel je voor dat je een taart maakt, maar in plaats van bloem en eieren, gebruik je lagen van koolstofvezel en een speciale lijm (hars). Je wilt dat deze taart perfect plat en stevig wordt na het bakken. Maar er is een probleem: de vezels en de lijm reageren anders op hitte. De lijm krimpt terwijl hij hard wordt, en de vezels zetten uit. Dit zorgt voor spanningen, net als wanneer je een oude sok probeert uit te rekken die al te strak zit.

Als je de taart uit de oven haalt, is hij niet meer perfect plat; hij is kromgetrokken. In de luchtvaarttechniek noemen we dit vervorming door het productieproces. Als je een vliegtuigvleugel bouwt die krom is, is dat een groot probleem.

Deze wetenschappelijke studie probeert precies te voorspellen hoe krom die vleugel wordt, en hoe je het bakproces (de "cure cycle") kunt aanpassen om het perfect plat te houden. Hier is hoe ze dat deden, vertaald naar begrijpelijke taal:

1. De Simulatie: De Digitale Proefkeuken

Eerst hebben de onderzoekers een heel gedetailleerde digitale simulator gebouwd. Dit is als een superkrachtige culinaire school die duizenden keren probeert te bakken met verschillende temperaturen en tijden. Ze weten precies hoe de lijm reageert, hoe hij krimpt en hoe de spanningen ontstaan.

• Het resultaat: Ze hebben een enorme database van "wat als"-scenario's. Ze weten hoe de taart eruitziet als je hem 10 minuten op 150 graden bakt, of als je de temperatuur langzaam opvoert.

2. De AI: De Snelle Proefbakker (DeepONet)

Het probleem met die digitale simulator is dat het lang duurt om één taart te "bakken". Als je duizenden variaties wilt testen, duurt het te lang.
Daarom hebben ze een AI (een Deep Operator Network of DeepONet) getraind.

• De analogie: Stel je voor dat je een meesterkok hebt die al duizenden keren heeft geoefend in de digitale keuken. Hij heeft de theorie perfect begrepen. Nu wil je hem een nieuwe, snelle manier leren om te voorspellen hoe een taart eruitziet zonder hem echt te hoeven bakken.
• De truc (FiLM): De AI moet ook rekening houden met de "starttoestand". Soms is de lijm al een beetje gehard voordat je begint (zoals een taartdeeg dat al een nacht heeft gerust). De AI is slim genoeg om dit te zien en zijn voorspelling daarop aan te passen.

3. De Realiteit: De Echte Keuken (Transfer Learning)

In de echte wereld hebben ze echter maar beperkte tijd en middelen om echte taarten te bakken en te meten. Ze kunnen niet de hele kromming van de taart tijdens het bakken meten; ze zien pas aan het einde of hij krom is.

• Het probleem: De AI is getraind op de digitale keuken (waar alles bekend is), maar moet nu werken in de echte keuken (waar ze maar één punt meten).
• De oplossing (Transfer Learning): Ze nemen de "digitale meesterkok" en laten hem een korte training doen met de echte data. Ze zeggen: "Je weet al hoe bakken werkt, maar pas je laatste stap aan zodat je voorspelling overeenkomt met wat we in de echte wereld meten." Zo wordt de AI zowel snel als accuraat voor de echte situatie.

4. De Zekerheid: De Waarschijnlijkheids-Gok (EKI)

Niets is 100% zeker. Wat als de oven een beetje onstabiel is? Wat als de meting niet perfect is?

• De analogie: In plaats van dat de AI één antwoord geeft ("De taart wordt 5 cm krom"), laten ze 2000 verschillende versies van de AI tegelijk werken.
• De Ensemble Kalman Inversion (EKI): Dit is als een groep van 2000 experts die allemaal een beetje anders gokken. Als ze allemaal ongeveer hetzelfde zeggen, zijn we er zeker van. Als ze heel verschillend zijn, weten we dat er onzekerheid is. Dit helpt om te begrijpen hoe betrouwbaar de voorspelling is.

