CN112464541B - 一种考虑多尺度不确定性的混合复合材料铺层方法 - Google Patents

Abstract

本发明公开了一种考虑多尺度不确定性的混合复合材料铺层方法。包括选择备选材料集合，并获得备选材料集合的微观属性，通过多尺度分析模型获得备选材料集合的宏观属性的分布类型；利用宏观属性及其分布类型确定备选材料集合的宏观有限元模型；构建备选材料集合的微观属性与混合复合材料参数的神经网络模型，对训练后的神经网络模型计算均方误差MSE，根据均方误差MSE来判断训练后的神经网络模型的准确性，使用遗传算法对备选材料集合的选择和层堆叠序列的选择进行优化处理。本发明的方法使用了多种优化算法，大大减小了设计人员与计算机的负担，大大提高计算速度，也提高了优化的准确性，同时也更加符合工程实际应用。

Description

一种考虑多尺度不确定性的混合复合材料铺层方法

技术领域

本发明属于纤维增强复合材料堆垛顺序与材料分布优化的方法领域，具体涉及一类混合复合材料的多尺度不确定性铺层优化方法。

背景技术

纤维增强复合材料具有在各种载荷下高强度重量比、高刚性重量比和低成本的优点，并且在汽车、船舶、民用、航空航天、建筑的应用中呈指数增长。与由单纤维和单基体组成的传统复合材料相比，混合复合材料是通过将两种或两种以上的纤维组合成一个基体来制造的。混合复合材料的性能是单个成分的加权总和，一种纤维的优点可以弥补混合复合材料中其他类型的成分所缺乏的特性。同时，针对复合材料的多尺度分析，国内外已经有一定的研究成果，能够实现微观尺度分析输出结果的稳定可靠。并且，在实际的工程运用中，多尺度分析更加符合复合材料的现实应用，分析结果与实际使用情况更加匹配。

通过对混合复合材料进行适当的多尺度不确定性工程优化设计来优化指定的性能参数，将能够更好的扩大混合复合材料的实际应用范围，扩展混合复合材料的应用前景。

发明内容

本发明的目的在于解决混合复合材料设计过程较为复杂繁琐的问题，提供一种从堆垛顺序与材料分布出发的简易多尺度不确定性混合复合材料铺层布置方法。

本发明的技术方案如下：

1)选择多种不同的复合材料作为混合复合材料的备选材料集合其中，/>表示第一种备选材料，/>表示第二种备选材料，/>表示第三种备选材料，/>表示第n种备选材料，n表示备选材料的总和，并对备选材料集合/>的微观属性进行不确定性量化，不确定量化后得到备选材料集合/>的微观属性的分布类型，其中，备选材料集合/>的微观属性包括微观弹性属性和微观强度属性；

2)基于步骤1)获得的备选材料集合的微观属性的分布类型，通过备选材料集合/>的多尺度分析模型，将备选材料集合/>的微观属性不确定性传播到宏观层面，获得备选材料集合的宏观弹性属性与宏观强度属性的分布类型；

3)获得备选材料集合的宏观弹性属性与宏观强度属性的分布类型后，利用宏观弹性属性和宏观强度属性及其分布类型确定备选材料集合的宏观有限元模型，对备选材料集合/>和备选材料集合/>的宏观有限元模型的层堆叠序列(θ₁,θ₂,θ₃、、、θ_x)进行拉丁超立方采样后，再通过层合板方法对备选材料集合/>的宏观有限元模型进行分析，分析之后获得备选材料集合/>的性能参数/>失效参数FI和总体成本参数C；其中，θ₁表示混合复合材料中的第一层材料的堆叠角度；θ₂表示混合复合材料中的第二层材料的堆叠角度；θ₃表示混合复合材料中的第三层材料的堆叠角度；θ_x表示混合复合材料中的第x层材料的堆叠角度，x表示层堆叠序列的总和；

4)构建备选材料集合的微观属性与混合复合材料参数的神经网络模型，构建的神经网络模型包括一个输入层、一个中间层和一个输出层，其中，输入层输入所需的备选材料集合/>所需的备选材料集合/>中各个备选材料的微观弹性属性、微观强度属性以及层堆叠序列(θ₁,θ₂,θ₃、、、θ_x)，/>表示第一种备选材料，/>表示所需的第二种备选材料，/>表示所需的第三种备选材料，/>表示所需的第m种备选材料，m表示所需的备选材料的总和；输出层输出性能参数/>失效参数FI和总体成本参数C；

