环氧/玻璃纤维(EP/GF)复合材料因兼具机械强度、电气绝缘性和环境稳定性,被广泛应用于高压电力设备、航空航天部件和可再生能源系统中[[1], [2], [3], [4]]。它们既作为干式空气芯反应器、气体绝缘开关设备、航空雷达的结构部件,也用于牵引或驱动电机[5,6]。在实际应用中,EP/GF复合材料会经历复杂的工况循环,如启停电负荷、高度变化以及频繁的加速和减速,从而导致长时间暴露于热应力与冷热循环耦合应力下[7,8]。这些应力会引发树脂中的微缺陷并恶化纤维-基体界面,加速绝缘性能的下降[9,10],进而引发局部放电、介质击穿和灾难性故障,威胁系统可靠性和安全性[[11], [12], [13], [14]]。因此,在耦合应力下提高材料的抗裂性和绝缘性能退化能力是基础研究和工程实践中的关键挑战。
目前的解决方案通常遵循两种途径,但两者都面临韧性(抗裂性)与介电强度之间的权衡。使用微米或纳米级颗粒进行增韧可以提高断裂韧性[[15], [16], [17], [18]]。然而,颗粒团聚常会导致局部缺陷和应力集中,从而降低材料的固有击穿强度,并在热循环过程中提供裂纹起始点[7,[19], [20], [21], [22], [23], [24], [25], [26]]。分子级改性是另一种方法:在环氧树脂主链或固化剂中添加柔性单元(如聚醚或聚硅氧烷)可增加链的流动性,改善应力分散[27], [28], [29]]。不过,较高的柔韧性通常会降低玻璃化转变温度(Tg),并在高电场下增加电荷迁移率,从而削弱介电强度[[30], [31], [32], [33]]。相比之下,基于高功能环氧树脂的高度交联网络可以提高模量和理论介电性能[[34], [35], [36]]。但这种方法会限制应力松弛并增加材料的脆性。
二甘醇基4,5-环氧环己烷-1,2-二羧酸酯(DGECHD)和二甘醇基4-环己烯-1,2-二羧酸酯(DGTHPA)是可直接参与环氧-酐体系固化反应的环氧单体,能形成化学键合的均匀交联网络。文献表明,DGECHD作为一种三官能环状环氧树脂,可提高压力绝缘材料的交联密度、耐热性和机械强度[37]。DGTHPA是一种含有柔性酯基团和环己烯单元的双官能单体,常用于低温韧性增强和稀释剂,在相关研究中表现出良好效果[38,39]。将DGECHD和DGTHPA同时引入传统高压环氧-酐体系中,有望实现交联密度和分子链柔韧性的协同提升。然而,现有研究主要关注DGECHD的高温热稳定性,而DGTHPA的研究则集中在低温韧性方面。同时研究DGECHD和DGTHPA对传统高压环氧-酐体系在热应力与冷热循环耦合应力下的介电强度和抗裂性的影响尚不充分。DGECHD和DGTHPA含量对环氧-酐体系结构-性能关系的影响尚不明确,这是指导更合理环氧树脂交联网络设计、实现交联密度与分子链柔韧性平衡的关键科学问题。
从建模角度来看,要在热老化和冷热循环耦合应力下进行合理配方设计,需要建立分子网络特性与宏观裂纹形成及绝缘退化之间的定量联系。分子动力学(MD)模拟能够有效提取网络级参数(如交联连通性、缺陷形态和自由体积),这些参数难以直接测量[40,41]。由于时间和长度尺度的限制,MD无法明确解析复合材料的失效机制(包括复杂载荷下的损伤累积和介质击穿)。多尺度方法(如MD-FEM或MD-CFD)将分子级信息融入连续介质本构模型,实现不同尺度之间的关联[40,[42], [43], [44], [45]]。在高度组合的环氧设计空间中进行配方筛选时,此类模拟需要大量的参数校准和重复计算,限制了其在快速数据驱动优化中的应用。机器学习(MD-ML)提供了一种高通量方法,通过MD衍生的参数学习结构-性能关系[46], [47], [48], [49]]。然而,纯数据驱动的替代方法往往预测能力较弱,且物理解释性有限,尤其是在温度和老化趋势主导性能演变时[47,50,51]。此外,人工智能辅助的材料设计在模型训练阶段需要大量数据,而数据有限时预测材料性能仍存在外推偏差问题。
本文通过引入DGECHD和DGTHP,实现了传统环氧-酐体系(DGEBA/MTHPA)的交联度和分子链柔韧性的协同提升。设计框架如图1所示。该集成设计策略将分子结构与宏观性能联系起来,实现数据驱动的环氧系统优化。首先,通过对比25种环氧树脂配方的MD模拟结果与8种关键配方的实验测试,系统研究了DGECHD和DGTHPA含量变化对DGEBA-MTHPA体系微观-介观参数和宏观特性的影响。同时构建了包含模拟和实验结果的数据集。采用两阶段物理信息神经网络(PINNs),并结合物理约束条件(如橡胶态与玻璃态之间的热膨胀系数跳变、Williams-Landel-Ferry方程和Clausius-Mossotti方程)来预测EP/GF复合材料在热应力与冷热循环耦合应力下的损伤程度和交流击穿强度(相关方法细节见补充材料第1节)。最后,在PINNs基础上进行帕累托优化,确定最佳配方,并通过实验验证。结果表明,采用该方法设计的EP/GF复合材料在453 K下经过1200小时加速热老化和5次冷热循环(228 K至428 K,10 K/min)后,其抗裂性和绝缘性能明显优于传统环氧-酐体系。本研究为高性能复合材料的设计提供了坚实的理论基础和方法论参考。本文的创新之处在于:
(i)分子设计:通过将DGECHD(三官能环氧)和DGTHPA(柔性单元环氧)引入传统DGEBA/MTHPA体系,实现了对裂纹和绝缘退化的协同抑制。
(ii)方法论:开发了两阶段物理信息神经网络,用于在统一的物理框架内建立多功能EP/GF复合材料的配方-结构-性能映射。该模型利用MD模拟和实验测量的微观、介观和宏观参数进行监督,并受热膨胀和介电行为等物理关系的约束。
(iii)应用场景:通过结合两阶段物理信息神经网络和帕累托优化,在热应力与冷热循环耦合应力下,对多功能EP/GF复合材料的绝缘强度和抗裂性进行了系统筛选和协同优化。