《Extreme Materials》:A Semantics-Guided Multimodal Machine Learning Framework for Predicting the Flexural Strength of C/C-SiC Composites
编辑推荐:
碳/碳-碳化硅(C/C-SiC)复合材料是极端航空航天环境中关键的热结构材料,其抗弯强度决定结构可靠性。然而,由于抗弯强度受复杂的非线性工艺-结构-性能关系控制,且实验评估耗时且成本高昂,抗弯强度的可靠预测仍然困难。传统机器学习(ML)模型往往难以捕捉嵌入非结
碳/碳-碳化硅(C/C-SiC)复合材料是极端航空航天环境中关键的热结构材料,其抗弯强度决定结构可靠性。然而,由于抗弯强度受复杂的非线性工艺-结构-性能关系控制,且实验评估耗时且成本高昂,抗弯强度的可靠预测仍然困难。传统机器学习(ML)模型往往难以捕捉嵌入非结构化文本描述中的复杂结构-性能关系。尽管大语言模型(LLM)在自然语言处理方面表现优异,但其直接应用于小样本数值回归仍具挑战。本研究提出一种语义引导多模态机器学习(SGMML)框架,采用经低秩适配(LoRA)微调的LLM文本编码器并结合结构化数值特征。基于142个案例数据集的SGMML模型实现了平均绝对误差(MAE)为25.96 MPa、决定系数(R2)为0.81的性能,在R2指标上分别超越传统ML模型20.9%和微调LLM 92.9%。对通过不同工艺制备的两种C/C-SiC复合材料进行实验验证,预测残差分别为2.1和1.5 MPa。此外,对外部文献样本的独立验证获得MAE为18.08 MPa,证明了该框架在训练数据之外的迁移能力。这些结果表明,将结构化描述符与领域特定文本编码相结合,能够在数据受限条件下实现对先进复合材料性能的准确且可扩展的预测。
**论文解读:语义引导多模态机器学习框架用于C/C-SiC复合材料抗弯强度预测**
**一、研究背景与问题提出**
碳/碳-碳化硅(C/C-SiC)复合材料以碳纤维和碳化硅双基体为特征,兼具碳纤维的高强度、低密度与碳化硅基体的抗氧化性和高温稳定性,被广泛视为航空航天及其他极端环境应用中极具前景的热结构材料。在极端环境服役条件下,材料常承受热-力耦合载荷,其结构完整性与部件可靠性密切相关。在相关力学性能中,抗弯强度尤为重要,因为它反映了复合材料在弯曲条件下(结构部件中常见的载荷模式)的承载能力和损伤容限。
然而,C/C-SiC复合材料抗弯强度的可靠预测仍面临重大挑战。该性能受跨越多重长度尺度的复杂工艺-结构-性能关系控制,最终力学性能不仅取决于组分构成和增强体结构,还受制备路线、致密化行为、残余孔隙率、基体分布及缺陷演化等因素影响。不同制备工艺(如聚合物浸渍裂解(PIP)、化学气相渗透/沉积(CVI/CVD)和反应熔渗(RMI))即使对名义成分相似的材料也会导致显著的弯曲行为差异。尽管实验测试仍是最直接可靠的抗弯强度评估方法,但其成本高、耗时长且劳动强度大,尤其在需要探索广泛工艺和参数空间时尤为突出。
随着材料信息学的快速发展,机器学习(ML)已成为建立材料科学中输入描述符与目标性能之间预测关系的有效手段。对于结构化表格数据集,支持向量回归(SVR)、随机森林(RF)和XGBoost等经典机器学习算法已在非线性关系建模中展现出强大能力,且计算成本相对较低。然而,传统机器学习模型通常依赖人工定义的数值描述符,这可能限制其表征更复杂和上下文相关信息的能力。在材料加工研究中,重要信息常嵌入非结构化或半结构化文本中,如制备描述、工艺记录和微观结构观察。这些文本信息可能包含与缺陷形成、相演化、致密化行为及专家解读相关的隐性知识,难以仅用有限的手工数值变量捕捉。因此,当关键语义信息被忽略时,传统机器学习模型虽能从结构化数据中捕捉总体趋势,但充分描述复杂工艺-结构-性能关系的能力仍受限。
