Polymer composite joints are critical aerospace components for reinforcing lightweight structures and achieving high eco-efficiency transportation standards. Optimizing complex structural joints is an iterative process. Fast and reliable numerical approaches are needed to overcome the runtime limitations of high-fidelity Finite Element (FE) modeling. This work proposes a computationally efficient approach based on the design tool, HyperX. Verification against FE models and experimental validation are presented for the composite Y-joint in the D8 double bubble fuselage. Results show that the failure load of the Y-joint is predicted within 10% of the experimental failure load recorded. Two parametric studies are performed to study the effects of the curvature of the joint (110{\deg} - 160{\deg}) and the skin thickness (16ply, 24ply, 32ply) in the failure load predictions using a stress-based failure criterion. The maximum failure load occurred for a Y-joint with 130{\deg} curvature. The 32ply skin Y-joint was predicted to have the highest failure load. Results prove the applicability of rapid joint optimization analysis for faster, computationally efficient design.


翻译:聚合复合联合体是加强轻量结构并达到高生态效率运输标准的关键航空航天部分。优化复杂的结构联合体是一个迭接过程。需要快速和可靠的数字方法来克服高纤维性精度元素(FE)建模的运行时间限制。这项工作提出基于设计工具HyperX的计算效率方法。FE模型的核查和实验性验证是D8双倍泡沫机身中复合Y-联合体的测试。结果显示,Y联合体的故障负荷预测在所记录的实验性故障负荷的10%之内。进行了两项参数研究,以研究联合体(110-deg}-160-deg})和皮肤厚度(16ply,24ply,32ply)在使用基于压力的故障标准进行失败预测时的运行效率。在与130 deg}曲线的Y联合体中出现最大故障负荷。预测,32ply皮肤Y联合体的故障负荷最高。结果证明快速联合优化分析对更快、计算高效的设计的适用性。

0
下载
关闭预览

相关内容

不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
19+阅读 · 2022年7月29日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
相关基金
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员