UAM机身结构：AI预测建模+自动化复材大数据驱动

摘要：全球各大都市因城市化快速扩张衍生交通拥堵、空气污染等突出难题，城市空中交通（UAM）—— 尤其是电动推进式飞行器，成为极具潜力的解决方案。UAM 商业化落地的核心前提是机身轻量化设计，同时保证结构完整性。本文提出一套融合自动化复合材料制造、人工智能材料性能预测的一体化轻量化优化设计流程。以 6061 铝合金为基准，分别对玻璃纤维、玄武岩纤维、碳纤维增强复合材料（GFRP/BFRP/CFRP）开展同等变形条件下的有限元分析（FEA），推导满足刚度要求的设计材料弹性模量与减重指标。依托自动化成型工艺搭建大规模纤维增强复合材料试验数据库，并基于 Altair AI Studio  开发深度学习回归模型，预测未开展试验的材料体系与成型工艺对应的力学性能。将模型预测性能参数代入 UAM 机身有限元模型，仿真结果表明：复合材料结构可实现与铝合金等效甚至更优的刚度表现，最大减重幅度达 50%；逆储备系数（IRF）分析验证全构型结构安全，所有方案 IRF 均小于 1。本文提出的 AI 驱动设计框架提供一套可规模化、数据驱动的轻量化设计方法，适用于下一代城市空中交通与先进空中机动飞行器机身结构开发。

1 引言

城市化与人口激增让大型城市普遍面临交通拥堵、大气污染等城市问题，城市空中交通（UAM）作为替代方案受到广泛关注，面向环保电动 UAM 的技术研发持续推进 。

UAM 飞行器高效、安全运行的核心要求是机身同时实现轻量化与结构耐久 。常规航空器中，除去机翼、动力、尾翼，机身结构占整机结构重量 20%~30%；UAM 机身占比相近，为 17%~25%。因此，降低机身自重是削减 UAM 整机总质量的有效路径。

纤维增强聚合物复合材料（FRP）比刚度、比强度远优于传统金属材料。以碳纤维复合材料（CFRP）为例，依据纤维铺层角度、体积分数不同，其比刚度可达铝合金的 3~5 倍，在不降低承载能力的前提下实现结构减重。但 FRP 力学性能存在离散性，可用变异系数（CV）量化，依据纤维种类、铺层方案、成型稳定性，变异系数普遍在 5%~15% 区间。传统手工铺放工艺下，拉伸、弯曲性能变异系数常超 10%，性能波动高度依赖操作人员水平与成型工艺偏差 。材料性能离散会直接降低复合材料强度、弹性模量等核心设计参数的精度，制约结构设计可靠性。因此近年研究普遍引入自动化成型工艺，减少人为误差、提升生产一致性 。

除制造自动化外，人工智能与深度学习技术为解决复合材料性能离散问题提供新思路。机器学习预测模型已广泛用于依托材料组分、工艺参数估算纤维复材力学性能。该类数据驱动方法可快速筛选材料组合、优化成型工艺，大幅降低试验成本与研发周期。

深度神经网络能够精准捕捉复合材料体系中工艺变量与力学性能间的非线性关联，这套 AI 辅助材料设计框架已成为航空、先进交通领域加速复合材料优化的主流技术路线 。

选取 FRP 材料组分、成型关键参数作为模型输入，依托自动化复材成型系统制备标准试样，搭建完整力学性能大数据库；采用 Altair 商用 AI Studio 软件完成数据管理与分析，构建深度学习回归预测模型。随后开展金属板材、复合材料层合板单元级结构分析，提取适配 UAM 机身的设计材料性能；再利用预测模型反推满足目标力学性能的最优工艺与材料配比；最终将预测材料参数导入 UAM 机身有限元仿真，验证复合材料机身结构完整性。

