基于机器学习的MWCNT功能化芳纶织物材料中的界面拔出与失效预测

《Materials Today Communications》：Interfacial Pull-Out and Failure Prediction in MWCNT-Functionalized Aramid Fabric Material Using Machine Learning

　　

纱线拔出是柔性弹道织物中关键的能量耗散机制；然而，其多阶段、摩擦驱动的特性对预测建模提出了挑战。在此，研究人员提出了一种数据高效且物理一致的机器学习框架，用于预测单根和多根纱线抽出条件下MWCNT（多壁碳纳米管）改性对位芳纶织物的拔出行为。两种互补方法，即单阶段数据驱动学习（SSD-ML）和物理引导混合机器学习（PG-HML），被进行了比较评估。拔出响应被分解为屈曲延伸、初始交织破裂和粘滑阶段，从而实现力-位移演化的物理可解释预测。SSD-ML捕捉了全局趋势，预测了随着MWCNT含量增加（例如，单根纱线约25–112 N，两根纱线约95–217 N）最大拔出力的单调增加。相比之下，PG-HML通过解析阶段间相互作用提供了更高的保真度，尤其是在多根纱线抽出条件下，此时非线性放大变得主导（三根纱线时高达约1240 N）。所提出的PG-HML框架实现了高预测精度（阶段I-II中R2（决定系数）>0.98），并相较于SSD-ML基线模型改善了阶段III平均摩擦衰减响应的表征。能量分析表明，纳米增强显著提高了摩擦阻力。进一步提出了一个无量纲失效准则，用于将摩擦放大的拔出力与纱线拉伸能力相关联，从而能够预测控制从稳定滑移向拉伸断裂转变的临界纱线端数和纳米含量阈值。这些结果表明，物理引导机器学习能够实现物理约束的响应预测和复杂拔出行为的力学可解释表征，为评估纳米改性软弹道材料提供了框架。

**论文解读：基于机器学习的MWCNT功能化芳纶织物界面拔出与失效预测**

**研究背景与问题**

在软体弹道防护织物中，纱线拔出是能量耗散的关键机制，其行为由多阶段、摩擦驱动的过程主导，包括屈曲延伸、初始交织破裂和粘滑滑移。然而，由于纱线间摩擦、织物结构、提取构型等多尺度参数的非线性耦合，传统经验模型和数值模拟在预测拔出响应时面临成本高、耗时久以及难以捕捉复杂交互作用的挑战。尽管已有实验研究揭示了纳米增强（如多壁碳纳米管（MWCNT）涂层）可显著提升界面摩擦和能量吸收，但针对纳米功能化芳纶织物在有限实验数据条件下的阶段式拔出行为预测，尤其是多根纱线提取时的非线性放大效应，仍缺乏系统的预测框架。此外，如何将摩擦增强与纱线拉伸能力关联以识别失效转变（从稳定滑移到拉伸断裂）是未解决的关键问题。为此，研究人员提出了一种物理引导的混合机器学习（PG-HML）框架，结合单阶段数据驱动模型（SSD-ML），旨在实现准静态拔出响应的力学可解释预测，并建立无量纲失效准则以评估临界纱线端数和纳米含量阈值。

**研究内容与结论**

本研究采用实验与机器学习相结合的方法，对MWCNT改性对位芳纶织物（Twaron^? CT 747，帝人公司，日本）在单根、两根和三根纱线提取条件下的拔出行为进行建模。实验数据来源于两个参考状态：未处理织物（KPO，0 wt% MWCNT）和0.3 wt% MWCNT涂层织物（MPO）。通过对比SSD-ML和PG-HML框架的性能，发现PG-HML通过阶段式分解（屈曲延伸、初始交织破裂、粘滑）和力学连续性约束，实现了更高的预测精度（阶段I-II的R2>0.98），尤其在多根纱线提取时，非线性放大效应（三根纱线时拔出力高达约1240 N）被有效捕捉，而SSD-ML仅能捕捉全局趋势且位移响应不敏感。能量分析表明，MWCNT增强主要贡献于阶段III（粘滑）的摩擦耗能。基于拉梅准则导出的无量纲失效指数Xi（Xi=F₁(w)×n^β/(n×T_y(w))），研究人员确定了稳定拔出（Xi<0.6）、过渡（0.6≤Xi<1）和拉伸断裂（Xi≥1）三个区域，并发现0.3 wt% MWCNT使临界纱线端数从6根降至4根，表明摩擦增强与拉伸稳定性之间存在权衡。该研究为有限实验数据下纳米改性软体弹道材料的力学响应预测提供了可解释的框架。论文发表在《Materials Today Communications》。

