面向储氢压力容器的UDCF/PA11热塑性复合材料层合板真空袋成型工艺优化：实验与机器学习协同

《Polymer Composites》：Experimental and Machine Learning-Based Process Optimization of UDCF/PA11 Composite Laminates for Hydrogen Storage Applications

　　

本研究提出一种综合方法，用于采用真空袋成型（vacuum-bag-only，VBO）手工铺层法优化面向新型轻质储氢压力容器的单向碳纤维增强聚酰胺11（UDCF/PA11）层合板的关键工艺参数。研究人员通过实验多尺度分析系统研究了固结温度（200°C–300°C）、保温时间（15–60 min）和冷却速率（慢速、中速或快速）对力学行为的影响。所有拉伸试验均在垂直于复合材料基体中纤维取向（90°）的加载条件下进行，以考察工艺参数对纤维/基体粘接质量的影响。测得的横截面孔隙面积分数由200°C时的3.53%降至210°C时的0.25%，并在220°C–230°C时降至0.02%，表明固结质量显著改善。因此，220°C和230°C下结构缺陷显著减少，支持了该窗口内准静态试验获得的更优拉伸强度和模量。此外，研究人员采用机器学习（machine learning，ML）模型预测最佳制备条件。实验与人工智能辅助分析相结合，确定225°C、30 min保温时间和中速冷却为最优工艺参数，可在力学性能与微观结构完整性之间取得良好平衡。在确定的最优工艺条件下进行实验验证，预测值与实测值高度吻合，极限拉伸强度（ultimate tensile strength，UTS）、断裂伸长率（elongation at break，ε_r）和杨氏模量（Young's modulus，E）的预测精度分别为94.9%、93.2%和96.8%。这些发现凸显了人工智能辅助工艺优化在提升可持续储氢应用制造效率方面的潜力。

氢能被视为脱碳能源系统的重要零排放能源载体，其实际部署依赖安全、轻质和可靠的储存系统。聚合物基复合材料兼具低结构质量、耐腐蚀、可设计刚度和强度以及制造适应性，因此在航空航天、汽车、基础设施、能源系统和生物医学器件等领域具有应用前景。在纤维增强复合材料中，增强纤维承担力学载荷，基体传递应力、保护纤维并贡献损伤容限；然而，材料可达到的性能不仅取决于组分材料，还受增强结构、界面、孔隙率和加工历史影响。对于承力储氢结构，连续碳纤维增强热塑性复合材料因高比力学性能与熔融可加工性而受到关注。压缩氢复合材料压力容器常按内衬和增强配置分类：Type IV采用聚合物内衬与复合材料外包覆，Type V追求无内衬全复合材料结构；后者缺少独立气密内衬，使结构完整性和渗透阻隔尤为困难。生物基聚酰胺11（PA11）作为热塑性基体具有吸引力，但层合板性能取决于是否实现充分熔融、层间紧密接触和纤维浸渍，同时避免不必要热暴露。制造路线如纤维缠绕（filament winding，FW）和自动纤维铺放（automated fiber placement，AFP）可制备轻质定制结构，但复杂几何、设备成本和局部固结要求带来挑战。热塑性层合板质量受固结温度、时间和冷却历史耦合影响：热量与压实不足会残留孔隙和弱层间粘接，冷却路径又会影响结晶和力学响应。真空袋成型（VBO）手工铺层为在转移到更自动化制造前隔离这些效应提供了实验室平台；单向层合板的横向（90°）加载可敏感反映基体和界面主导行为。因此，建立可重复的VBO工艺窗口是发展可靠UDCF/PA11储氢部件前的必要实验室步骤，但不能等同于完整容器验证。常规试错研究在多个固结变量交互时负担较大；机器学习可预测和优化聚合物复合材料力学行为，探索常规解析或经验模型难以捕捉的复杂非线性工艺—性能关系。然而，某一响应表现良好的模型不一定能准确预测所有性能，工艺建议仍需独立实验验证；对UDCF/PA11而言，固结缺陷和热历史对强度及断裂应变的影响可能不同于弹性模量。基于此，研究人员研究了固结温度、保温时间和冷却速率对VBO制备UDCF/PA11层合板横向拉伸行为和最终质量的单独及联合影响，建立基于XGBoost的机器学习模型预测极限拉伸强度（σ_r，ultimate tensile strength，UTS）、断裂伸长率（ε_r，elongation at break）和杨氏模量（E，Young's modulus），识别最优工艺窗口并进行实验验证。该研究的创新性在于将系统实验分析与面向Type V氢压力容器的热塑性复合材料三个相互依赖工艺参数的机器学习辅助优化相结合，不是单一最大化某项力学性能，而是识别兼顾拉伸强度、断裂伸长率、微观结构质量和加工效率的最优参数组合，并以实验验证支撑。其意义在于为UDCF/PA11层合板建立实验与数据驱动相结合的工艺优化路径，为轻质储氢压力容器相关制造效率提升提供实验室依据。