最终目标：融合自动化制造、数据建模、预测仿真，建立一套系统化 UAM 零部件轻量化结构设计分析流程。

尽管复合材料、自动化成型技术已有大量研究，但针对 UAM 机身，同时打通结构刚度计算、大规模制造数据库、AI 预测建模的一体化设计框架仍存在空白。现有研究大多单独聚焦材料性能提升或结构优化，缺少闭环式数据驱动设计体系。

因此，本文创新点在于提出一套统一、以刚度为约束的 AI 轻量化设计框架，整合自动化复材成型、数据库搭建、性能预测、整机机身结构验证全流程。区别于传统单一材料对比研究，该方法具备可扩展性，可适配下一代航空复合材料结构开发。

2 设计流程

区别于传统航空零部件设计的全新流程，实现 UAM 飞行器零部件高效、系统化轻量化开发，专门面向 UAM 机身 FRP 复合材料，兼顾轻量化目标与结构强度要求。

通过量化评估 FRP 替代金属的减重潜力，形成一套同步实现轻量化、保障结构完整性的复合材料设计流程。

与传统方法不同（如图1），本流程先通过板材单元结构分析确定设计刚度，反推所需弹性模量；再依托自动化产线采集大规模材料数据，训练预测模型，快速估算难以通过试验获得的工艺参数与材料性能组合。

图1 传统复材设计流程与新流程对比

图2 完整流程示意图

如图 2 所示，框架实现结构分析、自动化制造、数据库、AI 预测建模闭环联动。传统复材设计高度依赖反复试验校核，本方法先通过板材单元分析锁定目标刚度，再用训练完成的深度学习模型匹配最优材料配方与成型工艺；将预测材料性能直接导入机身有限元仿真，快速校核结构强度与减重效果。整套工作流大幅削减试验试错次数，同时可拓展至各类航空复合材料结构。

3 材料单元轻量化与刚度设计

3.1 单元减重模型设计

选取航空领域广泛使用的 6061 铝合金作为基准材料，量化评估 FRP 用于 UAM 机身的减重潜力，分别对比玻璃纤维复材（GFRP）、玄武岩纤维复材（BFRP）、碳纤维复材（CFRP）的力学行为与刚度特性。

各类材料密度、弹性模量、拉伸强度等基础物性取自过往试验数据与 ANSYS 2022 R2 内置材料库；采用混合法则估算有效弹性模量，依据纤维、基体体积分数计算纵向、横向弹性参数 。

6061 铝合金物性取自 ANSYS 工程数据库，弹性模量 E≈71 GPa，泊松比 ν≈0.33，与航空领域标准试验数据完全吻合；复合材料正交各向异性弹性常数不直接采用软件默认库，全部由板材单元刚度试验结果修正，保证材料表征与仿真一致性。

为实现可控边界下的刚度对比，将机身结构简化为标准平板模型，是航空初步结构设计通用简化手段：先独立分析面板单元力学行为，再开展整机装配仿真。本文核心目标是同等变形约束下提取目标刚度，平板模型可隔离材料本身带来的刚度差异；航空机身面板厚跨比符合薄壁件假设，简化模型具备合理性。

采用 1:1 长宽比 100 mm×100 mm 方形平板模型，基准铝板厚度 3 mm；调整复合材料板厚度，对应不同减重比例。开展板材有限元分析，求解与铝合金变形完全一致时各类复合材料所需等效弹性模量。模型厚度、质量、减重比例，如表 1 所示。

表1 建模所用材料与几何参数

施加 100 N 中心静载荷作为标准载荷，用于统一对比不同材料变形刚度；线性弹性分析下变形量与载荷成正比，载荷数值不影响材料间刚度相对对比。

模型四边全固支，上表面中心沿 Z 轴垂直施加 100 N 均布集中载荷（图 3）；采用 ANSYS 求解器完成有限元计算，对比各模型最大变形、等效应力、逆储备系数 IRF，评估不同复材减重效率与刚度表现。

图3 平板单元模型边界条件示意图

3.2 板材单元结构分析结果

基于 ANSYS 完成铝合金、GFRP、BFRP、CFRP 平板仿真，求解同等变形约束下各材料最大变形、等效应力、等效弹性模量。系统将复合材料减重比例从 5% 调整至 45%，计算对应板重与匹配刚度所需弹性模量（图 4）。

