复合固体推进剂是火箭发动机的核心动力源，其结构完整性和可靠性直接决定了航天器的安全性和任务的成功。作为一种典型的颗粒填充复合材料，它们的宏观力学行为强烈依赖于介观尺度特性——颗粒堆积体积分数影响初始模量，而颗粒比例影响拉伸强度和断裂伸长率。准确预测外部加载下的介观应力场对于理解推进剂损伤起始等失效机制至关重要，这是推进剂颗粒结构完整性分析的关键前提。在高度填充的颗粒复合材料中，颗粒脱粘或脱湿是一个关键的介观损伤过程，它直接改变了宏观本构响应[1]，因此对其准确捕捉和预测在学术和工程上具有重要意义。
在微观力学分析中，基于有限元方法（FEM）的数值模拟是预测颗粒增强复合材料应力场的主流方法。通过构建包含颗粒、基体和界面相的代表性体积元素（RVE），结合精细的网格划分和本构模型，可以定量再现介观力学响应，并将介观结构与宏观性能相关联[2,3]。然而，传统的FEM在复合固体推进剂方面面临显著的计算瓶颈：高堆积比和多级颗粒尺寸导致的复杂介观结构需要高保真的层间颗粒接触和多方向应力传递建模，从而显著增加了计算成本；此外，粘弹性粘合剂的时变响应和颗粒-基体界面的双线性粘聚损伤需要高度非线性的本构模型，增加了数值收敛的难度[4,5]。这些因素导致单个高保真3D RVE的求解时间长达数十至数百小时，严重阻碍了大样本统计分析和多尺度耦合模拟，因此迫切需要高效的替代方法。
深度学习的进步为高效的数据驱动替代模型提供了新的范式[[6], [7], [8]]。研究人员在复合材料的微观力学方面取得了显著进展，开发了将微观结构映射到力学响应的模型：初步研究集中在具有标量输出的宏观响应预测上[[9], [10], [11], [12], [13], [14], [15], [16], [17]]，这些模型无法满足对空间变化应力场信息的需求；后续研究转向全场应力/应变预测，U-Net及其变体因其出色的局部和空间上下文特征捕捉能力而成为主流[7,[18], [19], [20], [21], [22]]。许多学者改进了U-Net框架，例如Marwa [23]提出了用于纤维增强复合材料的von Mises应力场预测的CompINet，Li [24]开发了用于全场非线性应力分布的三重注意力增强U-Net，Chen [25]提出了用于CFRCs应力场和损伤场的自回归复合U-Net，Fuhg [26]提出了一种结合经典本构定律和机器学习的模型数据驱动混合方法。Shang等人[27]构建了一个端到端的逆向设计框架，用于3D微观结构，该框架将深度学习模型（融合了3D-CNN和通过3D-CNN迁移学习优化的3D-cGAN）与遗传算法相结合。他们验证了这一框架极大地提高了材料设计效率，并具有适用于各种材料和多物理场的优秀迁移潜力。这些数据驱动方法显著提高了计算效率，但对颗粒增强复合材料的深度学习研究仍然很少。
为了解决核心瓶颈——高FEM计算成本、现有深度学习模型对3D层间力学相关性的表征不足以及有限3D样本的泛化能力差的问题，本研究提出了一种系统解决方案，包括数据集优化、模型创新和训练策略改进。在数据集层面，建立了双层系统（2D预训练+3D微调）：2D数据集（2000个介观结构-应力场对）通过改进的RSA算法生成，该算法结合了颗粒吸附、重力效应和网格划分；3D数据集（768个切片样本对）是通过切片3D RVE构建的。在模型设计方面，提出了双注意力U-Net——边缘注意力定位颗粒-基体界面，通道注意力增强高应力特征，残差连接保留了关键的结构细节。在训练策略方面，确定9片输入为最佳方案，结合2D预训练（编码器冻结）和仅解码器微调，以解决有限3D样本导致的编码器训练不足问题。
本文的后续结构如下：第2节详细介绍了数据集生成、双注意力U-Net架构和3D介观应力场预测方法。第3节使用FEM结果作为基准，验证了所提出方法在预训练性能和切片预测性能方面的有效性。第4节总结了核心发现，阐明了该技术解决方案的工程价值，并为颗粒增强复合材料的微观力学研究提供了参考。