关键技术方法：研究人员采用真空袋成型（VBO）手工铺层制备UDCF/PA11层合板，胶带含53 vol.%碳纤维、宽10 mm、厚0.2 mm。按全因子设计改变固结温度（200、210、220、230°C）、保温时间（15、30、45、60 min）和冷却条件（慢、中、快），共48种条件。按ASTM D3039进行90°横向准静态拉伸，50 kN载荷、2 mm/min、12.5 mm引伸计，至少3个试样。用光学显微镜和ImageJ定量横截面孔隙面积分数。机器学习采用XGBoost，数据集来自上述48种条件的重复拉伸数据（σ_r 240点、ε_r 236点、E 232点），输入含温度、保温、冷却、T²与T×t，Optuna调参并以留一集团交叉验证（Leave-One-Group-Out，LOGO）、留一交叉验证（Leave-One-Out Cross-Validation，LOOCV）和分组5折交叉验证评估；无外部样本队列。

研究结果如下。

3.1 准静态拉伸测试
通过不同固结时间与冷却速率下的准静态拉伸测试得出：随固结时间增至60 min，拉伸强度和断裂伸长率总体呈轻微上升趋势；不同冷却速率曲线在强度上接近，表明冷却速率对拉伸强度影响可忽略；断裂伸长率对冷却速率更敏感，固结时间超过30 min时较高冷却速率对应更高平均断裂伸长率，可能与较高冷却速率降低基体结晶度、提高基体延性有关。拉伸模量在聚合物熔融后对更高固结温度或更长保温时间不敏感；冷却速率对模量影响更强，短固结时间（≤30 min）时三条模量曲线重叠，而在45和60 min时中速冷却（环境空气）试样比慢速炉冷试样刚度高5%–8%，强制空气快速冷却始终最低。通过不同固结温度（30 min保温、环境冷却）比较得出：200°C升至210°C时强度和模量显著增加，210°C升至220°C仅边际改善，再升至230°C出现轻微但不显著下降；该平台后轻微下降界定最优固结窗口上边缘，约220°C为最优固结温度，进一步超过230°C既引发初始基体损伤，又因力学增益可忽略而不具能效优势。由于加载垂直于纤维方向，力学响应对基体连续性、纤维—基体载荷传递和界面完整性尤为敏感；低温下基体流动不足和层间粘接不完全可促进局部应力集中和过早失效，温度升高改善基体流动性和固结质量，但一旦充分浸渍和层间粘接实现，进一步提高温度或保温时间带来的力学收益递减，冷却条件主要影响基体固化过程并可能影响结晶度、残余应力和延性。

3.2 微观结构分析
通过不同固结温度下横截面光学显微观察和孔隙含量分析得出：200°C时存在大而不规则孔隙和偶发层间分层，表明该温度下树脂流动不足、结构不均匀；升至210°C时孔径和孔隙面积分数急剧下降；220°C和230°C时宏观缺陷不再可检测，基体充分润湿纤维，层间结合良好，形成致密均匀结构。显微观察证实3.1节力学结果：200°C时结构不均匀削弱力学性能；由210°C升至220°C和230°C的进一步改善源于孔隙尺寸和分数降低以及结构完整性提高。横向载荷下内部孔隙和弱粘接区可作为应力集中位点并促进损伤萌生，降低基体和纤维—基体界面的有效载荷传递能力；随固结温度升高可见孔隙逐步减少与拉伸性能改善一致；220°C与230°C之间额外力学改善有限，对应二者相似的固结微观结构，说明基体流动和浸渍的主要收益已实现，支持约220°C–230°C的合适固结温度窗口而无需进一步提高加工温度。

3.3 基于AI的工艺参数优化
3.3.1 机器学习结果
通过XGBoost建模与交叉验证得出：σ_r模型训练R²为0.987，LOGO条件平均R²为0.930，训练—验证差距仅0.057，低于0.10惩罚阈值，平均绝对误差（mean absolute error，MAE）和均方根误差（root mean square error，RMSE）分别为2.05和2.84 MPa；LOOCV平均数据R²为0.885，重复分组5折R²为0.813±0.210，说明模型对未见工艺条件具有泛化能力。ε_r模型训练R²为0.785，LOGO R²为0.692，MAE=0.27%、RMSE=0.40%，LOOCV R²=0.480，分组5折R²=0.497±0.242；较低R²反映断裂伸长率测量本身离散性较高，对局部缺陷、纤维—基体粘接变异和试样制备敏感。E模型预测性能差：训练R²=0.260、LOGO R²=0.069、LOOCV R²=-0.047，分组5折R²=-0.045±0.113；近零和负R²表明模型不比直接预测各条件总体平均模量更好，预测值在约4.8 GPa总体均值附近形成窄水平带，未学到有意义的输入—响应关系。通过置换重要性分析得出：温度主导σ（1.18）和ε（0.79），冷却速率是E最重要特征（1.12），工程特征T×t对σ和ε有实质贡献；对E而言，除冷却速率外其他特征重要性接近零。部分依赖图显示：σ预测在200°C–215°C呈陡峭S形增加，约220°C以上进入平台；ε预测随冷却速率由慢到快单调增加；E预测对保温时间在整个范围内基本平坦。通过等值热图得出：最高预测σ集中在高温区且对冷却速率相对低敏感；最高ε在高温结合快速冷却尤其较长保温时间下出现，最大预测ε为230°C、45 min、快速冷却时2.66%，验证条件（225°C、30 min、中速）为1.63%；E图除快速冷却外各条件颜色场几乎相同，说明模量对固结窗口不敏感，尤其高于210°C时。