5)对训练后的神经网络模型计算均方误差MSE；

6)根据均方误差MSE来判断训练后的神经网络模型的准确性；

若获得的均方误差MSE小于预设的均方误差阈值，则表明构建的神经网络模型精确，进行步骤7)；

若获得的均方误差MSE大于等于均方误差阈值，则构建的神经网络模型不精确，进而基于性能预测方差对神经网络模型进行参数学习，然后回到步骤5)；

7)使用遗传算法(GA)对备选材料集合的选择和层堆叠序列(θ₁,θ₂,θ₃、、、θ_x)的选择进行优化处理，获得混合复合材料铺层中各层材料选择和各层堆叠角度。

所述步骤1)中，对所述的备选材料集合的微观属性进行不确定性量化，具体是：

首先，将备选材料集合的微观弹性属性和微观强度属性中的各个属性参数视为不同的稀疏变量y，在稀疏变量y采样分布的不同的分布类型θ_k和不同的分布参数ε下处理统计获得以下公式表示的稀疏变量y的概率密度函数f_y(y|ε,θ_k)：

其中，L(ε,θ_k)为稀疏变量y在分布类型θ_k和分布参数ε下的似然估计值，∫L(ε,θ_k)dε为稀疏变量y的似然估计值对分布参数ε的积分，θ_k表示第k个分布类型；

根据稀疏变量y在不同的分布类型θ_k和不同的分布参数ε下的所有似然估计值统计获得稀疏变量y的最大似然估计值L_max(ε,θ_k)，然后采用最小信息准则法计算不同的分布类型θ_k的信息熵AIC_k：

AIC_k＝2num_k-2ln(L_max(ε,θ_k))

式中，num_k表示分布参数ε的数量，L_max(ε,θ_k)表示稀疏变量y在分布类型θ_k和分布参数ε下的最大似然估计值，AIC_k表示第k个分布类型的信息熵，k表示分布类型的序数；

接着，采用以下公式获得不同分布类型的概率值P_{θ_k}：

P_{θ_k}＝exp((AIC_min-AIC_k)/2)

式中，AIC_min表示最小的信息熵；

最后，将概率值P_{θ_k}大于分布类型概率阈值P_Δ的分布类型θ_k作为稀疏变量y的分布类型，即为该稀疏变量y对应的备选材料集合的微观属性的分布类型。

所述步骤7)中，使用遗传算法(GA)对备选材料集合的选择和层堆叠序列(θ₁,θ₂,θ₃、、、θ_x)的选择进行优化处理，具体是：优化变量为层堆叠序列(θ₁,θ₂,θ₃、、、θ_x)和备选材料集合/>

利用精确的神经网络模型输出获得的性能参数并构建性能参数/>的稳健优化函数f₁：

θ＝(θ₁,θ₂,θ₃、、、θ_x)

其中，mean表示取均值，std表示取标准差，p为权重系数，表示备选材料选择的最终方案集合，θ表示层堆叠序列的最终方案；θ₁表示混合复合材料中的第一层材料的堆叠角度；θ₂表示混合复合材料中的第二层材料的堆叠角度；θ₃表示混合复合材料中的第三层材料的堆叠角度；θ_x表示混合复合材料中的第x层材料的堆叠角度，x表示层堆叠序列的总和；表示最终方案集合中的第一种材料，/>表示最终方案集合中的第二种材料，/>表示最终方案集合中的第三种材料，/>表示最终方案集合中的第j种材料，j表示最终方案集合中的材料的总和；

用罚函数法，并建立以下惩罚目标函数

其中，λ表示惩罚参数，α表示小正公差系数，g表示失效参数FI和总体成本参数C的不等式约束，h表示混合复合材料的受力平衡约束；

同时设定失效参数FI和总体成本参数C的约束条件；以惩罚目标函数最大化为目标进行求解获得备选材料选择的最终方案集合/>和层堆叠序列的最终方案θ的两个参数结果；

所述步骤6)中，基于性能预测方差对神经网络模型参数学习的方法，具体步骤是：

6.1)从步骤4)输入的神经网络模型中所需的备选材料集合中各个备选材料的微观弹性属性、微观强度属性以及层堆叠序列(θ₁,θ₂,θ₃、、、θ_x)以及所需的备选材料集合中各自随机选择后组建一个输入数据集合作为样本点；样本点通过神经网络模型处理预测获得每个样本点的性能参数/>失效参数FI和总体成本参数C；