大语言模型(LLM)的最新进展为将文本信息纳入材料性能预测提供了潜在途径。然而,在先进复合材料研究典型的小数据条件下,将LLM直接应用于数值回归仍未得到充分探索和验证,尤其是在零样本和少样本设置下。低秩适配(LoRA)等参数高效微调策略为以相对较低的成本将预训练大模型适配到下游任务提供了实用途径。然而,纯文本LLM不一定能取代结构化机器学习模型在从有限实验数据中学习稳定数值关系方面的优势。因此,将经典机器学习与LLM视为竞争路线不如将其互补优势结合在多模态框架中更具前景。据研究人员所知,针对极端环境中C/C-SiC复合材料抗弯强度预测的经典机器学习、LLM适配和语义-结构化融合的系统比较仍然有限。历史实验数据中蕴含的隐性工艺-结构-性能知识尚未得到充分利用。
**二、研究内容与意义**
针对上述问题,本研究提出了一种语义引导多模态机器学习(SGMML)框架,用于预测C/C-SiC复合材料的抗弯强度,以克服纯数值描述符的局限性。该框架采用经LoRA微调的LLM从制备工艺文本中提取隐含的微观结构语义,并将其与结构化数值特征相集成。研究首先使用结构化数值描述符对经典ML模型进行基准测试,评估其预测性能和局限性;随后在零样本、少样本和基于LoRA的微调设置下评估LLM的回归能力;在此基础上开发了将LLM提取的文本语义信息与传统ML预测器相结合的多模态融合框架;最后对通过PIP+CVD和PIP+RMI路线制备的C/C-SiC复合材料进行实验验证和微观结构表征,以验证所提出框架的有效性、鲁棒性和泛化能力。该研究为在先进陶瓷基复合材料中集成数值描述符和领域文本语义以建模复杂工艺-结构-性能关系提供了实用途径。
**三、主要关键技术方法**
研究人员构建了一个包含142个有效样本的C/C-SiC复合材料数据集,每个样本包含纤维体积分数、SiC体积分数、密度、孔隙率、涂层厚度和最高处理温度等连续数值特征,以及纤维类型、增强体编织结构、制备工艺和缺陷类型等文本类别描述符。采用固定的80:20留出划分(113个训练样本,29个测试样本),并在训练集上进行5折交叉验证以进行超参数调优。研究使用了八种经典ML模型作为基准,评估了多种LLM(包括Qwen系列、DeepSeek-V3.2、ChatGPT-5.4、Claude-Opus-4.6和Gemini-3.1 Pro Preview)在零样本、少样本和监督微调条件下的表现。SGMML框架采用三层架构:第一层使用经LoRA微调的Qwen3.5-0.8B对非结构化工艺文本进行编码(秩r=8,仅更新约1%参数),通过均值池化获得1024维文本嵌入;第二层通过互信息(MI)选择保留与目标性能最相关的K=32维,再经主成分分析(PCA)降至8维主成分,与10维标准化数值特征早期拼接形成18维融合特征向量;第三层将融合特征输入XGBoost回归器进行抗弯强度预测。实验验证部分制备了两种不同强化机制的C/C-SiC复合材料样品:样品A(PIP+CVD)代表表面强化体系,2.5D预制体经压力辅助沥青浸渍裂解致密化至2.0 g/cm
3后,在1200 ℃下通过CVD沉积20 μm SiC涂层,最终密度2.1 g/cm
3、孔隙率5%;样品B(PIP+RMI)代表块体异质基体体系,2.5D预制体经糖水凝胶热解碳浸渍至1.2 g/cm
3后,在1650 ℃下进行反应熔渗2小时,最终密度2.3 g/cm
3、孔隙率15%。通过三点弯曲试验评估抗弯强度,结合X射线衍射(XRD)和扫描电子显微镜(SEM)进行物相和断口形貌分析。
**四、研究结果**
**1. 基准评估:单一模态的局限性**
通过分析抗弯强度分布(右偏非高斯分布,向高强度样本有较大尾部)和混合型关联分析发现,虽然纤维类型和制备工艺等数个工艺-结构相关类别描述符与抗弯强度有较强关联,但没有任何单一结构化描述符能完全解释其变化。八种经典ML模型的测试结果表明,虽然基于树的集成模型(如XGBoost,R