仿真结果显示：板厚减薄后复合材料结构刚度规律性变化；CFRP 比刚度最优，减重性能最强。本节求解得到的等效弹性模量作为下一章 AI 预测模型的目标输出参数。

图4 轻量化复合材料板材结构刚度分析结果

4 数据库搭建与设计变量提取

4.1 材料试验数据采集

传统手工铺放 FRP 存在诸多缺陷：操作人员水平差异带来质量波动、重复工序降低生产效率、成型过程易引入工艺误差。本文搭建自动化复合材料成型系统，消除人为操作偏差、提升生产一致性。

对比手工、自动化成型试样力学性能离散度：手工试样平均拉伸强度 415.2 MPa，标准差 10.45 MPa；自动化试样平均拉伸强度 427.7 MPa，标准差 6.23 MPa。自动化成型拉伸强度标准差降低约 30%，大幅提升试验重复性，保证数据库与后续预测模型可靠性。

整套自动化产线覆盖中间坯制备、自动化铺层、热压成型全流程（图 5），稳定生产物性统一的 FRP 试样。

图5 FRP 材料试验数据库自动化成型工艺流程

依据 ASTM D3039 标准开展拉伸、弹性模量、泊松比力学测试，搭建完整材料数据库 。

输入变量：纤维种类、织物编织结构、树脂含量、成型压力 / 保温时间 / 固化温度；

共设置 218 组差异化成型工艺，全部试样完成力学测试，累计 3270 条有效试验数据。

数据集作为 AI 预测模型、优化算法的核心训练样本，大幅提升复合材料设计、工艺优化效率。

数据库结构化存储材料组分、工艺参数、实测力学性能：

输入特征：纤维类型、编织方式、纤维体积分数、树脂牌号、固化温度、固化压力、固化时长；

输出特征：拉伸强度、弯曲强度、弹性模量、层间剪切强度；

每条数据对应唯一材料 - 工艺组合与配套力学测试结果，支持相关性分析与预测建模。

4.2 深度学习模型架构与训练配置

依托自动化成型数据集，采用 Altair AI Studio 搭建深度学习预测模型，求解轻量化结构设计所需目标力学性能。

选用 Altair AI Studio 的原因：适配工业完整工作流、机器学习交互界面友好；本文核心目标不是创新深度学习算法，而是搭建一套可直接落地工业复材产线的 AI 设计框架。相较于开源底层代码框架，该软件集成数据预处理、相关性分析、回归建模一体化工具，可快速对接工程设计仿真流程；模型采用标准前馈神经网络，可在其他机器学习平台复现。

3270 条试验数据随机划分：训练集 70%（2289 条）、验证集 15%（491 条）、测试集 15%（490 条）；随机打乱分配，三组数据集无重叠，测试集全程不参与训练，仅用于最终泛化性能评估，杜绝数据泄露。

建模前开展输入、输出变量相关性分析，剔除低影响特征，提升模型预测精度，相关系数矩阵见图 6。

相关系数接近 - 1 代表强负相关，接近 + 1 代表强正相关，趋近 0 代表无显著关联。

图6 工艺参数与力学性能相关系数矩阵

关键相关性结论：

1.树脂含量、成型压力对拉伸强度、弹性模量影响显著；

2.树脂含量与拉伸强度相关系数 - 0.557，与弹性模量 - 0.925，树脂占比越低，两项力学性能越高；

3.成型压力与拉伸强度 + 0.357、弹性模量 + 0.191，加压提升材料力学性能；

4.固化时间、固化温度相关系数偏低，本试验区间内影响力有限。

基于相关性筛选剔除低权重变量，降低模型训练负担、提升预测准确度。
计算全部输入特征皮尔逊相关系数，若变量线性相关系数 | r |＞0.95 则判定多重共线性，酌情删除冗余特征，仅保留具备物理意义的参数，避免模型训练失稳、预测偏差。

