综述:使用机器学习模型预测纤维增强复合材料的拉伸和弯曲性能的研究
Md. Mominur Rahman,
Al Emran Ismail,
Muhammad Faiz Ramli,
Azrin Hani Abdul Rashid,
Tabrej Khan,
Omar Shabbir Ahmed,
Tamer A. Sebaey
《Journal of Composites Science》:Review of Predictions of Tensile and Flexural Properties of Fiber-Reinforced Composites Using Machine Learning Models
Md. Mominur Rahman,
Al Emran Ismail,
Muhammad Faiz Ramli,
Azrin Hani Abdul Rashid,
Tabrej Khan,
Omar Shabbir Ahmed and
Tamer A. Sebaey
【字体:
大
中
小
】
时间:2026年04月16日
来源:Journal of Composites Science 3.7
编辑推荐:
摘要
纤维增强复合材料(FRCs)在当代工程中发挥着重要作用,因为它们具有较高的重量与强度比以及出色的耐久性。然而,这些材料具有各向异性和异质性,因此在受到拉伸和弯曲载荷作用时,预测其力学性能是一个重大挑战。传统的技术如实验测试和有限元分析通常资源密集、耗时较长,或者存在过于
摘要
纤维增强复合材料(FRCs)在当代工程中发挥着重要作用,因为它们具有较高的重量与强度比以及出色的耐久性。然而,这些材料具有各向异性和异质性,因此在受到拉伸和弯曲载荷作用时,预测其力学性能是一个重大挑战。传统的技术如实验测试和有限元分析通常资源密集、耗时较长,或者存在过于简化的局限性。在这篇综述中,我们详细探讨了数据驱动的机器学习(ML)模型如何克服这些限制,从而实现范式的转变。文章综合了多种ML技术的应用研究,包括回归模型、人工神经网络(ANNs)、卷积神经网络(CNNs)和集成模型,用于预测FRCs的拉伸和弯曲性能。分析表明,尽管高斯过程回归(GPR)、随机森林(RF)和先进的神经网络(NNs)等模型的预测精度非常高(通常R2 > 0.90),但仍存在模型泛化能力、数据质量和物理原理建模方面的问题。本文最后指出了关键的研究空白,例如过度依赖单纤维系统和模拟数据,同时提出了未来的发展方向,包括混合ML-物理模型、多尺度建模以及探索更广泛的材料和环境变量,以促进更安全、更高效的下一代复合材料的开发。
1. 引言
纤维增强复合材料(FRCs),尤其是聚合物基复合材料(PMC),已成为许多工程领域的领先技术。与传统金属和陶瓷复合材料相比,它们因具有较高的强度与重量比、刚度与重量比、抗腐蚀性、抗疲劳性以及较低的使用和维护成本而受到青睐,因此在航空航天和汽车等行业中不可或缺[1,2]。FRC主要由高强度高模量的纤维嵌入并固定在聚合物基体中,二者之间具有明确的界面[3]。其宏观特性并非孤立存在,而是由基体、增强材料、纤维体积分数、纤维形状以及界面黏附质量等多种因素相互作用的结果[4]。但由于微观结构的复杂性和设计参数的多样性,这些材料在受到操作载荷(如拉伸和弯曲)作用时的力学性能存在不确定性[3]。FRC的各向异性和异质性导致不同形式的响应以不同方式相互作用,这种相互作用可能导致结构完整性的逐步恶化,在某些情况下甚至会造成灾难性后果。因此,准确预测其拉伸和弯曲响应至关重要,因为这些响应会显著降低结构的抗压强度和其他使用寿命,从而缩短结构的服务寿命和可靠性[5]。因此,不仅需要正确预测初始力学性能(如极限抗拉强度、弯曲模量、最大冲击力),还需要了解这些载荷的变化规律,这是可靠使用FRC的关键要求。为了解决这一预测难题,工程界传统上依赖三种方法:大量实验测试、解析建模和数值模拟。