一种用于检测复合板材CLT物理性能的方法

本发明涉及复合板材检测技术领域，具体是指一种用于检测复合板材clt物理性能的方法。

背景技术：

正交层积木(clt)是指一种至少由涂布有结构用胶黏剂的三层或三层以上实木锯材或结构用木质复合材(structuralcompositelumber，scl)相邻层相互垂直组坯加压预制而成的实体木质工程材，主要用于屋盖、楼板和墙体等木结构构件。正交层积木具有优异的尺寸稳定性和双向强度以及良好的抗震性，还能隔音和防火，在建筑中可替代钢筋混凝土作为承重结构。

随着正交层积木(clt)应用领域的不断扩大，正交层积木的力学性能成为衡量其应用的重要指标。现有的对正交层积木的物理性能进行检测的方法，需要对正交层积木进行破坏，由于正交层积木是由实木锯材或结构胶黏剂压制而成的实木板材，板材结构复杂，除了传统的破坏性实验，力学性能难以检测，但是由于传统的破坏性试验方法对材料造成了损坏，造成了材料的浪费，还对人力造成浪费；而近年来，clt材料的制造工艺和材料性能等方面已经进行了较多的研究，将软件仿真结果与试验测得的数据结合开展的研究成为了目前流行的研究方法。

技术实现要素：

为解决上述现有难题，本发明提供了一种误差极小、节约板材、节省时间、运算更量小，利用近红外光谱技术与深度学习相结合，对clt木板的力学强度进行无损预测，通过数值分析和实际测量结合的方法预测竹木复合clt面板的力学性能，不仅有利于木材资源的充分利用，还可以进一步保障木材的质量的用于检测复合板材clt物理性能的方法。

本发明采取的技术方案如下：本发明一种用于检测复合板材clt物理性能的方法，包括以下步骤：

s1：预处理：复合板材clt的单元板材包括毛竹和铁杉，首先对毛竹和铁杉进行处理分别得到展平竹板与木板；

s2：单一板材力学性能测试：分别为两个单元板材展平竹板与木板通过光谱仪与万能试验机对单一板材的红外光谱和力学数据进行测量，测得各向静曲强度与弹性模量；

s3：单元板材建立力学性能预测模型建立与选取：通过设置材料数据，设置网络层数进行各物理模型分别预测，并与实测值进行对比，选定dbn-lsvr的力学性能预测模型；

s4：建立网格并进行clt试件有限元分析：根据近红外扫描得出的结果进行模型建立，并对其划分各网格数的网格结构为进行网格无关型验证，利用dbn-lsvr的力学性能预测模型对clt试件进行有限元分析，并根据各结果进行网格无关型验证，确定所取网格的合理；

s5：clt板有限元分析：根据clt试件有限元分析的网格密度对clt板进行有限元分析得出板材的静曲强度(mor)与弹性模量(moe)。

进一步地，所述步骤s1中对毛竹高温软化后将毛竹展平形成展平竹板，对铁杉进行切割处理。

进一步地，所述步骤s3中对板材预测流程中，结合深度学习，在深度学习过程中采用无监督学习与有监督学习相结合的方法，并对实际板材进行试验为深度学习提供数据源。

进一步地，所述步骤s4中网格的划分应根据深度学习过程中之前实验所用密度的应是各实验密度的误差加权均值，并逐渐递增。

采用上述结构本发明取得的有益效果如下：本方案一种用于检测复合板材clt物理性能的方法，木材作为各向异性材料，其力学性能的表征非常复杂，本方案从这一角度出发，利用近红外光谱技术与深度学习相结合，对clt木板的力学强度进行无损预测，通过数值分析和实际测量结合的方法预测竹木复合clt面板的力学性能，不仅有利于木材资源的充分利用，还可以进一步保障木材的质量，具有误差极小，节约板材，节省时间，运算更量小等优点，便于推广使用。

附图说明

图1是本发明一种用于检测复合板材clt物理性能的方法的整体结构示意图；

图2是本发明一种用于检测复合板材clt物理性能的方法的预测流程示意图。

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1-2所示，本发明一种用于检测复合板材clt物理性能的方法，包括以下步骤：

s1：预处理：复合板材clt的单元板材包括毛竹和铁杉，首先对毛竹和铁杉进行处理分别得到展平竹板与木板；

s2：单一板材力学性能测试：分别为两个单元板材展平竹板与木板通过光谱仪与万能试验机对单一板材的红外光谱和力学数据进行测量，测得各向静曲强度与弹性模量；

s3：单元板材建立力学性能预测模型建立与选取：通过设置材料数据，设置网络层数进行各物理模型分别预测，并与实测值进行对比，选定dbn-lsvr的力学性能预测模型；

s4：建立网格并进行clt试件有限元分析：根据近红外扫描得出的结果进行模型建立，并对其划分各网格数的网格结构为进行网格无关型验证，利用dbn-lsvr的力学性能预测模型对clt试件进行有限元分析，并根据各结果进行网格无关型验证，确定所取网格的合理；

s5：clt板有限元分析：根据clt试件有限元分析的网格密度对clt板进行有限元分析得出板材的静曲强度与弹性模量。

所述步骤s1中对毛竹高温软化后将毛竹展平形成展平竹板，对铁杉进行切割处理。所述步骤s3中对板材预测流程中，结合深度学习，在深度学习过程中采用无监督学习与有监督学习相结合的方法，并对实际板材进行试验为深度学习提供数据源。所述步骤s4中网格的划分应根据深度学习过程中之前实验所用密度的应是各实验密度的误差加权均值，并逐渐递增，以减少不必要的资源浪费。

实施例，对铁杉的静曲强度(mor)与弹性模量(moe)进行预测,采用dbn-lsvr的力学性能预测模型，通过与dbn、lsvr、bp三个模型预测结果进行对比，如下表1所示。

表1铁杉mor和moe预测值

对展平竹的静曲强度(mor)与弹性模量(moe)进行预测，采用dbn-lsvr的力学性能预测模型，通过与dbn、lsvr、bp三个模型预测结果进行对比，如下表2所示。

表2展平竹mor和moe预测值

结合表1与表2，可以看出dbn-lsvr和dbn评价指标数值明显小于lsvr、bp，说明使用dbn对特征进行学习可以有效降低预测误差。

通过实际四点弯曲实验和有限元数值模拟对比分析，取点的间隔为0.5mm，竹木复合clt试件在18mm位移时总的曲线误差系数为0.2988，在达到最大载荷时两者误差系数为0.0178，施加12mm位移时误差系数最小为0.0015；竹木复合clt板在取位移为32mm时总的误差系数为3.7721，取位移9mm和22mm时误差系数达到极小值，分别为0.0194和0.3122。在材料的弹性阶段起主要作用的是moe，结果表明用有限元软件进行数值模拟弯曲试验是可行的。

以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。