基于混合神经网络加速反演框架的二维编织SiCf/SiCm组分弹性参数数据驱动识别研究

本文提出一种结合代表体积单元（RVC）模型与机器学习（CNN）的针刺工艺优化方法，通过蒙特卡洛式（MCl）生成多孪生结构，显著降低长纤维断裂区域数量，使复合材料面内剪切强度提升15.50%–28.03%，同时保持层间剪切性能，为航空航天用纤维增强复合材料（FRC）的低损伤设计与高效应用提供新范式。

　　

Needling processes and interior structures of composites

以针刺预制体为增强骨架，通过液相浸渍酚醛树脂制备针刺复合材料。基于实际生产工艺，针刺预制体由多层T700碳纤维布与短切纤维网交替铺叠构成。每个单元层包含一层碳纤维布和一层纤维网，针刺工艺通过特定针板排列将纤维引入厚度方向，形成三维网络结构，但会导致纤维弯曲区与断裂区的产生。

Construction of the relationship between needle arrangements and structures

代表体积单元（RVC）模型可反映不同针板排列下针刺区域的分布与纤维结构特征。以RVC结构图像为信息载体，利用卷积神经网络（CNN）建立纤维结构与针板排列的映射关系，结合蒙特卡洛式（MCl）方法生成多组孪生结构，并通过统计理论筛选纤维断裂区域最少的优化方案，实现针板排列的智能化设计。

The experimental verification of the design method

通过面内与层间剪切实验验证设计方法的有效性。结果表明：采用优化针板排列的复合材料面内剪切强度较对比工艺提升15.50%–28.03%，且层间剪切强度未显著降低，证明该方法可有效减少长纤维损伤并协同优化多向力学性能。

Conclusion

针对针刺复合材料内部纤维结构复杂导致的工艺设计难题，本文提出基于机器学习的低损伤针板排列设计方法。通过RVC模型与CNN结合，实现了纤维弯曲与断裂区域的量化调控，为航空航天领域纤维增强复合材料的低成本、高性能设计提供新路径。