碳纤维增强聚合物（CFRP）因其优异的比强度、耐腐蚀性和机械性能，在汽车和航空航天领域发挥着越来越重要的作用[1]。随着对轻量化、高效能结构需求的增长，可靠的连接技术对于承载型CFRP部件至关重要。传统的机械紧固方式（如铆接）会引入应力集中，并且需要机械加工，可能会影响材料的完整性；而热连接方式则有可能对聚合物基体造成热损伤[2,3]。相比之下，粘合连接可以在不钻孔或产生过多热量的情况下实现均匀的应力传递，保持材料的连续性并最小化应力集中[4]。然而，CFRP本身的表面能较低，导致界面粘附性能较差，因此表面预处理对于实现高性能的粘合接头至关重要[5]。
已经采用了多种表面改性技术来提高CFRP的粘附性能，包括剥离层去除、机械磨损、偶联剂应用和等离子体活化[[6], [7], [8], [9]]。然而，每种方法都有其固有的缺点。剥离层处理可能会留下残留污染物并导致不均匀的形貌，从而影响粘接强度[6]；机械磨损虽然增加了表面积，但如果粗糙度过高可能会损伤纤维并阻碍粘合剂渗透[10]；硅烷偶联剂可以在界面形成共价键，但最佳浓度至关重要；过量的硅烷会形成弱化的边界层，降低粘接强度[11]。尽管可以避免纤维损伤，但偶联剂的使用涉及复杂的配方，并带来环境问题。等离子体处理能有效去除脱模剂并引入极性基团，但其有益效果会因疏水恢复而随时间减弱，限制了长期可靠性[[12], [13], [14]]。
激光表面纹理处理作为一种有前景的替代方法，具有非接触、数字化控制和环境友好的特点。与传统方法不同，激光微结构处理能够精确控制表面形貌，实现机械互锁，同时避免化学残留物、工艺不一致性和表面老化（表1）。然而，仍存在一些挑战，包括热损伤的风险和相对较高的资本成本。关于激光处理CFRP的研究已经从基础工艺探索发展到机理研究。早期研究比较了紫外激光和CO2激光的效果，发现后者可以提高粘接强度，但也存在基体降解和分层的风险[15]。后续的有限元分析阐明了树脂去除机制，并指导了能量控制策略[16]。最近的研究进一步强调了微结构几何形状对接头性能的关键影响[[17], [18], [19]]。例如，Zhang等人[20]表明特定的激光诱导图案显著影响粘接强度，而Akman等人[21]报告称使用纳秒脉冲激光形成的沟槽可使搭接剪切强度提高140%，但他们也指出最佳参数具有材料依赖性，并且在高能量输入下存在亚表面纤维损伤的风险。Dejene等人[22]采用支持向量回归从激光参数预测表面粗糙度，这是一个向智能加工迈出的重要步骤；然而，他们的模型未能将预测的表面形貌与最终的接头强度联系起来，从而在表面表征和机械性能之间留下了差距。
机器学习（ML）在复合材料研究中用于性能预测和工艺优化方面取得了进展。对于CFRP和其他复合材料，ML模型已用于根据组成成分、铺层方式和加工条件预测拉伸/压缩强度、疲劳寿命和抗冲击性[[23], [24], [25]]。结合基于物理的模型和数据驱动方法的混合框架显示出特别的前景。Mirbagheri[26]将非线性渐进损伤模型与深度神经网络相结合，预测CFRP层压板的冲击后残余拉伸强度，其准确性高于纯经验或纯数据驱动的方法。类似地，Xu等人[27]开发了一种基于物理的深度学习策略，将模型输出与对损伤演变敏感的测量结果相结合，提高了预测的准确性。在粘合接头的背景下，表面描述符（粗糙度、化学性质、润湿性）已被用于预测接头强度和失效模式[[28], [29], [30]]。Lu等人[31]引入了一个基于物理的ML框架，预测在混合载荷下粘合连接的复合接头中的失效模式比例，克服了传统模型的局限性。基于ML的优化也被应用于复合材料制造过程，如固化时间表设计、树脂转移成型和缺陷检测，旨在降低实验成本并加速设计周期[[32], [33], [34]]。例如，Wu等人[35]将固化温度曲线设计视为一个最优控制问题，并使用深度强化学习来制定可转移的控制策略，同时优化固化轨迹和工具条件。
尽管取得了这些进展，但仍存在一些局限性。现有的数据集在规模和多样性方面往往有限，限制了模型的泛化能力。更重要的是，大多数机器学习应用侧重于在预定义条件下预测粘接强度，而不是实现表面微结构的逆向设计和闭环优化，以调节界面应力。为了克服这些限制，建立了一个结合实验、仿真和机器学习的混合框架。该框架从机理角度系统地阐明了激光诱导的微几何特征、表面化学改性以及碳纤维增强聚合物（CFRP）复合材料中由此产生的界面粘接强度之间的内在关系。通过将高精度的CatBoost模型与遗传算法相结合，该框架能够快速进行多目标优化，生成在加工效率和粘接性能之间取得平衡的CFRP表面结构。这一策略为智能表面设计提供了实用途径，并为优化微几何形状如何缓解应力集中和增强接头完整性提供了基本见解。