3.3.2 总结与最优工艺窗口
通过三种交叉验证策略比较和设计空间预测得出：σ模型预测精度优良（LOGO R²=0.930），ε模型在同 inherent 离散下表现良好（LOGO R²=0.692），E模型确认不存在有意义的工艺—模量关系（LOGO R²=0.069）；三种策略下σ均R²≥0.80，E均接近零，说明σ泛化稳健而E不行。基于σ和ε模型，最优折中固结窗口约在220°C–230°C、30–45 min保温、中速至快速冷却；代表验证点225°C、30 min、中速冷却下模型预测σ_r=48.37 MPa、ε_r=1.63%、E=4.90 GPa。通过全温度范围1°C增量预测得出：σ在200°C–215°C快速转变后多数组合在45–50 MPa附近收敛为平台，保温时间主要在低温区区分曲线；ε随温度增加更平缓，并随冷却速率清晰分离，快速冷却在各温度和保温组合下均高于慢速冷却；E在多数温度范围内近乎恒定，仅见与保温时间和冷却速率有关的轻微变化，表明在所研究范围内尤其固结温度高于210°C时E对固结参数相对不敏感。综上，强度、延性和刚度之间存在权衡：最大化σ_r和E倾向于较高或中间温度与较慢冷却，最大化ε_r则需在相近温度下更快冷却；兼顾各参数相对重要性和机器学习预测趋势，最优折中为固结温度225°C、保温时间30–45 min、中速冷却，并与3.2节微观观察一致。

3.4 优化样品上AI预测的验证
通过在初始试验设计未包含的225°C、30 min保温、中速冷却条件下制备层合板并进行拉伸验证得出：实验测得σ_r,exp与预测σ_r,pred差异小于2 MPa，总体预测精度94.9%；断裂伸长率和刚度相对实验值的预测精度分别为93.2%和96.8%；实测值分别为σ_r=46.24 MPa、ε_r=1.52%、E=4.75 GPa，预测值为48.37 MPa、1.63%、4.90 GPa。该验证说明XGBoost模型能够识别初始实验设计未包含的合适固结条件，显示其在无需穷尽实验的情况下探索中间工艺条件的潜力；所选条件是在力学性能、固结质量和加工时长之间的实际折中，而非简单最大化单一力学性能。同时，不同力学响应预测性能差异明显：拉伸强度和断裂伸长率模型具有满意泛化，而杨氏模量模型交叉验证性能差（R²=0.069），因此其在验证点与实验结果的表观一致不应解释为在整个工艺范围内可靠预测。

讨论与结论部分可概括为：工艺参数对UDCF/PA11横向拉伸行为贡献不等，固结温度是拉伸强度和微观结构完整性的主导因素，冷却速率对断裂伸长率及模量影响更明显，保温时间主要影响加工效率与低温区性能；机器学习预测与显微结构观察相互印证，且实验验证支持225°C、30 min、中速冷却作为兼顾性能与效率的折中窗口，但E模型预测可靠性不足，需谨慎解释。

研究结论部分译文：本研究考察了固结温度、保温时间和冷却速率对真空袋成型（VBO）制备UDCF/PA11层合板力学与微观结构性能的影响，并采用基于XGBoost的机器学习模型预测力学响应和识别合适工艺窗口。在所研究工艺窗口内，主要发现如下：固结温度是影响拉伸强度和微观结构完整性的主导参数；温度由200°C升至220°C改善纤维浸渍、降低孔隙率并提升力学性能，超过约220°C后进一步改善有限，表明近最优固结范围为220°C–230°C。保温时间30–45 min在力学性能与加工时长之间提供有利平衡；冷却速率对拉伸强度影响相对有限，但对断裂伸长率影响更明显，较快冷却通常促进更高延性。机器学习框架证实数据驱动优化可有效用于VBO热塑性复合材料层合板的实验室规模开发；尽管数据集有限，XGBoost模型仍以满意预测精度捕捉主要非线性工艺—性能关系，225°C、30 min、中速冷却验证试验的预测值与实测值高度吻合，拉伸强度（σ_r）、断裂伸长率（ε_r）和杨氏模量（E）的预测精度分别为94.9%、93.2%和96.8%。这些发现表明机器学习可作为实用且以实验为基础的工具，减少试验次数并加速涉及多个耦合参数的复合材料制造工艺优化。局限与未来工作：本研究限于实验室规模、VBO制备的单向UDCF/PA11层合板，力学表征主要基于横向准静态拉伸；机器学习模型使用相对有限的实验数据集并在所研究工艺范围内评估。未来研究应将所述方法扩展到多向层合板和工业制造过程（如自动纤维铺放和纤维缠绕），同时纳入更多实验数据和力学响应；还应特别关注疲劳行为、长期耐久性及氢相关性能，以评估优化工艺条件对全尺寸复合材料氢压力容器的适用性。