尽管实验验证是验证的基础,但它可能耗时冗长且资源密集,导致迭代设计过程中经常出现试验和原型件浪费的情况[6]。解析模型在计算上可能高效,但本质上过于简化,难以考虑复杂性和多尺度效应,从而限制了其预测能力。高保真度的数值模拟(如有限元分析FEA)虽然计算成本高且需要专门的设置,但仍适用于探索性设计和概率分析。这种局限性促使人们转向数据驱动的预测建模范式。机器学习(ML)作为当前数据科学的核心技术,提供了一系列非线性、统计和概率算法,能够直接从数据中学习复杂关系[7,8]。在FRC研究中应用ML已取得初步进展[9,10],为克服传统方法的局限性提供了新的方向。ML可以利用基于实验数据、高保真模拟或历史记录的编辑数据集进行训练,以生成准确的预测[11]。复合材料的各种设计参数(如材料类型、铺设顺序、体积分数)可以快速转化为相应的性能指标。监督式人工神经网络(ANNs)、支持向量机(SVMs)和集成算法(如随机森林)在预测关键性能阈值方面表现出良好效果[12],甚至可以量化材料和结构的影响[13]。例如,利用训练有素的模型可以监测结构健康状况,预测由冲击能量引起的分层区域或特定制造缺陷导致的强度损失[13]。这种能力实现了从基于假设的设计向基于数据和预测的工程范式的转变,使得复合材料结构能够根据特定载荷条件进行虚拟升级,大大减少了物理原型制作的需求,并加速了设计过程[14,15]。因此,本研究旨在利用机器学习模型作为预测FRCs拉伸和弯曲响应的强大工具。该工作将通过系统整合材料、几何和加工参数,实现力学性能的预测。长期目标是解决目前对FRC应用的疑虑,从而开发出更可靠、高效且创新的复合材料设计,减少对昂贵且耗时的实验验证周期的需求[16]。这项研究将克服传统方法的局限性,为下一代纤维增强复合材料的性能预测和设计提供有效且高效的途径[17]。
2. 应用于FRCs研究的关键机器学习模型定义
人工神经网络(ANNs)通过互连节点(人工神经元)模拟大脑的生物结构。神经元按照输入层、隐藏层和输出层的层级排列。隐藏层接收输入信号并进行处理,输出层整合这些处理后的信息来做出最终预测[18]。
卷积神经网络(CNNs)是一种流行的深度学习架构,基于全连接前馈网络发展而来,用于应对参数数量呈指数级增长的问题[19]。与其他ANN类似,CNN通过卷积层、激活层和池化层处理数据,最终将其分类为全连接网络[10]。卷积层用于提取原始输入数据的局部特征,神经元之间仅存在单向连接[19]。随后进行非线性激活(如ReLU)和下采样操作(如最大值或平均值池化),以处理复杂的图像或微观结构数据。
回归是最基本的统计学习技术之一,用于模拟连续目标变量与输入特征之间的线性关系,即使数据量较少时也能实现这一点,并基于系数生成可解释的基线[20]。然而,线性回归的假设在许多情况下无法准确描述材料的复杂行为。支持向量机(SVM)是一种有效的分类和回归算法,通过核函数处理中小到中等规模的数据集的高非线性问题[21]。在回归中,SVM通过支持向量回归(SVR)确保预测值与实际值之间的差距最小[22]。
决策树(DT)是一种非参数的监督学习分类和回归模型,采用根节点、内部决策节点和终端叶节点的形式[10]。 Its limitations include only simple rule-based modeling with moderate non-linearity handling, although it offers higher interpretability. The basic learning principle involves recursively growing the tree with new decision nodes[23]。树的构建基于每次划分时信息增量的最大化,从而生成特征值的排名。常用的算法如ID3和C4.5用于实现树的分割[19]。该模型用于特征映射的可解释性[24]。