预测模型采用全连接前馈神经网络，基于敏感性分析与训练稳定性确定网络结构：隐藏层 2~3 层，神经元数量依次为 128、64、32；全部隐藏层采用 ReLU 激活函数，高效捕捉工艺参数与力学性能非线性关系，缓解梯度消失问题；输出层线性激活，用于预测拉伸强度、弹性模量等连续力学指标。

训练配置：Adam 优化器，平均绝对误差 MAE 损失函数（对异常值鲁棒，贴合工程精度需求）；学习率 0.001，批次大小 32，总训练轮次 200，兼顾收敛速度与过拟合防控。

对比训练集、验证集 MAE 曲线监控过拟合（图 7），对比 1~4 层隐藏层模型训练效果：

图7 不同隐藏层数下模型训练性能曲线
(a) 1 层隐藏层；(b) 2 层隐藏层；(c) 3 层隐藏层；(d) 4 层隐藏层

综合预测精度、计算效率、可解释性，最终选用 2~3 层隐藏层结构，训练与验证误差曲线收敛稳定，泛化能力优异。

模型性能评价指标采用均方根误差 RMSE、平均绝对误差 MAE、决定系数
，所有指标均由独立测试集计算，真实反映模型对未知样本的预测能力，而非单纯拟合已有试验数据。

模型核心用途：预测未开展试验的材料、工艺组合对应的力学性能；本文成功利用训练模型反推板材单元分析得到的目标弹性模量对应的材料配方与成型参数，相关预测结果见表 2。

表 2 AI 预测模型输出材料性能结果

2~3 隐藏层模型训练、验证误差曲线无明显分化，无显著过拟合；复合材料本身存在固有离散与非线性特征，本模型R2=0.80、平均预测误差＜5%，足以支撑设计阶段材料筛选与轻量化优化，满足工程初筛要求。

数据集包含测量误差与工艺波动，训练前随机打乱样本提升鲁棒性；本文模型仅完成力学性能预测，未纳入不确定性量化，后续可结合概率建模、蒙特卡洛仿真评估输入数据波动对预测结果的影响。
对独立测试集开展残差分析，残差均值趋近于 0，无系统性预测偏移；残差标准差远小于力学性能数值区间，证明模型在研究参数范围内预测稳定。文中 ±5% 误差为测试集平均绝对百分比误差（MAPE）。

4.3 数据驱动预测分析

依托自动化成型产线批量采集一致性高、离散度低的 FRP 试验数据，搭建结构化大数据库；基于 Altair AI Studio 开发深度学习预测模型，求解轻量化结构设计所需目标材料性能。
该模型可估算未开展试验的材料配比、成型工艺对应的力学性能，突破传统试错试验的局限；利用模型匹配板材单元分析输出的目标弹性模量，得到对应材料与工艺方案（表 2）。

表3 铺层设计参数汇总

预测分析结果为 UAM 机身轻量化结构设计、数值仿真提供基础参考；这套数据驱动方法可减少试验成本、缩短研发周期，具备通用性，可拓展至各类航空、先进交通复合材料结构研发。

5 UAM 整机轻量化结构仿真验证

5.1 UAM 机身结构建模

有限元仿真中，6061 铝合金定义为各向同性线弹性材料；GFRP/BFRP/CFRP 复合材料定义为正交各向异性材料，体现力学性能方向性差异。将板材单元刚度分析得到的正交弹性常数赋值给复合材料层合板，精准复现复合材料各向异性特征。

5.2 机身边界与载荷条件

仿真工况匹配 UAM 最大飞行高度 300 m、巡航速度 22 m/s，同时参照航空标准第 27 部施加 9 m/s 尾部突风，计算机身承受最大动压。完整载荷、边界条件见图 8。
动压计算公式：

