基于少样本数据增强与两阶段可解释机器学习的技术，实现AFP热塑性复合材料的多目标优化

《COMPOSITE STRUCTURES》：Multi-objective optimization of AFP thermoplastic composites via few-shot data augmentation and two-stage explainable machine learning

　　曲贤坤|何雷|陈毅伟|范从泽|宋文哲|郑静华|肖睿•一种基于GPR-WGAN-GP的策略可实现受物理约束的少样本数据增强。•两阶段模型嵌入微观结构，提升了预测精度与可解释性。•研究了孔隙率对材料力学性能的主导作用及非线性阈值效应。•在NSGA-II优化中将孔隙率阈值作为显式约束条件纳入。引言连续碳纤维增强热塑性复合材料具有出色的比强度、比刚度、可回收性以及较短的成型周期[1]、[2]，这些优点使其在航空航天和轨道交通领域具有巨大应用潜力[3]、[4]。在各种制造技术中，自动纤维铺层技术是一种高效的自动化成型方法[5]、[6]，它能够实现热塑性复合材料零步骤整体成型，即原位固化工艺，已成为大规模生产热塑性复合材料的关键技术[7]、[8]。然而，自动纤维铺层的原位固化属于多场耦合的瞬态过程，其层间粘接质量对工艺参数极为敏感。热量输入、固化力以及铺层速度等参数会直接影响层间树脂的熔化情况、纤维与基体的界面扩散以及微观结构的演变。参数不匹配可能会导致微缺陷的产生，如气孔、结晶度不均以及未完全融合等问题[9]、[10]，这些缺陷会显著降低复合材料的层间弯曲强度和层间剪切强度[11]、[12]。研究表明，孔隙率是影响材料力学性能的最主要因素[13]、[14]，而结晶度则会影响基体刚度及载荷传递效率，对材料的弯曲性能也有重要影响。此外，层间断裂表面的粗糙度是判断材料融合质量及失效模式的重要指标，它能直观反映相邻层之间分子链的接触程度及扩散状况[15]、[16]。原位固化的自动纤维铺层材料的孔隙率会随着加工条件的不同而有很大差异，在固化不足的情况下，孔隙率可能超过3.0%，从而导致材料力学性能下降[17]；而在优化条件下，孔隙率可控制在1.5%甚至更低水平[6]。因此，系统研究工艺参数对层间弯曲强度和层间剪切强度的影响至关重要，从孔隙率、结晶度以及融合质量等微观层面揭示其内在机制，对于实现高性能的原位固化工艺十分必要。在相关研究中，Stokes-Griffin等人[18]发现，当工艺温度超过320°C时，聚酰胺6基体由于熔体粘度过低而出现严重挤压现象，这会导致层间剥离强度急剧下降。Venkatesan等人[19]证明，提高模具温度并使用弹性压实辊可以有效改善碳纤维增强聚酰胺6复合材料的界面致密化及结晶行为。Dong等人[20]通过正交实验发现，激光功率与铺层速度之间的相互作用会显著影响碳纤维增强聚醚醚酮材料的层间剪切强度。Cheng等人[21]阐明了铺层方向与工艺参数之间的动态耦合机制，他们发现有针对性地降低热量输入可以有效提升界面接触质量，使层间剪切强度提高25.45%。Backmann等人[22]表明，提高模具温度可以显著提升复合材料的拉伸强度，而较低的铺层速度则更有助于降低孔隙率并提高结晶度，进而增强材料的力学性能。上述研究揭示了单一或少数工艺参数对材料力学性能的影响规律。然而，传统的优化方法主要依赖试错法以及响应面法[23]，由于实验成本高昂且设备限制，难以获取大规模数据集，从而导致严重的少样本数据短缺问题[24]、[25]。目前，机器学习技术已被广泛应用于复合材料性能预测及工艺优化领域[26]、[27]。Al-Hadidi等人[28]将微观力学模型与机器学习算法相结合，基于主动学习方法构建了随机森林预测模型，该模型能够在大幅降低计算成本的同时，实现对复合材料横向及剪切性能的高精度预测。Machello等人[29]基于787组实验数据建立了贝叶斯优化树模型，成功实现了对复合材料高温拉伸强度保持率的精准预测。不过，在仅有有限实验数据的极端少样本条件下，如何构建可靠的预测模型仍是一个重大挑战。生成对抗网络作为一种强大的数据增强工具，为解决这一难题提供了可行方案。Qu等人[30]开发了一种结合GAN与人造神经网络的数据增强模型，用于解决界面性能预测中的少样本问题。Li等人[31]提出了一种带约束的改进型Wasserstein GAN数据增强技术，并结合SHapley加性解释方法进行可解释性分析，这一方法有效解决了复合夹层结构抗冲击性能设计中的少样本问题。然而，目前复合材料领域的现有数据增强技术通常缺乏物理约束，生成的样本可能会偏离真实的物理分布，从而导致下游模型出现过拟合或物理偏差的问题。