6.2)重复步骤6.1)进行多次处理获得多个样本点及其对应的性能参数失效参数FI和总体成本参数C；

6.3)采用公式计算得到每个样本点的特征值γ_i：

γ_i＝ω_ilog(u⁽ⁱ⁾)

u⁽ⁱ⁾＝rand(0,1)

其中，ω_i为计算第i个样本点得到的性能参数值，γ_i表示第i个样本点的特征值，rand(0,1)表示产生一个0到1之间的随机数，u⁽ⁱ⁾表示第i个样本点对应的随机数；

6.4)选择最大特征值的样本点，利用样本点的输入数据集合重新训练神经网络模型，以更新神经网络模型的参数；

6.5)回到步骤5)。

本发明的有益效果如下：

1)本发明从微观尺度开始对混合复合材料进行堆垛顺序和材料分布的优化，与从宏观尺度开始优化混合复合材料相比较，分析更加准确，同时也更加符合工程实际应用。

2)单一复合材料本身因为其独特的组成成分，使其在设计与制作方面显得极其复杂，进而，在计算机设计优化方面就十分考验计算机的性能，但是，混合复合材料相较于单一复合材料而言就显得更加复杂，所以这里使用了多种优化算法，大大减小了设计人员与计算机的负担，同时也增加了优化的准确性。

3)相较于传统的遗传算法(GA)而言，这里提出了新的惩罚目标函数，其目的在于减少不符合约束条件的优化变量，这将进一步的减少计算机的计算负担，大大提高计算速度，提高优化的准确性。

总之，本发明的方法使用了多种优化算法，大大减小了设计人员与计算机的负担，大大提高计算速度，也提高了优化的准确性，同时也更加符合工程实际应用。

附图说明

图1为本发明中实施例的混合复合材料模型示意图；

图2为本发明中实施例的堆叠顺序和材料补丁优化的迭代过程；

图3为本发明中混合复合材料有限元分析流程；

图4为本发明中混合复合材料优化流程。

具体实施方式

以下结合附图和实施例对本发明作进一步的描述，但本发明的保护范围并不仅限于此，本发明的方法具体包括以下步骤，如图3和图4所示：

1.确定好需要分析的混合复合材料的基本信息：边界条件为四边简支的九层混合复合材料，长L＝0.508m，宽W＝0.406m，每层的厚度为ΔT＝0.125mm。最大的总体成本参数C＝9.5USD，失效概率的最小值为其中，可靠性参数P_f与失效参数FI的关系为：P_f＝P[1-FI≤0]，P为混合复合材料受到的分布力。选择三种备选材料：材料Ⅰ、材料Ⅱ、材料Ⅲ，后续计算中将用“1”代表材料Ⅰ，“2”代表材料Ⅱ，“3”代表材料Ⅲ；层堆叠序列从角度[-45,45,0,90]中选择并重新组合。性能参数/>定为固有频率F_f。建立混合复合材料模型示例如图1所示。

2.对备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的微观属性进行不确定性量化：具体是：

首先，将备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的微观弹性属性和微观强度属性中的各个属性参数视为不同的稀疏变量y，在稀疏变量y采样分布的不同的分布类型θ_k和不同的分布参数ε下处理统计获得以下公式表示的稀疏变量y的概率密度函数f_y(y|ε,θ_k)：

其中，L(ε,θ_k)为稀疏变量y在分布类型θ_k和分布参数ε下的似然估计值，∫L(ε,θ_k)dε为稀疏变量y的似然估计值对分布参数ε的积分，θ_k表示第k个分布类型；

根据稀疏变量y在不同的分布类型θ_k和不同的分布参数ε下的所有似然估计值统计获得稀疏变量y的最大似然估计值L_max(ε,θ_k)，然后采用最小信息准则法计算不同的分布类型θ_k的信息熵AIC_k：

AIC_k＝2num_k-2ln(L_max(ε,θ_k))

式中，num_k表示分布参数ε的数量，L_max(ε,θ_k)表示稀疏变量y在分布类型θ_k和分布参数ε下的最大似然估计值，AIC_k表示第k个分布类型的信息熵，k表示分布类型的序数；