2=0.67)展现出合理的预测能力,但均低估了高强度样本。从材料科学角度看,体密度和名义孔隙率等数值描述符仅提供复合材料状态的宏观尺度均匀性信息,无法区分内部缺陷的不同拓扑形态(如孤立的微孔与互连的微裂纹),而这些拓扑细节对裂纹萌生和扩展至关重要。零样本和少样本LLM在数值回归中表现不佳,预测方差大且R
2得分低;LoRA微调能显著稳定预测,但纯文本模态仍未能达到工程应用所需精度。该结果表明,传统ML模型数值精确但微观结构"盲",而独立LLM语义感知但数值不精确,单一模态均无法完全解决小样本复合材料数据集中的结构-性能映射问题。
**2. SGMML框架的性能与可解释性**
SGMML模型在测试集上表现优异,R
2为0.81,RMSE为42.31 MPa,MAE为25.96 MPa,高强度区域的严重低估问题较基线模型得到大幅改善。消融研究表明:纯文本处理记录(R
2=0.774)比纯数值指标(R
2=0.710)具有更高的预测潜力;文本和数值的朴素拼接导致性能下降,表明未经适当表征编码时存在跨模态语义干扰;LoRA适配的引入对将通用LLM嵌入转换为任务特定的微观结构表征至关重要;特征降维策略缓解了小样本条件下的过拟合风险,互信息选择与PCA联合使用将1024维文本嵌入降至8个潜在轴,有效去除文本噪声同时保留核心工艺语义。t-SNE潜在空间可视化显示,SGMML框架生成了组织良好的潜在空间,相同抗弯强度水平的样本明显聚集。特征重要性分析表明,LLM提取的第一主成分(LLM-PC1)是最重要的预测因子,与制备方法和纤维类型有强关联,充当了捕捉文本描述中隐藏的工艺诱导结构特性的连贯语义轴。
**3. SGMML框架的独立验证**
对两种通过根本不同方法制备的2.5D C/C-SiC样品进行实验验证。微观结构表征显示:PIP+CVD复合材料(样品A)具有厚而连续的基体,缺陷少,裂纹扩展极少;PIP+RMI样品(样品B)呈现网状、树枝状或不规则裂缝,伴有分层、剥离和局部断裂,这是1650 ℃剧烈反应熔渗过程导致的热退化和硅蒸气侵蚀所致。力学测试表明,PIP+RMI复合材料因均质T700纤维、更高最终密度和强SiC富集基体而表现出更高的平均抗弯强度,但内部大量裂纹导致更脆的断裂模式;PIP+CVD样品虽然由于沥青基纤维限制和SiC含量有限而强度较低,但表现出更好的损伤容限和渐进失效过程。预测误差分析显示,SGMML框架对两个实验样品产生了最低的绝对残差(样品A为2.1 MPa,样品B为1.5 MPa),成功保持在实验不确定度范围内。对来自已发表文献的8个完全新颖的C/C-SiC样本进行外部验证,涵盖广泛的纤维结构和制备路线,SGMML获得MAE为18.08 MPa、RMSE为25.76 MPa、R
2为0.70的稳健预测性能,外部MAE与内部测试MAE相当,表明预测误差在训练域外没有显著膨胀。
**五、讨论与结论**
讨论部分指出,制备工艺决定缺陷形成,进而影响力学性能,这与C/C-SiC复合材料已知的结构-性能关系一致。LLM衍生的语义轴将制备路线与缺陷相关描述符联系起来,验证了SGMML框架的物理合理性。实验验证中两种不同强化机制复合材料(表面强化与块体异质基体)的成功预测,进一步证实了框架不仅能捕捉数值相关性,还能学习潜在的工艺-结构-性能相互作用。外部文献样本的独立验证证明了框架在训练数据之外的迁移能力,外部R
2较低主要源于外部样本的强度范围较窄而非预测精度下降。
研究结论如下:传统机器学习模型因数值描述符缺乏微观结构上下文而对高强度数据表现出系统性偏差,而独立LLM不足以进行精确的数值回归;SGMML框架结合数值特征与LoRA编码的工艺语义,实现了高预测精度(R
2=0.81,MAE=25.96 MPa);对两种不同强化工艺复合材料的实验验证产生小预测误差(残差<2.5 MPa),证明了模型的物理合理性和实际可靠性。该框架展示了在目标领域的实际应用价值,未来工作将聚焦于扩大文本-数值数据集以覆盖更广泛的极端环境条件,并提高模型在不同复合材料体系中的泛化能力。