K-最近邻(KNN)算法基于实例进行学习,通过存储训练数据并根据新数据与特征空间中最相似数据的距离进行预测[26]。
随机森林(RF)、梯度提升(GB)、随机梯度提升(SGB)、自适应提升(AdaBoost)和极端梯度提升(XGBoost)等都是集成模型,通过逐步修正前一个模型的错误来提高预测精度[27]。这些模型擅长模拟复杂的非线性关系和复合材料数据之间的相互作用[28]。为了说明这一点,通过合成多个决策树来提升准确性和鲁棒性的功能,并在自适应提升(AdaBoost)、梯度提升(GB)、随机梯度提升(SGB)和极端梯度提升(XGBoost)模型中实现预测错误的连续修正,从而增强模型性能。这些集成模型被认为具有以下优点:在高数据量下能够实现更高精度的大型非线性处理能力,并且具有中等程度的可解释性。除此之外,随机森林回归(RF)和分类模型的工作原理如下(公式8 [27]):
^???(??)=1∑????=1^?????(??) (8)
其中 ^yt?(x):第t个决策树的预测结果;T:树的数量(例如,100)。
图2. 集成模型的示意图(极端梯度提升)。
另一种应用的提升模型名为自适应提升(AdaBoost),其工作原理如下(公式9):
???(??)=∑??=1?????????(??) (9)
另一方面,还有两种提升模型,即梯度提升(GB)和随机梯度提升(SGB):GB使用全部数据集进行回归和分类;而SGB则使用随机选取的数据子集进行分类和回归,虽然速度较慢,但效果更佳。最终预测结果 ?????(??) 是 M 个决策树的加性组合(公式10),其中 ??0 = 初始预测值(目标的均值/中位数);?? = 学习率;????(??) = 第 m 个树的预测结果。需要注意的是,这两种模型的工作原理基于相同的公式,但每个样本(或小批量)的 w 和 b 会有所不同[28]:
?????(??)=??0+??∑????=1????(??) (10)
还有一种称为极端梯度提升(XGBoost)的集成决策树模型,其工作原理与随机森林不同,因为其决策树是按顺序训练的。该算法的基本思想是优化包含正则化项的损失目标函数[29]。
3. 抗拉性能预测
3.1 机器学习回归模型在纤维增强聚合物抗拉性能预测中的应用
对机器学习回归模型在纤维增强聚合物抗拉性能预测中的应用进行的关键分析表明,模型执行和复杂性存在层次差异(见表1)。例如,由于随机森林的集成特性,它表现出良好的非线性处理能力,因此具有较高的精度(R2超过0.90),在预测单向CFRP的弹性模量、剪切模量和极限强度时的误差分别为9.09%和11.03%[30]。同样,使用决策树(DT)回归预测[0/90]方向CFRP层压板的弹性模量时,预测范围受到输入参数范围的限制,因为其非线性处理能力较弱[31]。而使用实验数据的简单线性回归模型在预测这些局部性能时仅取得了中等结果(R2 = 0.67–0.80),这主要是由于其对线性的处理能力较差,同时它们也难以预测环境因素的影响[11]。更复杂且基于集成的预测方法,如结合主成分分析(PCA)的梯度提升树回归,通过整合多个基础学习器的预测结果来减少方差,从而提高鲁棒性。该方法将预测误差降低到大约5%的预测屈服强度和刚度,并揭示纤维体积分数是最强的输入微观结构指标[32]。此外,高斯过程回归(GPR)在预测开孔区抗拉强度这一复杂挑战时也表现良好,利用模拟数据和层堆叠顺序来帮助设计最优层压板[33]。
