基于数据的预测及不确定性量化方法，用于研究增材制造的连续碳纤维增强聚合物复合材料中的工艺-结构-性能关系

《JOURNAL OF INTELLIGENT MANUFACTURING》：Data–driven prediction and uncertainty quantification of process–structure–property relationships for additively manufactured continuous carbon fiber reinforced polymer composites

本研究收集了95项独立研究的数据集，包含654孔隙率和324抗拉强度数据点。通过训练支持向量回归和人工神经网络等模型，孔隙率预测R2为0.8888，抗拉强度R2为0.8411。Shapley分析表明，热沉积参数主要影响孔隙率，而纤维取向效率和体积分数主导抗拉强度。结果表明，集成学习可有效捕捉复杂PSP关系，为3D打印CCFRTP工艺优化提供可靠依据。

　　

摘要

增材制造的连续碳纤维增强热塑性复合材料（CCFRTP）的复杂过程-结构-性能（PSP）关系决定了其微观结构形成和机械性能，但由于众多加工条件的相互作用，这些关系仍然难以表征。现有研究受到高成本和狭窄加工窗口的限制，而大多数数据驱动的研究依赖于小型数据集、确定性预测，并且缺乏普遍性。这促使人们开发机器学习框架，以提高预测精度并提供可靠的不确定性估计。在这项研究中，从95项独立研究中整理了一个数据集，包含654个孔隙率和324个抗拉强度数据点，这些数据点涵盖了加工参数、纤维属性以及基于物理原理的特征。为了预测PSP映射，训练并优化了多种机器学习模型的集成方法，包括随机森林、极端随机树、支持向量回归、核岭回归和人工神经网络，以捕捉复杂的非线性PSP相互作用。在预测孔隙率方面，支持向量回归集成模型的表现最佳，其决定系数（R2）为0.8888，预测覆盖率为95.38%；而在预测抗拉强度方面，人工神经网络集成模型的表现最佳，其决定系数（R2）为0.8411，预测覆盖率为96.92%。此外，还利用Shapley加性解释方法来提高模型的可解释性并研究特征之间的相互作用，结果表明热处理和沉积工艺参数主要影响孔隙率，而纤维取向效率和纤维体积分数是抗拉强度的主要决定因素。研究结果表明，集成学习能够有效捕捉复杂的PSP关系，提供准确的预测结果、具有合理实证覆盖率的不确定性估计，以及具有物理意义的见解，从而为工艺优化、缺陷减少和3D打印CCFRTP的设计提供指导。