5. De Oplossing: De Perfecte Bakrecept

Uiteindelijk gebruiken ze deze slimme AI om het perfecte bakrecept te vinden.

• Ze vragen de AI: "Wat is de temperatuur en tijd die we moeten kiezen zodat de taart zo plat mogelijk wordt, maar wel helemaal hard is?"
• De AI zoekt door miljoenen combinaties en vindt een specifiek patroon (een "tussentijdse temperatuur") dat de kromming met ongeveer 8-10% vermindert.

Samenvatting in één zin

De onderzoekers hebben een slimme AI gecreëerd die leert van virtuele simulaties, zich aanpast aan echte metingen, en met een groep van "virtuele experts" de perfecte baktemperatuur vindt om te voorkomen dat vliegtuigonderdelen kromtrekken tijdens het maken.

Het is dus een combinatie van theorie (de fysica), ervaring (de simulaties), aanpassing (de echte data) en gezonde twijfel (de onzekerheidsmeting) om een perfect product te maken.

Technische samenvatting

Titel

Probabilistische voorspellingen van procesinduced vervorming in koolstof/epoxy composieten met behulp van een Deep Operator Network.

1. Probleemstelling

Bij de fabricage van thermohardende vezelversterkte composieten (zoals koolstof/epoxy) treden er ongewenste vervormingen op, bekend als Process-Induced Deformation (PID). Deze vervorming ontstaat door:

• Het verschil in thermische uitzettingscoëfficiënt tussen de vezels en de matrix.
• Krimp van de polymeermatrix tijdens het uithardingsproces (curing).

Deze heterogeniteiten genereren residuële spanningen op verschillende lengteschalen. Wanneer deze spanningen gedeeltelijk worden vrijgegeven (bijvoorbeeld bij het dempen), leidt dit tot vervorming die het eindproduct buiten de toleranties kan brengen, wat defecten of vroegtijdig falen kan veroorzaken. Het optimaliseren van de uithardingscyclus (temperatuur-tijd profiel) is cruciaal om PID te minimaliseren, maar traditionele fysische modellen zijn vaak rekenintensief en moeilijk te koppelen aan beperkte experimentele data.

2. Methodologie

De auteurs ontwikkelen een hybride raamwerk dat fysische modellering, diep operatorleren (Deep Learning) en probabilistische inferentie combineert.

A. Fysische Basis en Validatie:

• Er wordt een tweestapsmodel gebruikt: een thermochemisch model (voor temperatuur, uithardingsgraad en viscositeit) gekoppeld aan een spannings-deformatie model.
• Het model is gevalideerd met experimentele data van asymmetrische [0/90] koolstof/epoxy laminaten (Hexply® 3501-6).
• Experimentele trials omvatten een basislijn (isotherm) en twee geoptimaliseerde niet-isotherme cycli. De initiële uithardingsgraad ($DoC_0$) werd bepaald via DSC-metingen (ongeveer 30%).

B. Deep Operator Network (DeepONet) met FiLM:

• In plaats van een standaard neurale netwerkbasis, gebruiken de auteurs een DeepONet. Dit leert de mapping tussen functieruimten (bijv. een temperatuurprofiel als inputfunctie) en outputfuncties (tijdshistorie van vervorming).
• FiLM (Feature-wise Linear Modulation): De architectuur is uitgebreid met FiLM om externe parameters te conditioneren. Specifiek wordt de branch network (die de temperatuurgeschiedenis encodeert) gemoduleerd door de initiële uithardingsgraad ($DoC_0$). Dit stelt het model in staat om te voorspellen hoe de respons varieert afhankelijk van de beginstaat van het materiaal.
• Het model voorspelt drie grootheden tegelijkertijd: uithardingsgraad ($DoC$), viscositeit en vervorming.

C. Transfer Learning:

• Omdat experimentele data vaak beperkt is tot het eindpunt (bijv. de definitieve vervorming na uitharding) en niet de volledige tijdshistorie, wordt Transfer Learning toegepast.
• Het DeepONet wordt eerst getraind op een groot dataset van hoge-fideliteit simulaties.
• Vervolgens wordt het model "fine-tuned" op de experimentele data door alleen de laatste laag van het netwerk aan te passen om de voorspelde eindvervorming te laten overeenkomen met de gemeten waarden, terwijl de onderliggende operator (geleerd uit simulaties) behouden blijft.

