Modeling, analysis and optimization via neural networks of imperfect variable-stiffness laminates

The main focus when designing an aeronautical structure is to maintain the structural mass as low as possible. This can be achieved by improving the load carrying capability using Variable-Stiffness (VS) panels, which can redistribute the load path in an optimal way. The manufacturing process of composite panels can be done using Automated Fiber Placement (AFP) technology, which is capable of placing fibers along curved paths. However, this technique intrinsically introduces defects in the layup, which can be either beneficial or detrimental to both the stiffness and the mass of the laminate. Scope of this thesis is introducing the presence of manufacturing defects in a semi-analytical approach based on the Ritz method for the analysis of VS composite panels. A dedicated integration rule and recovery of the critical buckling load are introduced to reach convergence in the results of the analysis. This method has the peculiarity of being faster than classical Finite Element Method (FEM) that requires a dense mesh to reach convergence, thus slowing down the computational speed of the structural solver. The Ritz method is combined with a Genetic Algorithm (GA) in a surrogate optimization framework to design the curvilinear fiber paths, including the effect of imperfections. The surrogate model is composed of two different parts, the encoder and the Recurrent Neural Network (RNN). The encoder, which forms the first part of an autoencoder, is able to process images that represent not only the tows trajectories but also the manufacturing defects distribution of each ply, and compress them to retain solely the most important features. The RNN takes as input the compressed images and returns as output the corresponding buckling critical load. The so-obtained tool is a useful means for optimizing advanced composite structures while including the effect of manufacturing.

L’obiettivo principale nella progettazione di una struttura aeronautica è la minimizzazione della massa strutturale. Questo risultato può essere raggiunto migliorando la capacità della struttura di sostenere il carico mediante l’impiego di pannelli a rigidezza variabile, in grado di ridistribuire il percorso di carico in maniera ottimale. La fabbricazione di pannelli in composito è resa possibile grazie alla tecnologia di deposizione automatica delle fibre, che consente di posizionarle lungo traiettorie curvilinee. Tuttavia, questa tecnica introduce intrinsecamente difetti nel laminato che possono risultare benefici o dannosi sia per la rigidezza che per la massa della struttura. Lo scopo di questa tesi è introdurre la presenza di difetti di fabbricazione in un approccio semi-analitico basato sul metodo di Ritz per l’analisi di pannelli in composito a rigidezza variabile. Inoltre, vengono introdotte una regola di integrazione dedicata e un recupero del carico critico di instabilità per garantire la convergenza dei risultati dell’analisi. Questo metodo presenta la peculiarità di essere più veloce rispetto ai classici metodi agli elementi finiti che richiedono una mesh fitta per raggiungere la convergenza, rallentando così l’efficienza computazionale del solutore del problema strutturale. Il metodo di Ritz è combinato con un algoritmo genetico in un’ottimizzazione surrogata per individuare le traiettorie curvilinee ottimali delle fibre, includendo l’effetto delle imperfezioni. Il modello surrogato è costruito mediante tecniche di Machine Learning ed è composto da due parti: un encoder e una rete neurale ricorrente (RNN). L’encoder, la prima parte di un autoencoder, è in grado di elaborare immagini che rappresentano non solo le traiettorie delle fibre ma anche la distribuzione dei difetti di ogni lamina, e comprimerle per conservarne solo le caratteristiche più rilevanti. La RNN riceve in input le immagini compresse e restituisce in output il corrispondente carico critico di instabilità. Lo strumento così ottenuto è un mezzo efficace per l’ottimizzazione di strutture avanzate in composito, includendo gli effetti della produzione.