本发明属于异种材料连接仿真，涉及一种基于神经网络自学习的spr2失效卡片拓展方法，具体为一种基于神经网络自学习的高效高质适用于热熔自攻丝与自冲铆的spr2失效卡片拓展方法。
背景技术：
1、随着不同金属材料在汽车车身上的应用逐渐增多，其中最具代表性的即为高强钢与铝合金材料的大批量应用，为了能够使得高强度结构件能够实现高效高质连接，传统的点焊技术已经无法满足新的应用场景，于是例如自冲铆接（spr）与热熔自攻丝（fds）技术的问世良好地解决了钢铝异种材料连接的难题。
2、在传统的汽车碰撞仿真中，结构件之间接头一般采用不会发生失效的刚性连接，准确模拟接头失效行为成为碰撞仿真模型准确的前提条件。
3、现有的自冲铆与热熔自攻丝接头模拟方法，主要有共节点法、刚性单元连接法、梁单元连接法和实体单元建模法等。其中，共节点法、刚性单元连接法和梁单元连接法的模拟精度较差，与实际试验结果相差较大；而实体单元建模法的模型单元尺寸过小，计算效率低，模型计算稳定性差。其中，基于约束的spr2材料卡片因其仿真准确性与宽泛的工况适用性得到了绝大部分主机厂的青睐。
4、但是，控制spr2材料卡片仿真准确性的几大参数需要利用大量的实验与精细模型仿真才能得出，并且更换了一种材料组合后，前期的所有步骤均需推倒重来。所以鉴于传统spr2材料卡片的参数标定方法步骤繁杂，实验量大且算力资源消耗大的情况，一种适用于热熔自攻丝以及自冲铆的高效高质spr2带失效的材料卡片的拓展方法已成为整车设计行业的迫切需求，以实现降低开发全新的材料组合对于的spr2失效卡片的步骤，时间，算力与金钱消耗，同时有利于后续整车碰撞的精确度提升。
技术实现思路
1、本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于神经网络自学习的高效高质适用于热熔自攻丝与自冲铆的spr2失效卡片拓展方法。
2、为了实现上述目的，本发明采用了如下技术方案：一种基于神经网络自学习的spr2失效卡片拓展方法，包括以下操作方法：
3、s1：试制fds或spr接头；
4、s2：建立数据库，根据后续机器学习的输入与输出设置，进行针对性的数据库建立；
5、s3：建立人工神经网络通路；
6、s4：改善后的机器学习架构搭建，先判断待预测数据集的失效形式，并输出，随后采用相对应的失效数据子集进行后续的预测与运算；
7、s5：读取数据并输出spr2参数通过针对拉剪工况，调整参数值；
8、s6：自动调节个别参数；
9、s7：整体模式使用方法，直接输入待测的fds或spr的材料新组合，最后可以直接输出失效形式、预测的力位移曲线，以及新的材料卡片参数值。
10、作为上述技术方案的进一步描述：在步骤s2中，包括以下过程：
11、ss1：自变量数据库的建立包括测量母材厚度与母材抗拉强度的数据测量与记录，还包括对母材进行切割，并在万能试验机上进行准静态拉伸检测，拉伸速度为2mm/min，最终记录母材抗拉强度；
12、ss2：针对fds连接件进行一字剪切与十字拉伸测试，得到力位移曲线，拉伸测试条件中拉伸速度为5 mmm/in，剪切测试实验中夹持区域设置有垫片；拉伸过程将力值拉到0值手动停止；
13、ss3：数据处理，每种材料组合制备5个标本，采用搭剪与十字拉伸试验测量、搭剪与十字拉伸试件的力-位移曲线，对这些曲线取平均值，形成一条新曲线将荷载-位移曲线中每0.10 mm的荷载数据作为0 ~ 15 mm位移处的输出数据。
14、作为上述技术方案的进一步描述：在步骤s3中，上下板厚度与上下板抗拉强度为输入值，荷载-位移曲线中每0.10 mm的荷载数据作为0 ~ 15 mm位移处的输出数据，其中80%的数据集用于学习，其余20%用于测试训练后的人工神经网络，每个数学定义的神经元接收来自前一层神经元的输入，每个输入乘以一个单独的权重值，加权输入被求和并通过传递函数传递到输出层。
15、作为上述技术方案的进一步描述：在步骤s3中，将原始数据库按照热熔自攻丝的失效形式进行分类，热熔自攻丝的失效形式分为三种，母材断裂（bmf），螺钉拉脱（sop）与螺钉剪断（ssf）。
16、作为上述技术方案的进一步描述：在步骤s5中，针对拉剪工况，调整四个参数值，分别为：
17、&ft—峰值拉剪力；
18、&dt—结束时位移对应值；
19、&xit—峰值拉剪力对应位移值；
20、&thick—上下板材总厚度；
21、&diameter—铆钉直径。