D. Uncertainty Quantification (UQ) met EKI:

• Om onzekerheid te kwantificeren (epistemische onzekerheid), wordt Ensemble Kalman Inversion (EKI) gebruikt.
• In plaats van kostbare MCMC-methoden, wordt een ensemble van DeepONet-modellen getraind met EKI. Dit is een gradiëntvrije methode die efficiënt is voor hoge dimensies.
• Om de rekentijd te verkorten en de efficiëntie te verhogen, worden conventionele MLP's in het DeepONet vervangen door Chebyshev-geoptimaliseerde Kolmogorov-Arnold Networks (cKANs).

3. Belangrijkste Bijdragen

1. FiLM-DeepONet Architectuur: Een nieuw raamwerk dat operatorleren combineert met conditionering op materiaaleigenschappen ($DoC_0$), waardoor volledige tijdshistorie van viscositeit en vervorming kan worden gereconstrueerd op basis van beperkte eindmetingen.
2. Transfer Learning Strategie: Een effectieve methode om simulatie-gebaseerde modellen te calibreren op schaarse experimentele data zonder overfitting, door alleen de laatste laag aan te passen.
3. Probabilistische Optimalisatie: Integratie van EKI met DeepONet voor zowel onzekerheidskwantificatie als optimalisatie van het uithardingsprofiel. Dit biedt niet alleen een voorspelling, maar ook betrouwbaarheidsintervallen.
4. Efficiëntie: Toepassing van cKANs binnen de DeepONet-structuur voor snellere ensemble-generatie en betere schaalbaarheid.

4. Resultaten

• Validatie: Het simulatiemodel toonde een goede overeenkomst met experimentele data. De voorspelde PID voor de basislijn lag binnen de experimentele standaardafwijking, en de geoptimaliseerde cycli vertoonden minder dan 10% fout ten opzichte van metingen.
• Voorspellend Vermogen: Het getrainde FiLM-DeepONet kon nauwkeurig de tijdshistorie van $DoC$, viscositeit en vervorming voorspellen voor verschillende temperatuurprofielen en initiële condities. De log-transformatie van viscositeit bleek noodzakelijk voor stabiel leren vanwege de grote dynamische range.
• Onzekerheid: De EKI-ensemble-methodiek leverde goed gekalibreerde onzekerheidsintervallen op. De voorspellingen met transfer learning kwamen nauwkeurig overeen met de experimentele eindpunten, terwijl de onzekerheid in de eerdere tijdsfasen (waar geen data was) conservatief werd weergegeven.
• Optimalisatie: Het raamwerk slaagde erin een nieuw, geoptimaliseerd temperatuurprofiel te vinden (met een intermediair punt bij ca. 1,61 min en 133°C) dat de uiteindelijke vervorming minimaliseerde terwijl de volledige uitharding ($DoC \geq 0,99$) werd gegarandeerd. Dit resulteerde in een reductie van de vervorming van ongeveer 8-10% ten opzichte van de basislijn.

5. Betekenis en Conclusie

Dit onderzoek biedt een krachtige, datagedreven oplossing voor een langdurig probleem in de composite-fabricage. Door fysisch gebaseerde simulaties te koppelen aan geavanceerde deep learning (DeepONet) en probabilistische inferentie (EKI), creëren de auteurs een surrogaatmodel dat:

• Data-efficiënt is (werkt met beperkte experimentele data).
• Robuust is (kwantificeert onzekerheid expliciet).
• Optimaliseerbaar is (kan direct worden gebruikt om uithardingscycli te ontwerpen).

De methode is niet alleen toepasbaar op dit specifieke koolstof/epoxy systeem, maar biedt een algemeen raamwerk voor het ontwerp van fabricageprocessen voor andere materialen onder onzekerheid, wat leidt tot minder defecten en efficiëntere productie in sectoren zoals lucht- en ruimtevaart en windenergie.