基于机器学习的针刺复合材料低损伤结构设计与性能优化研究

本综述系统阐述了针刺工艺对纤维增强复合材料（FRC）内部结构及力学性能的影响机制，提出了一种结合代表性体积单元（RVC）模型与卷积神经网络（CNN）的针刺排列优化方法。通过蒙特卡洛类（MCl）算法生成多组结构变体，显著降低纤维断裂区域比例，使材料面内剪切强度提升15.50%–28.03%的同时保持层间剪切性能。该研究为航空航天领域高性能复合材料设计提供了高效可靠的数字化解决方案。

　　

Highlight

针刺工艺与复合材料内部结构

以针刺预制体作为增强骨架，通过液相浸渍酚醛树脂制备的针刺复合材料（由天鸟高新技术公司生产）采用多层T700碳纤维布与短切纤维网交替铺层结构。每单元层包含一层碳纤维布和一层纤维网，通过针刺工艺使纤维产生三维定向排布。针刺区域根据纤维形态可分为纤维弯曲区（FBA）和纤维断裂区（FBA），其分布密度与针刺排列方式直接相关。

构建针刺排列与结构的关系

基于RVC模型的结构图像作为信息载体，利用卷积神经网络（CNN）强大的图像识别能力建立针刺排列参数与纤维结构的映射关系。通过蒙特卡洛类（MCl）方法生成多组RVC结构变体，采用统计理论筛选纤维断裂区域最少的最优结构，反向推导出对应的针刺排列设计方案。

设计方法的实验验证

为验证机器学习设计方法的有效性，对不同针刺排列参数的复合材料开展面内与层间剪切实验。结果表明：采用优化针刺排列的复合材料面内剪切强度较对比工艺提升15.50%和28.03%，且层间剪切强度未出现显著下降。显微CT扫描证实优化试样的纤维断裂区域数量显著减少，与预测模型高度吻合。

Conclusion

本研究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，提出了基于机器学习的低损伤结构针刺排列优化方法。通过RVC模型量化不同针刺排列下纤维弯曲与断裂区域的数量特征，结合CNN模型与MCl算法实现了针刺工艺的精准设计。该方法在保证层间性能的前提下显著提升面内力学性能，为航空航天用纤维增强复合材料的数字化设计与应用提供了重要技术支撑。