接着，采用以下公式获得不同分布类型的概率值P_{θ_k}：

P_{A_k}＝exp((AIC_min-AIC_k)/2)

式中，AIC_min表示最小的信息熵；

最后，将概率值P_{θ_k}大于分布类型概率阈值P_Δ的分布类型θ_k作为稀疏变量y的分布类型，即为该稀疏变量y对应的备选材料集合的微观属性的分布类型。

不确定性量化后获得备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的微观属性的分布类型，其中，备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的微观属性量有微观弹性属性和微观强度属性。

3.基于步骤2获得的备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的微观属性的分布类型，通过备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的多尺度分析模型，将备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的微观属性不确定性传播到宏观层面，获得备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的宏观弹性属性与宏观强度属性的分布类型；

4.获得备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的宏观弹性属性与宏观强度属性的分布类型后，利用宏观弹性属性和宏观强度属性及其分布类型确定备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的宏观有限元模型，对备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)和备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的宏观有限元模型的层堆叠序列(θ₁,θ₂,θ₃、、、A_x)进行拉丁超立方采样后，再通过层合板方法对备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的宏观有限元模型进行分析，分析之后获得备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的固有频率F_f、失效参数FI和总体成本参数C；

5.构建备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的微观属性与混合复合材料参数的神经网络模型，构建的神经网络模型包括一个输入层、一个中间层和一个输出层，其中，输入层输入备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)，备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)中各个备选材料的微观弹性属性、微观强度属性和层堆叠序列(θ₁,θ₂,θ₃、、、θ_x)；输出层输出固有频率F_f、失效参数FI和总体成本参数C；

6.对训练后的神经网络模型计算均方误差MSE；

7.根据均方误差MSE来判断训练后的神经网络模型的准确性；

若获得的均方误差MSE小于预设的均方误差阈值，则表明构建的神经网络模型精确，进行步骤8)；

若获得的均方误差MSE大于等于均方误差阈值，则构建的神经网络模型不精确，进而基于性能预测方差对神经网络模型进行参数学习，然后回到步骤6)；具体步骤是：

7.1)从步骤5)输入的神经网络模型中备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)中各个备选材料的微观弹性属性、微观强度属性和层堆叠序列(θ₁,θ₂,θ₃、、、θ_x)以及所需的备选材料集合中各自随机选择后组建一个输入数据集合作为样本点；样本点通过神经网络模型处理预测获得每个样本点的性能参数失效参数FI和总体成本参数C；

7.2)重复步骤7.1)进行多次处理获得多个样本点及其对应的固有频率F_f、失效参数FI和总体成本参数C；

7.3)采用公式计算得到每个样本点的特征值γ_i：

γ_i＝ω_ilog(u⁽ⁱ⁾)

u⁽ⁱ⁾＝rand(0,1)

其中，ω_i为计算第i个样本点得到的性能参数值，γ_i表示第i个样本点的特征值，rand(0,1)表示产生一个0到1之间的随机数，u⁽ⁱ⁾表示第i个样本点对应的随机数；

7.4)选择最大特征值的样本点，利用样本点的输入数据集合重新训练神经网络模型，以更新神经网络模型的参数；

7.5)回到步骤6)。

8.使用遗传算法(GA)对备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)的选择和层堆叠序列(θ₁,θ₂,A₃、、、A_x)的选择进行优化处理，获得混合复合材料铺层中各层材料选择和各层堆叠角度。具体是：优化变量为层堆叠序列(θ₁,θ₂,θ₃、、、θ_x)和备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)；

利用精确的神经网络模型输出获得的性能参数并构固有频率F_f的稳健优化函数f₁：

θ＝(θ₁,θ₂,θ₃、、、θ_x)

其中，mean表示取均值，std表示取标准差，p为权重系数，表示备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)选择的最终方案集合，θ表示层堆叠序列的最终方案；θ₁表示混合复合材料中的第一层材料的堆叠角度；θ₂表示混合复合材料中的第二层材料的堆叠角度；θ₃表示混合复合材料中的第三层材料的堆叠角度；θ_x表示混合复合材料中的第x层材料的堆叠角度，x表示层堆叠序列的总和；为了减少选择不合适约束条件的层堆叠序列(θ₁,θ₂,θ₃、、、θ_x)与备选材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)用罚函数法，同时建立以下惩罚目标函数/>