在机器学习模型的选择与应用方面，梯度提升树算法在工程预测领域表现极为出色。先前的研究已经证实，CatBoost模型能够基于碳纤维增强聚酰胺6原位固化过程中的有限实验数据，实现对材料力学性能的精准预测，这充分体现了该算法在少样本场景下的巨大潜力[32]，因此本文将其作为两阶段级联预测模型的核心算法。不过，无论采用何种算法，数据驱动的模型本质上都属于缺乏物理解释的黑箱模型，这就引发了人们对预测结果可靠性的担忧。SHAP方法为黑箱模型的可解释性分析提供了一种理论严谨的工具[33]、[34]。更重要的是，从建模范式的角度来看，大多数现有研究采用的单阶段模型直接将工艺参数与力学性能联系起来，这类模型忽略了孔隙率、结晶度以及表面粗糙度等微观结构变量在工艺与性能关系中的作用。经典的工艺-结构-性能范式认为，工艺参数首先决定了微观结构的演化，随后微观结构又控制着材料的宏观力学响应[35]，将这种物理因果链条融入机器学习框架中，有望提升预测精度[36]。在多目标优化方面，粒子群优化、遗传算法以及模拟退火等启发式算法被广泛用于优化复合材料的工艺参数[37]、[38]，其中，非支配排序遗传算法II由于其出色的全局搜索能力、多目标帕累托前沿生成效率以及种群多样性维护机制，已成为材料工艺优化领域的主流方法。近期的研究[39]、[40]表明，将优化算法与机器学习预测模型相结合，可以实现复合材料工艺参数的高效协同优化。然而，现有的优化框架通常没有考虑微观结构的物理约束，因此优化得到的解可能落在物理上不可行的参数范围内。为解决这些问题，本文提出了一种基于少样本可解释机器学习并嵌入微观机制的多目标优化框架，该框架包括用于解决少样本问题的受物理约束数据增强方法、集成微观结构中间变量的两阶段可解释预测模型，以及基于微观约束的多目标遗传算法。具体而言，针对仅有17组实验数据的有限数据情况，本文提出了基于高斯过程回归引导的条件Wasserstein生成对抗网络配合梯度惩罚的GPR-WGAN-GP策略，通过在标准残差空间内进行受物理约束的条件分布学习，该策略避免了传统GAN存在的模式崩溃及物理矛盾问题。在此基础上，构建了遵循工艺-结构-性能因果链条的CatBoost两阶段级联预测模型，结合SHAP分析，该模型能够定量揭示工艺参数及微观变量对层间弯曲强度和层间剪切强度的影响机制及调控作用。最后，通过SHAP分析确定的孔隙率阈值被作为物理约束条件纳入NSGA-II多目标优化中，从而实现层间弯曲强度和层间剪切强度的协同优化，且优化结果通过制备验证样件进行了闭环验证。材料与设备本研究采用了江苏恒博复合材料有限公司提供的单向T700碳纤维/聚酰胺6复合带，该材料的密度为1.49克/立方厘米，树脂质量分数为33%，单向带宽度为12.7毫米，厚度为0.18毫米。其基体材料的熔点为220°C，玻璃化转变温度为60°C。样品的制备则是通过定制的自动纤维铺层平台进行原位固化的。该系统集成了一套六轴工业机器学习与优化框架高昂的实验成本以及少样本数据短缺的问题，一直困扰着热塑性复合材料自动纤维铺层原位固化工艺的优化工作。传统的黑箱模型忽视了微观结构的中介作用，容易导致模型过拟合以及出现物理上的矛盾现象。为解决这些问题，本文提出了一种基于少样本可解释机器学习并嵌入微观机制的多目标优化框架，其整体架构如图3所示。该框架在少样本条件下的RSM分析如2.2节所述，本文采用了基于Box-Behnken设计中的17组样本的响应面法，由此构建了层间弯曲强度和层间剪切强度的二次回归模型，如方程(7)和方程(8)所示，通过方差分析来评估这些模型的显著性及预测能力，表2展示了详细的方差分析结果。SFS= 103.7623 + 37.1406A+ 5.8562B-0.9149C+ 0.0903AB+ 0.0029AC+ 0.0008BC-0.5723A2-0.2428B2+0.0014C2SILSS=-16.4926+3.5551A+0.5008B-0.0001C-结论本文提出了一种嵌入微观机制的少样本可解释机器学习框架，用于对自动纤维铺层原位固化的碳纤维增强聚酰胺6热塑性复合材料进行多目标优化。该框架整合了受物理约束的数据增强方法、两阶段可解释预测模型以及基于微观约束的多目标优化方法，其有效性已通过实验表征及闭环验证得到证实。主要结论如下：(1) CRediT作者贡献声明曲贤坤：撰写——初始草稿。何雷：方法论。陈毅伟：验证。范从泽：资源提供。宋文哲：研究调查。郑静华：研究调查。肖睿：可视化处理。利益冲突声明作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。致谢本研究得到了国家自然科学基金（项目编号52505392与U2570238）的支持。