**主要关键技术方法**

研究人员采用了几种关键技术方法：（1）**实验数据获取**：使用Instron 4411万能试验机进行准静态纱线拔出测试（单根、两根和三根纱线，加载速率100 mm/min），记录力-位移曲线；（2）**物理引导阶段式建模**：将拔出响应分解为三个物理阶段，分别采用三次多项式（阶段I）、二次多项式（阶段II）和指数衰减函数（阶段III）进行回归，并通过连续性条件约束；（3）**高斯过程回归（GPR）**：用于建模机械参数（如最大拔出力F_max、位移d_Fmax、能量E等）随MWCNT含量的依赖关系，采用平方指数核函数；（4）**物理引导的贝叶斯高斯过程回归（PI-GPR）**：引入幂律摩擦缩放模型（F_phys(n)=a×n^α）和线性拉伸上限约束，用于多纱线端数外推；（5）**无量纲失效准则构建**：基于摩擦放大与拉伸能力竞争，定义失效指数Xi，并通过临界条件推导临界纱线端数n_crit和临界纳米含量w_crit。样本来源：对位芳纶织物（Twaron^? CT 747）和MWCNT（Nanothinx S.A.，希腊），涂层制备采用超声辅助浸渍-热压循环。

**研究结果**

**3.1. 机器学习表征的纳米涂层织物拔出行为**
单根纱线拔出时，SSD-ML和PG-HML均再现了实验参考状态（0.3 wt% MWCNT，F_max=68.47 N），但SSD-ML位移几乎不随MWCNT含量变化，而PG-HML捕捉到位移的渐进增加（如0.3 wt%时位移约10.79 mm），表明其更敏感于阶段变形。两根纱线时，PG-HML预测的F_max从94.79 N（0 wt%）增至148.50 N（0.3 wt%），且位移从6.61 mm增至8.10 mm，而SSD-ML位移保持7.10 mm不变。三根纱线时，PG-HML预测非线性放大更为显著：F_max从267.88 N（0 wt%）增至535.76 N（0.3 wt%），且位移从8.14 mm增至10.38 mm，而SSD-ML位移仅从8.14 mm增至10.38 mm？原文中SSD-ML三根纱线位移在表2中为10.38 mm，但实际是模型预测值，且与PG-HML接近？注意表2和表3：SSD-ML三根纱线位移在0.3 wt%时为10.38 mm，PG-HML也为10.38 mm，但PG-HML在更高浓度时位移继续增加（如1.0 wt%时20.80 mm），而SSD-ML保持10.38 mm。因此，SSD-ML位移饱和，PG-HML则持续增长。

**3.1.2. 机器学习预测的回归性能**
PG-HML在阶段I和II的RMSE（均方根误差）保持较低（如三根纱线0.3 wt%时阶段I RMSE≈4.5 N），而SSD-ML在阶段III误差显著增大（三根纱线0.3 wt%时RMSE≈18.2 N）。R2值方面，PG-HML在所有阶段均>0.98，而SSD-ML在部分条件下R2降至0.85以下，表明物理约束显著提升了预测一致性。

**3.1.3. 初始交织破裂力预测**
PG-HML预测的破裂力随MWCNT含量非线性增加，且位移同步增大（如三根纱线0.3 wt%时破裂力479.09 N，位移12.30 mm），而SSD-ML破裂力增加但位移固定（如三根纱线0.3 wt%时位移13.88 mm）。这反映了PG-HML对延迟交织破裂的捕捉能力。

**3.1.4. 粘滑行为预测**
PG-HML预测的粘滑平均力幅度从单根纱线约19 N增至三根纱线约60 N（0.3 wt%），而SSD-ML仅增至约6 N。周期数方面，PG-HML的单根纱线从59次降至24次，而SSD-ML保持恒定（单根9次、两根65次、三根55次）。指数衰减斜率在PG-HML中更陡（三根纱线约-5.6 N/mm），表明摩擦耗能增强。