其中，λ表示惩罚参数，α表示小正公差系数，g表示失效参数FI和总体成本参数C的不等式约束，h表示混合复合材料的受力平衡约束；具体实施中惩罚参数λ设置为-100，小正公差系数α设置为10^-4，进而缩减了计算机进行优化所需要的时间；

同时设定失效参数FI和总体成本参数C的约束条件；以惩罚目标函数最大化为目标进行求解获得备选材料选择的最终方案集合/>和层堆叠序列的最终方案A的两个参数结果。

通过步骤8中的自适应遗传算法，不断的对层堆叠序列(θ₁,θ₂,θ₃、、、θ_x)与备选复合材料(材料Ⅰ、材料Ⅱ、材料Ⅲ)进行迭代，得到此示例中最优层堆叠序列[-45/-45/45/-45/90/-45/45/-45/-45]与备选复合材料分布[1；1；2；1；1]，相对应的固有频率值为36.58Hz，如图2所示。

本说明书所述的内容仅仅是对发明构思实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也仅仅于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (3)

1.一种考虑多尺度不确定性的混合复合材料铺层方法，其特征在于：具体包括以下步骤：

1)选择多种不同的复合材料作为混合复合材料的备选材料集合其中，/>表示第一种备选材料，/>表示第二种备选材料，/>表示第三种备选材料，/>表示第n种备选材料，n表示备选材料的总和，并对备选材料集合/>的微观属性进行不确定性量化，不确定量化后得到备选材料集合/>的微观属性的分布类型，其中，备选材料集合/>的微观属性包括微观弹性属性和微观强度属性；

2)基于步骤1)获得的备选材料集合的微观属性的分布类型，通过备选材料集合/>的多尺度分析模型，将备选材料集合/>的微观属性不确定性传播到宏观层面，获得备选材料集合/>的宏观弹性属性与宏观强度属性的分布类型；

3)获得备选材料集合的宏观弹性属性与宏观强度属性的分布类型后，利用宏观弹性属性和宏观强度属性及其分布类型确定备选材料集合的宏观有限元模型，对备选材料集合/>和备选材料集合/>的宏观有限元模型的层堆叠序列(θ₁,θ₂,θ₃、、、θ_x)进行拉丁超立方采样后，再通过层合板方法对备选材料集合/>的宏观有限元模型进行分析，分析之后获得备选材料集合/>的性能参数/>失效参数FI和总体成本参数C；其中，θ₁表示混合复合材料中的第一层材料的堆叠角度；θ₂表示混合复合材料中的第二层材料的堆叠角度；θ₃表示混合复合材料中的第三层材料的堆叠角度；θ_x表示混合复合材料中的第x层材料的堆叠角度，x表示层堆叠序列的总和；

4)构建备选材料集合的微观属性与混合复合材料参数的神经网络模型，构建的神经网络模型包括一个输入层、一个中间层和一个输出层，其中，输入层输入所需的备选材料集合/>所需的备选材料集合中各个备选材料的微观弹性属性、微观强度属性以及层堆叠序列(θ₁,θ₂,θ₃、、、θ_x)，/>表示第一种备选材料，/>表示所需的第二种备选材料，/>表示所需的第三种备选材料，/>表示所需的第m种备选材料，m表示所需的备选材料的总和；输出层输出性能参数/>失效参数FI和总体成本参数C；

5)对训练后的神经网络模型计算均方误差MSE；

6)根据均方误差MSE来判断训练后的神经网络模型的准确性；

若获得的均方误差MSE小于预设的均方误差阈值，则表明构建的神经网络模型精确，进行步骤7)；

若获得的均方误差MSE大于等于均方误差阈值，则构建的神经网络模型不精确，进而基于性能预测方差对神经网络模型进行参数学习，然后回到步骤5)；

7)使用遗传算法GA对备选材料集合的选择和层堆叠序列(θ₁，θ₂,θ₃、、、θ_x)的选择进行优化处理，获得混合复合材料铺层中各层材料选择和各层堆叠角度，最后按照混合复合材料铺层中各层材料选择和各层堆叠角度进行混合复合材料铺层；

所述步骤7)中，使用遗传算法GA对备选材料集合的选择和层堆叠序列(θ₁,θ₂,θ₃、、、θ_x)的选择进行优化处理，具体是：优化变量为层堆叠序列(θ₁,θ₂,θ₃、、、θ_x)和备选材料集合/>