22、作为上述技术方案的进一步描述：在步骤s5中，针对十字拉伸工况，调整四个参数值，分别为：
23、&fn—峰值拉拔力；
24、&dn—结束时位移对应值；
25、&xin—峰值拉拔力对应位移值；
26、&thick—上下板材总厚度；
27、&diameter—铆钉直径。
28、作为上述技术方案的进一步描述：在步骤s6中，当实验部件承受特殊角度的载荷时，加入一个自动调节模块，通过自动调节方法实现高精度拟合。
29、作为上述技术方案的进一步描述：在步骤s6中，针对特定角度载荷工况的fds或spr连接，进行拉伸实验，得到一条标准的力-位移曲线，后续的参数标定与曲线对标均以此为标准，采用cae与spr2材料卡片针对待预测的fds或spr材料组合进行仿真，因&thick与&diameter参数已确定，故不进行调整，而&ft，&dt，&xit，&fn，&dn，&xin六大参数均已经由之前的机器学习模型中准确推出，故也不进行调整，spr2 失效卡片的三个与角度相关的参数α1，α2，α3 的数值范围是 0 到 1，故均从1开始往下调整，其中针对曲线的拟合度引入r2进行定量评估。
30、作为上述技术方案的进一步描述：在步骤s6中，自动调节模块具体实现方式如下：
31、先进行阈值判断；
32、再进行优化调节，原参数x0，y0，z0，优化后参数x1，y1，z1，原参数的拟合度为r02，优化后参数拟合度为r12，参数x1对于拟合度优化的贡献为φ1，参数y1对于拟合度优化的贡献为φ2，参数z1对于拟合度优化的贡献为φ3；
33、最终多次迭代后，阈值判断模块进行数值对比，得到最佳的拟合度参数值，并最终输出x1，y1，z1的数值。
34、由于采用了上述技术方案，本发明取得的有益效果是：能够在热熔自攻丝与自冲铆的spr2失效卡片拓展中实现神经网络自学习的高效高质，以实现降低开发全新的材料组合对于的spr2失效卡片的步骤，时间，算力与金钱消耗，通过连接点最终需要整合到整车模型中进行仿真，从而有利于后续整车碰撞的精确度提升。
1.一种基于神经网络自学习的spr2失效卡片拓展方法，其特征在于，包括以下操作方法：
2.根据权利要求1所述的一种基于神经网络自学习的spr2失效卡片拓展方法，在步骤s2中，包括以下过程：
3.根据权利要求1所述的一种基于神经网络自学习的spr2失效卡片拓展方法，在步骤s3中，上下板厚度与上下板抗拉强度为输入值，荷载-位移曲线中每0.10 mm的荷载数据作为0 ~ 15 mm位移处的输出数据，其中80%的数据集用于学习，其余20%用于测试训练后的人工神经网络，每个数学定义的神经元接收来自前一层神经元的输入，每个输入乘以一个单独的权重值，加权输入被求和并通过传递函数传递到输出层。
4.根据权利要求3所述的一种基于神经网络自学习的spr2失效卡片拓展方法，在步骤s3中，将原始数据库按照热熔自攻丝的失效形式进行分类，热熔自攻丝的失效形式分为三种，母材断裂（bmf），螺钉拉脱（sop）与螺钉剪断（ssf）。
5.根据权利要求1所述的一种基于神经网络自学习的spr2失效卡片拓展方法，在步骤s5中，针对拉剪工况，调整四个参数值，分别为：
6.根据权利要求1所述的一种基于神经网络自学习的spr2失效卡片拓展方法，在步骤s5中，针对十字拉伸工况，调整四个参数值，分别为：
7.根据权利要求1所述的一种基于神经网络自学习的spr2失效卡片拓展方法，在步骤s6中，当实验部件承受特殊角度的载荷时，加入一个自动调节模块，通过自动调节方法实现高精度拟合。
8.根据权利要求7所述的一种基于神经网络自学习的spr2失效卡片拓展方法，在步骤s6中，针对特定角度载荷工况的fds或spr连接，进行拉伸实验，得到一条标准的力-位移曲线，后续的参数标定与曲线对标均以此为标准，采用cae与spr2材料卡片针对待预测的fds或spr材料组合进行仿真，因&thick与&diameter参数已确定，故不进行调整，而&ft，&dt，&xit，&fn，&dn，&xin六大参数均已经由之前的机器学习模型中准确推出，故也不进行调整，spr2 失效卡片的三个与角度相关的参数 α1，α2，α3 的数值范围是 0 到 1，故均从1开始往下调整，其中针对曲线的拟合度引入r2进行定量评估。
9.根据权利要求8所述的一种基于神经网络自学习的spr2失效卡片拓展方法，在步骤s6中，自动调节模块具体实现方式如下：
