用于单纤维、双纤维和三纤维增强复合材料抗拉强度预测与失效分类的优化提升机器学习方法

《Advanced Composites and Hybrid Materials》：Optimized Boosting machine learning approaches for tensile strength prediction and failure classification of mono, bi and tri fiber reinforced composites

　　

摘要

纤维增强复合材料因其出色的强度重量比和设计灵活性，在航空航天、汽车及海洋工业中具有重要意义。然而，要实现其高度可靠的设计，需要考虑众多加工参数之间的复杂相互作用，这使得预测其机械性能变得十分困难。传统的破坏性测试既昂贵又耗时，而现有的预测模型往往仅适用于单纤维体系，或只能预测有限数量的性能指标，无法全面反映混合复合材料的整体性能。为克服这些局限，本研究开发了一种强大的机器学习框架，可同时预测单纤维、双纤维和三纤维增强环氧层压板的抗拉强度并识别其主要失效模式。实验结果表明，以碳纤维为主的8层交叉叠层三纤维混合层压板（CGK）具有最佳性能，其最大抗拉强度可达389.79 MPa，且主要失效模式为分层。据此，研究人员使用了AdaBoost、梯度提升、XGBoost、CatBoost和LightGBM五种提升模型，基于抗拉实验数据对它们进行了训练、验证、优化和测试。SHAP分析显示，抗拉强度主要受铺层结构和实际厚度等设计参数的影响，而失效模式则更易受铺层类型等制造因素的影响。在调整超参数后，CatBoost在回归任务中表现最佳，R²值为0.74，均方误差为1648.90 MPa，平均绝对误差为29.65 MPa，与实验结果高度吻合；而LightGBM作为分类器，在多类分类失效问题上的准确率、召回率、灵敏度和F1分数均为1.0，表现优异。与现有研究相比，所提出的模型具有更强的竞争力，因为现有研究通常仅在单纤维体系中声称有较高精度，却未考虑更为复杂的单纤维、双纤维和三纤维混合体系。本研究提供了一种功能全面、目标明确、可靠且符合物理规律的预测工具，可用于解析混合复合材料中极为复杂的结构-性能关系，从而降低结构设计优化和实验测试对大量实验数据的依赖。