利用精确的神经网络模型输出获得的性能参数并构建性能参数/>的稳健优化函数f₁：

θ＝(θ₁,θ₂,θ₃、、、θ_x)

其中，mean表示取均值，std表示取标准差，p为权重系数，表示备选材料选择的最终方案集合，θ表示层堆叠序列的最终方案；θ₁表示混合复合材料中的第一层材料的堆叠角度；θ₂表示混合复合材料中的第二层材料的堆叠角度；θ₃表示混合复合材料中的第三层材料的堆叠角度；θ_x表示混合复合材料中的第x层材料的堆叠角度，x表示层堆叠序列的总和；表示最终方案集合中的第一种材料，/>表示最终方案集合中的第二种材料，/>表示最终方案集合中的第三种材料，/>表示最终方案集合中的第j种材料，j表示最终方案集合中的材料的总和；

用罚函数法，并建立以下惩罚目标函数

其中，λ表示惩罚参数，α表示小正公差系数，g表示失效参数FI和总体成本参数C的不等式约束，h表示混合复合材料的受力平衡约束；

以惩罚目标函数最大化为目标进行求解获得备选材料选择的最终方案集合/>和层堆叠序列的最终方案θ的两个参数结果。

2.根据权利要求1所述的一种考虑多尺度不确定性的混合复合材料铺层方法，其特征在于：

所述步骤1)中，对所述的备选材料集合的微观属性进行不确定性量化，具体是：

首先，将备选材料集合的微观弹性属性和微观强度属性中的各个属性参数视为不同的稀疏变量y，在稀疏变量y采样分布的不同的分布类型θ_k和不同的分布参数ε下处理统计获得以下公式表示的稀疏变量y的概率密度函数f_y(y|ε,θ_k)：

其中，L(ε,θ_k)为稀疏变量y在分布类型θ_k和分布参数ε下的似然估计值，∫L(ε,θ_k)dε为稀疏变量y的似然估计值对分布参数ε的积分，θ_k表示第k个分布类型；

根据稀疏变量y在不同的分布类型θ_k和不同的分布参数ε下的所有似然估计值统计获得稀疏变量y的最大似然估计值L_max(ε,θ_k)，然后采用最小信息准则法计算不同的分布类型θ_k的信息熵AIC_k：

AIC_k＝2num_k-2ln(L_max(ε,θ_k))

式中，num_k表示分布参数ε的数量，L_max(ε,θ_k)表示稀疏变量y在分布类型θ和分布参数ε下的最大似然估计值，AIC_k表示第k个分布类型的信息熵，k表示分布类型的序数；

接着，采用以下公式获得不同分布类型的概率值P_{θ_k}：

P_{θ_k}＝exp((AIC_min-AIC_k)/2)

式中，AIC_min表示最小的信息熵；

最后，将概率值P_{θ_k}大于分布类型概率阈值P_Δ的分布类型θ_k作为稀疏变量y的分布类型，即为该稀疏变量y对应的备选材料集合的微观属性的分布类型。

3.根据权利要求1所述的一种考虑多尺度不确定性的混合复合材料铺层方法，其特征在于：

所述步骤6)中，基于性能预测方差对神经网络模型参数学习的方法，具体步骤是：

6.1)从步骤4)输入的神经网络模型中所需的备选材料集合中各个备选材料的微观弹性属性、微观强度属性以及层堆叠序列(θ₁,θ₂,θ₃、、、θ_x)以及所需的备选材料集合中各自随机选择后组建一个输入数据集合作为样本点；样本点通过神经网络模型处理预测获得每个样本点的性能参数/>失效参数FI和总体成本参数C；

6.2)重复步骤6.1)进行多次处理获得多个样本点及其对应的性能参数失效参数FI和总体成本参数C；

6.3)采用公式计算得到每个样本点的特征值γ_i：

γ_i＝ω_ilog(u⁽ⁱ⁾)

u⁽ⁱ⁾＝rand(0,1)

其中，ω_i为计算第i个样本点得到的性能参数值，γ_i表示第i个样本点的特征值，rand(0,1)表示产生一个0到1之间的随机数，u⁽ⁱ⁾表示第i个样本点对应的随机数；

6.4)选择最大特征值的样本点，利用样本点的输入数据集合重新训练神经网络模型，以更新神经网络模型的参数；

6.5)回到步骤5)。