制动时温度模式估算的有效参数确定

《Materials》：Determination of the Effective Parameters for Estimating the Temperature Mode at Braking

　　

碳纤维增强聚合物复合材料（CFRP）的面内剪切性能对结构设计至关重要，但受显著性能分散性的挑战。本研究旨在仅利用单张早期数字图像相关（DIC）应变场，实现对每个复合材料试样的完整剪切应力-应变曲线的个性化预测。研究人员对45个层压碳纤维/环氧树脂试样进行了系统面内剪切试验，同步采集全场DIC数据与宏观载荷-位移记录。研究人员开发了一种轻量级编码器-解码器卷积神经网络，以0.2%全局应变时的单张DIC应变云图作为输入，直接映射至该特定试样直至失效的全范围应力-应变曲线。数据增强和Dropout正则化缓解了小样本挑战。该模型在五折交叉验证中取得了强劲的预测性能，应力R²均值0.926±0.022，均方根误差（RMSE）均值6.37±1.14 MPa。测试集上单个试样的预测平均R²为0.945，最低0.821，证实了其在分散性能下的稳健能力。残差分析阐明了不同变形阶段的误差特征。本研究为复合材料力学性能的非破坏性、早期个性化评估提供了一种新范式，在结构健康监测和概率设计中具有应用前景。

**论文解读**

**研究背景与问题**
碳纤维增强聚合物复合材料（CFRP）因其高比强度和比刚度，在航空航天、汽车和可再生能源领域应用广泛。然而，CFRP的面内剪切性能是结构完整性的关键决定因素，但制造过程中引入的微观结构变异性（如纤维取向偏差、孔隙分布、局部树脂富集）导致力学性能显著分散，即使同一面板切割的试样也存在差异。传统面内剪切测试方法（如V型缺口轨道剪切法ASTM D7078、±45°拉伸测试ASTM D3518）均为破坏性测试，每个试样的完整应力-应变曲线只能通过测试至失效获得，无法实现同一试样的非破坏性评估。近年来，数字图像相关（DIC）技术可提供高分辨率全场应变测量，但现有数据驱动方法大多需要微观结构图像、有限元仿真数据或先验本构假设，未充分利用早期全场应变信息作为个体性能的指纹。因此，研究人员提出利用早期低应变水平下的DIC应变云图，直接预测每个试样完整的应力-应变曲线，从而建立一种非破坏性、早期个性化的力学性能评估方法。

**研究内容与结论**
研究人员在《Materials》期刊上发表了此项研究，通过对45个V型缺口CFRP试样进行系统面内剪切试验，同步采集DIC全场应变与宏观载荷-位移数据，开发了一种轻量级编码器-解码器卷积神经网络（CNN）。该模型以0.2%全局应变时的单张DIC应变云图作为输入，直接映射至该试样的完整应力-应变曲线。采用数据增强（180°旋转与高斯噪声）和Dropout正则化克服小样本挑战。五折交叉验证显示，增强后CNN平均R²为0.926，均方根误差（RMSE）为6.37 MPa，优于基线模型（无增强R²=0.858，RMSE=8.72 MPa）。独立测试集上平均R²=0.945，最差预测R²=0.821，最好达0.992。残差分析揭示了无偏的正态分布误差。本研究的关键创新在于利用早期应变场作为微观结构变异性的“力学指纹”，实现了个体化行为预测，为复合材料的质量控制、结构健康监测和概率设计提供了新范式。

**主要关键技术方法**
研究人员采用的关键技术方法包括：（1）基于ASTM D7078标准的V型缺口轨道剪切试验，对45个由Toray T700碳纤维/350 K固化环氧预浸料制成的对称层压板（19层，含编织表面层和0°/90°单向层）进行准静态加载（1 mm/min），同步采集5兆像素DIC相机图像与万能试验机载荷数据；（2）DIC后处理使用VIC-2D软件，子区29×29像素，步长5像素，计算中心10 mm×10 mm感兴趣区域（ROI）的平均剪切应变；（3）搭建轻量级编码器-解码器CNN，输入为224×224灰度归一化应变云图（0.2%全局应变截取），输出为128点归一化应力向量，包含4个卷积块（32→64→128→256滤波器）和全局平均池化，后接全连接层与Dropout（率0.5）；（4）采用分层5折交叉验证（每折训练36试样、测试9试样，来自3个独立制造批次），并对训练集应用180°旋转与高斯噪声数据增强。