**3.2. 纱线内剪切强度**
PG-HML预测的纱线内剪切强度（IYSS）在单根纱线中从0.0276 MPa（0 wt%）增至0.1781 MPa（1.0 wt%），三根纱线从0.0978 MPa增至0.4864 MPa，而SSD-ML分别仅增至0.1222 MPa和0.3188 MPa，表明PG-HML对摩擦放大更敏感。

**3.3. 拔出能量组分**
阶段III（粘滑）能量在总能量中占主导。PG-HML预测的三根纱线总能量从约4.70 J（0 wt%）增至约129.99 J（1.0 wt%），其中阶段III占111.61 J，而SSD-ML总能量仅增至58.38 J。归一化能量显示PG-HML的非线性放大更显著。

**3.4. 多纱线端数预测**
PI-GPR模型预测的F_max随纱线端数非线性增加，但在十根纱线时趋于饱和（约2855–3890 N），而纯GPR预测值更高（约3890 N），表明物理约束抑制了过估计。PI-GPR的归一化力每根纱线随端数增加而下降，反映了应力屏蔽效应。

**3.5. 失效准则分析**
基于β=2.1的相互作用指数，失效指数Xi在0.3 wt% MWCNT时于n=4达到1.0（拉伸断裂），而0 wt%时于n=6达到1.0。临界纳米含量w_crit随n增加急剧下降（n=3时0.63 wt%，n=4时0.30 wt%，n=5时0.13 wt%）。失效图谱（n-w空间）明确划分了稳定、过渡和断裂区域，表明摩擦增强与拉伸稳定性之间的权衡。

**讨论与结论**

讨论部分指出，PG-HML框架通过阶段式分解和物理约束，在有限数据下实现了比SSD-ML更准确的拔出响应重建，尤其适用于多纱线提取时的非线性交互。提出的失效准则Xi为纳米改性织物的失效预测提供了力学可解释工具，但需注意该准则仅适用于准静态条件，且外推至高含量（>0.3 wt%）时需实验验证。研究结论部分翻译如下：

**结论**
本研究提出了一种数据高效、物理引导的机器学习框架，用于预测MWCNT改性对位芳纶织物的阶段依赖性拔出行为。通过将有限实验数据与单阶段数据驱动（SSD-ML）和物理引导混合（PG-HML）模型相结合，研究人员重建了不同纳米增强含量和纱线端数配置下的多阶段拔出响应，包括屈曲延伸、初始交织破裂和粘滑滑移。两种框架都代表了整体拔出响应，但在建模能力上存在根本差异。SSD-ML提供了全局机械描述符的计算高效表征，而PG-HML利用实验识别的变形阶段和力学动机约束重建了力-位移响应。因此，在可用实验数据集内，PG-HML获得了更低的重建误差和改善的力学一致性，特别是对于非线性多纱线拔出行为。研究人员开发了一个无量纲失效准则，将摩擦放大的拔出力与纱线拉伸能力相关联，以估计稳定拔出、过渡和拉伸断裂区域以及相应的临界纱线端数和纳米增强水平（在所研究的准静态条件下）。由此产生的失效图谱描述了在实验表征范围内，拔出阻力增加与临界纱线端数减少之间的权衡。主要方法论贡献在于将阶段变形建模、监督学习、力学动机约束和失效预测集成到一个统一框架中，提供了力学可解释且物理约束的表征，而不意味着发现新的控制物理机制。重要的是，阶段III指数公式代表了摩擦控制响应的平均衰减包络，而非单个随机锯齿波动；预测这些局部事件需要随机或波动解析公式。浓度依赖性建模的实验支持仅限于0.0和0.3 wt% MWCNT参考状态。因此，0.1–0.2 wt%的响应代表插值，而高于0.3 wt%的响应是探索性外推，需要独立实验验证。所施加的单调性约束不考虑可能的高浓度MWCNT团聚、分散质量恶化或相关性能退化。因此，需要进行额外实验以确定该约束应保留、放宽还是替换为非单调公式。据此，所提出的框架应被视为对系统实验设计和验证的补充，而非替代实验设计（DoE）和响应面方法（RSM）或额外物理测试。最后，本结果仅限于准静态拔出条件，不构成动态冲击或弹道载荷下的验证。未来工作将纳入速率依赖性拔出实验、更广泛的浓度数据集和互补的微观结构表征，以评估应变率效应并将框架扩展到动态应用。