回归算法的比较图表分析表明,不同模型在预测纤维增强复合材料的力学性能方面的表现取决于具体情境。高斯过程回归(GPR)比其他预测模型(如SVR、线性回归和集成模型)更有优势,因为它能够处理异质非线性参数,从而以极高的准确度(相关系数高达99.13%)预测天然纤维复合材料的抗拉强度和冲击韧性[34]。这在热塑性碳纤维和玻璃纤维复合材料中得到了验证[35]。对于处理过的黄麻纤维复合材料,XGBoost在抗拉强度和硬度预测方面表现最佳(R2超过0.97),因为它能够非常准确地进行非线性参数的预测,但其参数范围存在局限性[36]。对于CFRP系统,模型性能取决于目标性能;岭回归在其他目标性能预测中表现最佳(R2最高达0.966),而SVR模型则最能准确预测其他力学行为[37]。多种回归器的有效使用也得到了证实,例如一组模型(DT、MLP、SVR、KNN、LR)在63%的情况下能够非常精确地预测与拉伸相关的特性[38]。同样,使用随机森林等集成方法预测亚麻/环氧复合材料的拉伸模量时,结果与纤维取向相关性强(R2 > 0.94),尽管这些方法因输入变量范围狭窄而受到限制[39]。
3.2 神经网络(NNs)
人工神经网络(ANNs)在预测复合材料的广泛力学性能方面表现出很高的能力,因为它们能够处理中等规模到大规模的非线性数据集,尽管可解释性有限。在许多情况下,ANNs的性能超过了典型模型(见表2)。它们能够使用文献数据高精度地预测基本抗拉和抗压强度(R2最大为0.91[40])。结合遗传算法和主成分分析的混合模型甚至能够进一步再现单向CFRP的横向性能数据(R2最大为0.89[41])。ANNs的主要优势在于它们能够考虑物理原理,这在通过分解应变和应力来更准确地预测拉伸和剪切特性时得到了体现[42]。它们有许多应用,包括预测短纤维复合材料的弹塑性行为[43]、浸渍后GFRP弹性模量的降低[44],以及在 stiffness 预测方面超越了传统的均质化方法(如Mori–Tanaka方法[45])。即使是复杂材料,如超高性能混凝土(抗拉强度和应变R2超过0.90)和天然纤维复合材料(应力–应变行为准确率超过90%),也适用ANNs建模[46],但实现更广泛的预测范围需要研究人员保持输入参数的简洁性[47,48]。一项研究报告称,双ANN架构在分类简单纤维成分的性能时优于传统方法,准确率超过95%[49]。另一项研究指出,ANN架构仅需一秒钟的计算时间即可准确预测CFRP的拉伸性能,而多尺度建模则需要38小时[50]。
3.3 混合方法
混合建模技术在提高纤维增强复合材料的预测能力和力学性能方面正变得越来越重要。基于多种模型的混合技术通常比单一模型更有效(见表3的总结)。例如,在高性能水泥基复合材料(HPFRCC)中,XGBoost由于集成了多个决策树,因此在抗压强度和延展性等性能的预测中表现优于ANN、SVR和CART,R2得分达到0.957[59]。在CFRP的比较研究中,随机森林(RF)在结合ANN、SVR和GBM的组合中表现最佳,因为该组合方法能够识别纤维体积分数和基体密度等关键特征[8]。循环神经网络(RNNs)在处理层序数据时也能很好地预测弹性模量(R2为0.98[60])。K均值聚类(K-means)和ANN的结合也能基于微观结构图像快速预测模量[61]。此外,深度神经网络(DNNs)在预测3D编织复合材料的均质弹性特性时表现出色(R2超过0.97[55]),并且可以与其他方法结合使用以增强预测能力[56]。例如,当CNN与主成分分析(PCA)结合时,其预测拉伸性能的能力得到提升[54]。尽管基于图像的技术在计算速度上具有优势,但仍有研究建议进一步发展以更好地捕捉纤维排列和密度的影响[58]。
3.4 综合应用