**研究结果**

**3.1 实验数据表征**
所有试样呈现典型的V型缺口剪切破坏，宏观载荷-位移曲线与工程剪切应力-应变曲线表现出显著非线性（初始线弹性段、过渡段、二次较软段和快速失效），且各变形阶段均有明显分散性（剪切强度变异系数CV≈8.7%，割线模量CV≈7.2%）。早期（0.2%全局应变）剪切应变云图显示，即使在此低水平下，不同试样的应变分布已存在显著差异：部分均匀、部分出现局部应变集中，表明早期应变场编码了个体微观结构特征，可与后续力学响应关联。

**3.2 原始数据集上的基线模型比较**
在无增强的原始数据集上，线性回归（PCA降维后）的RMSE=11.75 MPa，R²=0.741；随机森林回归的RMSE=4.96 MPa但R²接近0（0.007），说明其无法捕捉曲线形状相关性；基线CNN（无增强）的RMSE=8.72 MPa，R²=0.858，显著优于前两者，证明CNN利用空间相关性进行预测的优势。

**3.3 增强CNN的交叉验证性能**
增强CNN（含数据增强与Dropout）在五折交叉验证中平均R²=0.926（标准差0.022），RMSE=6.37 MPa（标准差1.14 MPa），相比基线CNN（R²=0.858±0.072，RMSE=8.72±2.43 MPa），精度提升且稳定性增强。最难折（Fold 4）R²从0.749提升至0.916，RMSE从12.21降至7.07 MPa。独立测试集（9试样）上增强CNN的R²=0.945，RMSE=5.43 MPa，优于基线（R²=0.849，RMSE=8.99 MPa）。

**3.4 个体预测性能：最佳与最差案例**
最佳个体预测（R²=0.992）显示预测曲线与实验曲线几乎完美重叠；最差预测（R²=0.821）在中间应变段略有偏差，但仍紧跟趋势。模型成功捕捉了不同试样的个性化非线性行为，而非仅输出群体平均值，这得益于早期应变场作为微观结构指纹。

**3.5 残差分析**
预测残差的直方图近似对称分布，Q-Q图显示残差基本符合正态分布，无系统偏差或异方差性，验证了模型的统计可靠性。

**讨论与结论总结**
**讨论部分**
模型的可解释性通过最后一个卷积层的特征图可视化得到验证：平均激活图聚焦于V型缺口尖端和剪切带区域，这些正是应力集中与损伤起始的关键位置，表明CNN自动学习到了物理意义明确的特征。研究还指出，使用多时间点应变场（如不同应力水平下的云图）可能进一步提高预测精度，因为损伤演化过程具有个体特异性。局限性包括：当前模型仅针对特定对称铺层（编织表面+0°/90°单向层），对其它层压构型需重新训练或微调；DIC噪声水平、ROI选取、不同采集设置等因素可能影响模型鲁棒性；有限数据集（45试样）仍是挑战，尽管数据增强有效缓解过拟合。未来工作可探索时间序列DIC数据、迁移学习、不确定性量化及扩展到其他材料体系。

**研究结论**
本研究旨在仅利用单张早期DIC应变云图（0.2%全局应变）实现CFRP复合材料完整面内剪切应力-应变曲线的个性化预测。研究人员开发并验证了轻量级编码器-解码器CNN，基于45个具有显著性能分散性的V型缺口试样。主要发现如下：增强CNN模型在五折交叉验证中取得了强劲的预测性能，应力平均R²为0.926±0.022，平均RMSE为6.37±1.14 MPa。单个试样预测平均R²为0.945（最低0.821，最高0.992），证实了其在分散性能下的稳健能力。数据增强和Dropout相比基线降低了约40%的RMSE，有效缓解了小样本挑战。残差分析显示了无偏的正态分布误差，支持统计可靠性。关键新颖之处在于利用早期应变场作为微观结构变异性的“力学指纹”捕捉个体化力学行为。综上所述，本研究为复合材料剪切性能的早期评估提供了一种新颖、高效且非破坏性的范式。该框架在复合材料结构的质量控制、结构健康监测和概率设计中具有应用前景。未来工作应探索纳入时间序列DIC数据、跨不同试样几何形状的迁移学习，以及扩展到其他材料体系和加载条件。