复合材料以其高比强度、高比刚度和耐腐蚀性而闻名，广泛应用于航空航天、汽车、风能和海洋工业。然而，在长期使用过程中，复合材料结构不可避免地会受到冲击、疲劳载荷和环境因素的影响，导致局部损伤甚至灾难性失效。这不仅降低了结构的承载能力，还危及整体安全和可靠性。为了延长复合材料结构的使用寿命并降低维护成本，结构修补受到了越来越多的关注[[1], [2], [3]]。在众多修补方法中，粘接修补（特别是斜接修补）因其能够恢复结构的空气动力学形状并提供高载荷传递效率而成为高性能复合材料修补的首选技术[4,5]。然而，材料的力学性能对几何参数非常敏感。研究表明，斜接角度、修补片直径、粘合层厚度和铺设方向都会影响修补效果[[6], [7], [8], [9]]。由于修补片、粘合层和基板之间的刚度不匹配，在载荷传递过程中应力主要集中在粘合界面和粘合层[4]，这成为结构失效的薄弱环节。因此，精确控制修补质量至关重要。
固化在复合材料的粘接修补中起着决定性作用。与复合材料制造中常用的 autoclave 工艺不同，现场维护通常受到设备限制，主要依靠电热毯和真空袋进行原位固化。这种低压、单侧加热方法往往在修补过程中导致温度梯度以及修复结构内部缺陷[[10], [11], [12]]。同时，固化过程中的热化学-力学耦合效应不可避免地在修复区域产生残余应力。这些残余应力会降低界面强度，缩短结构的疲劳寿命，甚至引发过早失效[13,14]。因此，准确预测和控制这些应力对于确保修补质量至关重要。传统的残余应力研究方法包括实验测试[[15], [16], [17], [18]]和有限元分析（FEA）[[19], [20], [21]]。直接的无损实验无法完全表征修复区域内的应力状态，因为它们只能在离散位置提供有限的验证数据。相比之下，FEA 可以描述固化过程中应力和固化程度的全场演变。然而，其高昂的计算成本大大限制了效率，尤其是在多参数优化或工艺设计任务中。
近年来，随着人工智能的进步，深度学习在材料科学和工程制造领域展示了巨大的潜力。它的优势在于能够高效处理复杂的非线性关系，并基于现有数据实现快速预测和泛化应用。在复合材料领域，深度学习已应用于力学性能和损伤演变的预测[22,23]、固化过程建模[[24], [25], [26]]、工艺引起的变形预测[[27], [28], [29]]、结构优化设计[30,31]和数字孪生设计[32,33]，取得了有希望的结果。然而，关于应用深度学习方法预测复合材料修补过程中的残余应力并优化工艺参数的研究仍然有限。
为了解决这个问题，本研究建立了一个系统框架，整合了实验、模拟和深度学习，以实现复合材料修补固化过程中残余应力的有效预测和工艺优化。
首先，在整个修补固化过程中进行了原位应变监测实验，以获得关键内部位置的可靠固化应变数据，为模型验证提供了物理基准（第2.1节）。基于这些数据，开发并验证了一个高保真有限元模型，以准确再现固化过程中的热化学-力学耦合和状态依赖的本构行为（第2.2-2.3节）。该模型为后续的替代模型提供了可靠的物理一致数据集。基于模拟数据集，构建了一个基于深度学习的替代模型，可以直接从工艺参数预测三维残余应力场和最终固化程度（第3节）。最后，围绕这个基于深度学习的替代模型，并结合多目标优化算法，我们优化了固化工艺，证明了其提高修补质量和效率的潜力（第4节）。