结合多种方法可以提高纤维增强复合材料的预测能力和力学性能。例如,在高性能水泥基复合材料(HPFRCC)中,XGBoost由于集成了多个决策树,因此在其抗压强度和延展性等性能的预测中表现优于其他模型[59]。在CFRP的比较研究中,随机森林(RF)结合了ANN、SVR和GBM的组合,因为该方法能够识别纤维体积分数和基体密度等关键特征[8]。递归神经网络(RNNs)在处理层序数据时也能很好地预测弹性模量[60]。此外,混合模型(如ANN-SVM)结合微观结构信息,能够有效处理非线性关系,从而预测广泛的性能[62]。除了传统的机器学习方法(如回归模型、人工神经网络(ANN)和卷积神经网络(CNN)之外,还有其他替代的建模方法,例如进化算法、聚类算法和概率模型等,这些方法可用于预测纤维增强复合材料的力学性能。尽管这些方法可能不够传统,但在处理小型数据集、优化工艺参数和结构健康监测方面,它们具有相当大的潜力。同样,无监督学习方法,特别是聚类算法(如K-means),也被应用于结构健康监测领域。例如,K-means聚类结合主成分分析(PCA)被用来识别和分类具有开口孔洞的碳纤维增强复合材料在拉伸测试中的损伤情况。研究表明,这种方法在利用实验数据和模拟数据进行深入表征方面具有很大的应用前景,无论是对于单向还是准各向同性的复合材料铺层结构,都可以扩展到冲击和弯曲性能的分析中[66]。另一项疲劳研究也应用了K-means聚类方法,其结果与[45/90]4s和[45/0]4s铺层序列的CFRP层压梁微观断裂图像的观察结果非常接近,这验证了该模型在评估疲劳响应方面的可靠性[67]。这些其他建模方法强调了优化、聚类和概率模型在复合材料力学中的重要性。然而,大多数研究仍受到小型数据集或特定领域数据集的限制,需要对更大的复合材料系统及其力学性能进行进一步的外推和验证。
4. 弯曲性能预测
4.1. 回归
使用回归构建的机器学习模型在预测纤维增强复合材料的力学性能方面非常有效,这些模型的性能往往取决于材料系统和数据集。例如,XGBoost由于其聚合决策方法,在生物复合材料中展示了很高的精度,其纤维增强系统的弯曲强度R2值超过0.97。研究发现,纤维含量是最关键的变量[36]。同样,岭回归在预测弯曲强度方面也表现出色(R2值高达0.966),而支持向量回归(SVR)在预测其他性能指标时更为有效,这表明需要根据具体需求选择合适的模型[37]。通常情况下,集成方法(如随机森林(RF)和梯度提升)在处理复杂非线性关系时具有更高的准确性[68]。RF在预测3D打印复合材料的载荷-伸长关系方面几乎达到了完美的预测效果(R2 = 0.99),尽管存在过拟合的潜在风险[68]。梯度提升在预测碳/PPS复合材料的弯曲模量方面也非常有效(R2 = 0.977)[69]。Extra Trees回归器也遵循这一趋势,在碳、玻璃和混合复合材料的实验数据上获得了0.99的R2值,这展示了集成方法和混合数据集在做出可靠预测方面的能力[15],因为它们通过构建多个决策树并汇总预测结果来减少方差。虽然岭回归在某些应用(如大型复杂数据的弯曲强度预测)中可能非常强大,但通常建议使用集成算法[70]。然而,这类回归机器学习应用的一个普遍问题是关键变量(包括制造参数和多层次交互作用)的表示不足,这可能会限制模型的泛化能力,即使报告了高精度也是如此[15,36]。
4.2. 神经网络(NNs)
人工神经网络(ANNs)、深度神经网络(DNNs)和卷积神经网络(CNNs)代表了先进的神经网络,它们能够利用数值和视觉数据处理涉及参数的非线性关系,从而预测纤维增强复合材料的力学性能,如图3所示。这些模型的第一个优点是它们可以在微观结构数据上进行训练;卷积神经网络(CNNs)被用于预测E-玻璃纤维复合材料的全场应力分布,由于其在处理图像数据方面的强大能力,其预测效果几乎达到了完美(相关性接近0.999)[53]。条件生成对抗网络(cGAN)经过CNN训练后,能够基于不同材料属性的图像数据提供几乎完美的应力分量预测(相关性接近0.99)[71]。除了分析图像外,传统的ANNs也被发现能够在宏观层面上对具有不同纤维方向和加载路径的弹性塑性应力响应进行出色的泛化处理[43],以及长期浸泡过程中GFRP纤维性能(如弹性模量和硬度)的退化[44]。在实验数据有限的情况下,长短期记忆(LSTM)网络与迁移学习的结合也被成功应用于预测,因为它能够处理复杂的关系统统,在弯曲数据有限的情况下成功预测完整的应力-应变曲线[72]。为了提高其实用性,基于理论的机器学习(TGML)结合DNNs增强了在未探索的设计空间中的预测能力,并具有非线性建模的潜在应用[73]。最后,贝叶斯神经网络(BNNs)通过提供可解释的应力量化(如汉密尔顿蒙特卡洛方法)进一步改进了这一领域,相比简单方法,BNNs能够提供更有用的不确定性量化[74]。
