基于中尺度代表性体积元图像的编织热塑性复合材料结构-性能人工智能预测

《Next Materials》：AI-enabled structure-property prediction of woven thermoplastic composites from mesostructural RVE images

　　

编织热塑性复合材料因轻量化工程应用而备受关注，但其弹性响应受纱线宽度、纱线间距、卷曲及富基体区等中尺度结构特征显著影响。高保真有限元均匀化可捕捉此类结构-性能关系，但计算成本限制了其在快速材料设计与大参数探索中的使用。研究人员开发了一种基于图像的多任务深度学习代理模型，用于从平纹碳/聚苯硫醚（PPS）复合材料的中尺度代表性体积元（RVE）表征中预测有效弹性性能。利用TexGen生成999个具系统纱线几何变化的编织复合材料RVE合成数据集，并在Abaqus中于周期性边界条件下模拟。以双视角RVE图像与纱线纤维体积分数为输入，训练多任务CNN–MLP模型预测域纤维体积分数、E11、E22、G12与ν12。模型对所有输出均达高预测精度，R2高于0.98，同时将平均评估时间从有限元模拟的每RVE 25.05秒降至4.94毫秒。除复现基于有限元（FEM）的均匀化性能外，该框架捕捉了纱线压实与卷曲对刚度及泊松比的几何影响。所提方法为编织热塑性复合材料提供了快速的AI赋能结构-性能映射工具，并为加速复合材料设计提供实用路径。

研究背景方面，纤维增强聚合物复合材料因轻量化、耐腐蚀及优异力学性能广泛用于汽车、航空航天等领域，其中编织纤维增强复合材料因交织纱线架构具备更高损伤容限与平面内性能均衡性。然而其非均匀中尺度结构（纱线卷曲、起伏、富基体区及界面效应）使弹性性能预测困难。解析细观力学模型虽快，但理想化假设难以刻画强几何效应；有限元（FEM）均匀化精度高，但逐RVE细网格离散导致单次模拟耗时约25.05秒，大参数空间探索计算 prohibitive。近年人工智能（AI）与数据驱动代理模型兴起，卷积神经网络（CNN）可提取微结构图像空间特征，混合CNN–MLP能联合图像与标量描述符，但直接以中尺度RVE双视角图像映射平纹编织弹性常数且显式涵盖纱线宽度/间距变化的研究仍有限。为此，研究人员以平纹碳/聚苯硫醚（PPS）单层复合材料为对象，构建TexGen–Abaqus自动流水线生成999个RVE合成数据，训练多任务CNN–MLP代理，实现毫秒级有效弹性性能预测。

关键技术方法上，研究人员采用分层随机抽样在纱线宽度w∈[2.0,3.5] mm、间距s∈[2.5,5.0] mm区间生成999个2×2平纹RVE；纱线作为等效单向（UD）复合材料，其横观各向同性工程常数由Chamis细观力学模型基于T300JB碳纤维与CETEX PPS基体性能及纱线纤维体积分数V_f^yarn计算；TexGen输出几何经Abaqus在平移周期边界条件下施加载荷工况计算均匀化有效性能（V_f^RVE、E₁₁、E₂₂、G₁₂、ν₁₂）；每RVE提取XY与XZ双平面图像连同V_f^yarn作输入，多任务CNN–MLP直接回归上述五目标，五折交叉验证与独立测试集评测。

研究结果部分，第1节引言阐明编织复合材料优势与预测瓶颈，指出现有解析法、PGD、顺序CNN–DNN等局限，确立本文图像直推式多任务框架定位。第2节计算实验设计含材料与几何变异：2.1节给定T300JB碳纤（E₁₁=231.0 GPa等）与PPS基体（E=3.80 GPa）线性弹性参数，N_f=3000、d_f=7 μm固定，V_f^yarn=N_fπd_f²/(4A_y)，Chamis式(2)-(7)得纱线E₁₁^yarn、E₂₂^yarn=E₃₃^yarn、G₁₂^yarn等；2.2节定义w、s分层抽样三V_f^RVE仓（15–25%、25–35%、35–45%），RVE长2s、厚H_RVE=0.22 mm，约束V_f^yarn≤0.91且s>w，附加50个近V_f^RVE=0.3947±0.0054的灵敏度RVE用以隔离几何效应。其余章节（依原文接续）通过999样本训练集表明：双视角图像编码面内覆盖/交叠与厚度向起伏，V_f^yarn补标量信道；多任务CNN–MLP所有输出R²>0.98，单RVE推理4.94 ms，较FEM加速约5070倍；纱线加宽使V_f^yarn降而横向模量减，间距加大引入富基体致V_f^RVE降且E₁₁、E₂₂同步下行，卷曲通过局部取向耦合进刚度与ν₁₂，模型成功复现该几何敏感性。

讨论与结论翻译总结：研究人员指出，该混合FEM–深度学习框架在采样所及平纹碳/PPS设计空间内提供直接图像到性能的代理，免除了显式纱线宽/距标量输入与顺序几何中介误差传播；其预测继承Chamis–TexGen–Abaqus链假设（线弹性、完美粘结、小变形、单层平纹），故外推至其他织法、材料或含损伤/非线性工况无效。结论为：所建CNN–MLP多任务代理以R²>0.98精度复现FEM均匀化弹性常数，并将单RVE评价由25.05 s缩至4.94 ms，显式捕捉纱线压实与卷曲的中尺度几何效应，为编织热塑性复合材料结构-性能映射与加速设计提供可行AI路径。论文发表于《Next Materials》。