人工神经网络与长短期记忆混合框架预测复合材料力学行为

《Applied Mechanics》：Hybrid Artificial Neural Network Long Short-Term Memory Framework for Predicting the Mechanical Behavior of Composite Materials

　　

由于复合材料具有非线性且成分依赖的特性，其力学性能预测过程是一项重要挑战。在本研究中，研究人员采用了一种融合人工神经网络（ANN）与长短期记忆（LSTM）网络的混合深度学习架构，用于预测不同重量组分复合材料的拉伸强度、弯曲强度、冲击强度和硬度。复合材料制备时纤维含量分别为0%、5%、10%和15%，并通过四种不同的力学测试（拉伸测试、弯曲测试、冲击测试和硬度测试）来研究纤维含量变化对材料物理特性的影响。实验数据集用于训练和验证，而中间组成则通过所设计的混合架构进行适当估计。研究发现，ANN-LSTM模型在所有情况下均表现出优异的预测能力，R²大于0.996，这验证了其模拟复杂材料-性能关系的能力。这种混合方法是一种计算效率高且可靠的材料优化方法，可减少大规模实验试验的需求。研究结果证实了ANN-LSTM混合作为复合材料工程中强大预测工具的价值。

**研究背景与问题**
复合材料因其高比强度、耐久性和适应性在现代工程中不可或缺，但其力学性能（如拉伸强度、弯曲强度、冲击韧性和硬度）的预测因非线性及成分依赖性而面临挑战。传统实验方法准确但资源密集、耗时且可扩展性有限。现有机器学习方法中，人工神经网络（ANN）已用于建模非线性关系，长短期记忆（LSTM）网络适合处理序列依赖性，但两者在复合材料领域的混合应用尚未充分探索。本研究旨在填补这一空白，提出一种混合ANN-LSTM框架，用于预测生物炭增强聚酯复合材料的力学性能，以实现数据驱动的材料优化。

**研究内容与结论**
研究人员制备了剑麻纤维和腰果壳生物炭增强聚酯复合材料，设定四种填料含量（0%、5%、10%、15%），每种含量制备5个重复试样，共20个实验数据点。通过拉伸测试（ASTM D3039）、弯曲测试（ASTM D7264）、冲击测试（ASTM D256）和硬度测试（ASTM E384）获取实验数据。采用混合ANN-LSTM模型进行训练和预测，结果表明：模型对所有性能的预测R²均超过0.996（拉伸强度0.9956、弯曲强度0.9966、冲击强度0.9967、硬度0.9961），平均绝对误差（MAE）在0.1975~0.6325之间，均方根误差（RMSE）低于0.66。研究确定了10%填料含量为综合最优组成，所有性能在此达峰值；超过此含量后性能下降，16%时出现严重脆化。该混合框架在未测试中间组成（如1%~16%）的插值预测中表现可靠，为减少实验需求提供了高效工具。论文发表在《Applied Mechanics》。

**主要关键技术方法**
关键技术包括：混合ANN-LSTM架构（ANN层提取非线性特征，LSTM层捕捉序列依赖性）；数据预处理（min-max归一化至[0,1]）；训练策略（70%训练、15%验证、15%测试，分层抽样；Adam优化器，学习率0.001，MSE损失函数；5折交叉验证、早停（patience=50）和dropout（率0.2）防止过拟合）；性能评估指标（MAE、RMSE、R²、MAPE）。样本来源：剑麻纤维和腰果壳生物炭增强聚酯复合材料，填料含量0%、5%、10%、15%，每种含量5个重复，共20个实验数据点。