4.3. 混合方法
近期混合机器学习(ML)方法的改进在提高纤维增强复合材料的力学性能预测方面非常有用,具体内容总结在表4中。其中一种值得注意的是混合结构,包括一个交叉链接的ANN-SVM模型,该模型展示了在多种纺织聚合物复合材料中预测多种性能的能力。但是,该模型在最佳预测性能方面可能受到特定制造条件和训练数据中使用的材料类型的限制[62]。单独来看,高斯过程回归(GPR)由于能够处理异质复杂属性,在预测方面表现出极高的精度(R2 ≥ 0.99),在预测编织碳纤维复合材料的多尺度复杂行为方面优于ANN和多重线性回归[75]。在难以预测的情况下,例如超高性能混凝土(UHPC)的弯曲性能,混合神经网络通过分层多模型技术(如随机森林(RF)和XGBoost)获得了更好的结果(验证R2为0.951),显示出集成方法的优越性[76]。这种先进方法的应用也体现在新材料的预测中,例如ANN和GPR模型被用来预测含有石墨烯纳米片的复合材料的弯曲性能,取得了与实验结果高度一致的准确结果[63]。
5. 结论
机器学习(ML)在材料和复合材料的研究及工程中是一项革命性的发展,因为它能够预测纤维增强复合材料(FRCs)的拉伸和弯曲性能。本文通过对从基本回归算法到先进的深度学习模型的广泛ML模型的回顾,得出了以下结论:
(a) 机器学习(ML)和有限元分析(FEA)已被广泛用于利用实验数据、模拟数据和增强数据集来确定纤维增强复合材料(FRCs)的力学性能[10,77]。选择ML、FEA或混合方法取决于具体需求。
(b) 文献中介绍了针对单纤维系统或具有单一/两种/三种属性的简化机器学习建模,而不是全面的拉伸和弯曲性能预测。值得注意的是,所应用的框架仅包括数值属性或基于图像的分类,而不是两种预测类型的组合。
(c) 最常用的算法是神经网络(ANN、CNN)、回归和分类算法(SVM、DT)以及深度学习算法[10,77]。特别是人工神经网络(ANNs)和支持向量机(SVMs)在性能预测、设计优化方面表现出色,并提供更高的相关系数和正确的模式识别能力,而CNNs在损伤检测和预测方面非常有效。
(d) ML模型的验证通常通过交叉验证、训练-测试分割和性能指标来进行,以确保模型的鲁棒性和泛化能力。
(e) 不同因素影响了模型的性能,如架构的复杂性、计算成本、与其他方法的兼容性、评估模型的类型、训练数据的数量以及输入参数(如材料类型、材料含量、制造过程和用于评估的统计指标)[78]。
(f) 如果下一代ML模型能够利用更多特征(如材料属性、结构特征、加载条件和环境条件),则可能带来革命性的变化。多尺度建模、失效机制的整合、非线性行为和不确定性量化将进一步提高模型的准确性和鲁棒性。
(g) 新的ML发展,如混合算法、自适应学习和多保真度建模,提供了有希望的前景[79],但仍存在许多挑战和限制,包括数据质量、一致性、可用性、模型泛化、超参数选择、黑箱模型的解释性和可信度等。
总之,有大量证据表明,ML能够可靠且有效地映射复合材料组成材料、结构和力学性能之间的复杂关系,从而减少对昂贵且耗时的实验周期的依赖。尽管如此,ML的潜力尚未得到充分发掘。社区可以不仅将其作为预测工具,还可以将其作为未来创新驱动的可靠复合材料架构设计的核心。更综合的方法,如结合物理行为的混合ML-物理模型,可以考虑用于一致性的预测,而不仅仅依赖统计相关性,同时进行多尺度建模和更广泛材料及环境变量的探索,以应对未来的研究挑战。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号