图8 UAM 机身有限元模型载荷与边界条件示意图

本套载荷、边界条件用于不同材料方案横向对比，仅评估相对结构性能；未开展边界参数敏感性分析，但所有模型统一加载、统一约束，减重、刚度对比规律具备参考价值；后续研究可增加边界、载荷参数化敏感性分析。

5.3 整机结构仿真结果

本设计框架设置三层校核标准：

1.同等载荷下最大变形不超过铝合金基准模型；

2.筛选预测弹性模量与目标值偏差±5% 以内的材料方案；

3.整机结构两项判定指标：①逆储备系数 IRF＜1；②变形量不高于基准铝合金。

金属与复合材料失效准则区分选用：铝合金采用米塞斯屈服准则（适用于各向同性塑性金属）；复合材料采用帕克（Puck）失效准则，区分纤维主导失效、纤维间基体开裂两种破坏模式。尽管采用不同失效理论，统一使用逆储备系数 IRF 作为安全评价指标：IRF＜1 代表结构应力未达到材料允许破坏极限，结构安全。

除单层复合材料板外，本文额外建立蜂窝夹层结构有限元模型进一步提升减重效果；夹层设计通过调整蜂窝芯厚度平衡减重幅度与结构变形，同时规避零部件装配干涉。

总计分析 10 种材料构型，对比整机重量、板厚、最大变形、减重比例、IRF 失效指标（图 9）。

图9 轻量化材料 UAM 机身整机结构仿真结果

仿真结论：单一复合材料方案整机变形与铝合金相差约 10%，源于几何、边界带来的仿真偏差；采用减重 10% 对应弹性模量的蜂窝夹层复材，整机变形与铝合金基本持平。

IRF 结果显示：单层复合材料 IRF 比铝合金高 5%~10%；引入蜂窝夹层后 IRF 进一步降低；所有构型 IRF 均小于 1，无失效风险，结构完整性满足设计要求。蜂窝夹层方案最大减重幅度可达 50%。

研究局限性说明

整机验证仅完成简化边界下静力学载荷分析；IRF 仅判定瞬时失效，未覆盖适航认证必需的疲劳、屈曲稳定性、冲击损伤容限、渐进失效、层间分层、气动弹性耦合等关键工况。本文仿真仅用于刚度约束下概念方案可行性对比，不满足航空器适航取证级完整结构校核，相关方向有待后续深入研究。

6 结论

通过板材单元有限元分析求解适配 UAM 机身的复合材料目标设计性能；搭建自动化成型大数据驱动 AI 预测系统，求解满足刚度要求的最优材料配方与成型工艺；将预测材料参数代入整机机身有限元仿真完成结构完整性校核，建立一套完整 UAM 轻量化设计流程。

1.板材单元仿真验证：同等变形约束下，GFRP、BFRP 复合材料轻量化、刚度性能优于传统铝合金，基础单层复材可实现最高 10% 减重；

2.依托自动化纤维复材成型大数据，开发深度学习 AI 预测模型，可精准预测未开展试验的材料、工艺组合对应的目标力学性能；

3.将预测材料参数导入 UAM 整机机身仿真，蜂窝夹层复合材料构型最高减重 50%，且全部方案 IRF＜1，结构安全裕度充足。

对比 GFRP/BFRP/CFRP 并非筛选绝对最优材料，而是验证这套以刚度为约束的 AI 驱动设计方法，可适配力学性能、成本差异巨大的各类复合材料体系。综合仿真结果，复合材料方案结构性能全面对标传统金属，具备下一代 UAM 飞行器工程应用可行性。

本文提出的复材轻量化设计流程通用性、工程落地性强，可拓展至全系列 UAM 平台及其他先进交通装备结构。贡献不在于数值减重结果，而是搭建一套闭环一体化设计框架：串联自动化复材制造、数据库构建、深度学习预测建模、整机结构验证，摆脱传统反复试验替换材料的低效模式，实现刚度导向的智能化材料选型，方法可拓展至各类航空复合材料零部件。

研究不仅为 UAM 机身轻量化提供解决方案，同时完善 AI 辅助复合材料结构优化的通用技术路线。