**研究结果**
**3.1 ANN-LSTM混合模型结果**：通过对比实验值与预测值，发现模型预测偏差小于2%，10%填料含量时所有性能达最大值（拉伸强度57.06 MPa、弯曲强度76.18 MPa、冲击强度40.06 J、硬度82.36 Hv），R²均高于0.995。
**3.2 预测模型的实验验证**：图3显示各性能随组成变化的曲线，实验点紧密贴合预测曲线，置信区间窄，R²在0.9907~0.9967之间。
**3.3 总体观察**：所有性能在0%~10%区间上升，10%后下降，10%为最优组成，模型曲线平滑，插值可靠。
**3.4 奇偶图分析**：图4显示所有数据点落在±5%误差带内，R²>0.995，MAPE在0.25%~1.55%之间，硬度预测最准确。
**3.5 残差分析**：图5显示所有残差为负（系统性高估），但幅度小于测量值的2%，标准差小（0.0377~0.1583），无异常值。
**3.6 力学性能比较分析**：图6归一化后显示，所有性能在10%时接近峰值，但下降速率不同；冲击强度和硬度在16%时趋于零。
**3.10 综合模型性能评估**：图7的统计指标显示R²均>0.995，RMSE和MAE低，硬度误差最小，拉伸强度误差最大但仍在工程允许范围内。
**3.11 预测性能比较**：与文献中混合深度学习模型相比，本模型R²>0.996，优于对比研究的0.9803，且能同时预测多个性能。

**总结与讨论**
研究结论部分指出：本工作成功建立了一种混合深度学习框架（ANN-LSTM），用于精确预测生物炭增强聚酯复合材料的力学性能。模型表现出优异的预测性能，所有评估性能的确定系数均超过0.995（拉伸强度0.9956、弯曲强度0.9966、冲击强度0.9967、硬度0.9961）。这些结果证明了该混合架构能够捕捉组成与力学行为之间的复杂非线性关系。极低的误差指标（MAE在0.1975~0.6325之间，RMSE不超过0.66）进一步证实了这一点，预测与实验结果的微小差异表明ANN-LSTM集成有效学习了性能随组成的变化规律，这与传统单一算法方法不同。主要发现之一是10%填料含量被确定为通用最优组成，此时所有四种力学性能均达到峰值，这一收敛性对于指导追求平衡力学特性的材料配方设计至关重要。在实验数据点之间未测试的中间组成上生成可靠预测的能力，是减少实验室表征需求的重要进步，并提供了计算效率，可在材料开发中转化为显著的时间和成本节约。本工作的新颖性体现在三个互补特征：首先，ANN和LSTM架构的协同组合（在复合材料性能预测中很少同时探索）在单一框架内捕捉了非线性组成关系和有序的组成间趋势；其次，模型同时执行全面的多性能预测（拉伸、弯曲、冲击和硬度），支持整体而非单性能优化；第三，经过验证的工作流程（从数据预处理到混合架构设计和评估）建立了一种可复现的方法，可推广到本研究之外的其他填料增强复合材料系统。超过最优组成后观察到的系统性性能退化（16%填料含量时出现临界恶化）为材料配方中的安全操作边界提供了明确指导。模型的泛化能力通过微小且一致的残差幅度（所有性能的系统性负偏差低于测量值的2%）和强大的验证性能得到证实，这确认了其在实际工程应用中的稳健性。同时应指出，本发现基于较小的实验数据集（四个离散填料含量水平，每个水平5个重复，共20个数据点），尽管使用了交叉验证、早停和dropout正则化来防止过拟合，但报告的R²和误差值应解释为特定于测试组成范围和材料系统，而非完全泛化的性能保证。在实践应用前，需对额外独立制备和测试的组成进行验证，并最好对其他生物炭/纤维增强系统进行验证。从工业角度看，该验证后的预测工具可加速材料开发周期，通过快速筛选和优化组成而无需大量实验。工程师可以计算探索广泛设计空间，高效识别有前景的候选材料，并系统理解性能权衡。该能力在开发早期阶段尤为宝贵，此时实验资源极为有限且需探索大参数空间。本研究推动了向数据驱动材料工程的范式转变，计算模型补充传统实验方法。所展示的准确性、效率和可靠性使ANN-LSTM混合架构成为研究和工业背景下复合材料优化的变革性工具，通过减少材料浪费和加速创新周期来强化可持续发展。本研究为进一步研究奠定了基础，扩展方向可包括额外输入参数（如加工条件、颗粒形态和界面特性）以建立更完整的模型，将预测扩展到热学、电学和耐久性能以提供全面的材料性能曲线，以及集成物理信息约束以进一步提高预测可靠性同时减少训练数据需求，这标志着智能材料设计的下一个演进。