基于机器学习的三维双相复合材料高速冲击性能优化

《Nature Communications》：Machine learning-driven optimization of high-velocity impact resistance for three-dimensional biphasic composites

　　

摘要

在高速载荷作用下，复合材料不可避免地会出现波传播和局部温度升高的现象，而其复杂的微观结构则导致了特有的应力集中与衰减行为。为了解决这一问题并提升复合材料的抗冲击性能，我们开发了一种三维卷积神经网络（3D-CNN），并结合实验与仿真方法，定量分析微观结构与双相复合材料的动态响应之间的关联。该方法将分体式霍普金森压杆实验数据与有限元仿真相结合，从而全面表征复合材料的动态行为。通过优化微观结构，动态应力均匀性可从21.54%提高至97.45%，在相同刚相比例下，动态承载能力也可从约22%提升至57%。这种基于机器学习的方法能够改善软质和刚性复合材料的动态应力均衡性能。热传导模块则有助于同时评估材料的抗冲击性能和热扩散性能，从而找到那种能在保持高动态机械性能的同时，通过相间连接与渗透路径实现良好热导率的多元材料结构。所提出的3D CNN框架能够快速探索设计空间，并精确预测热力学性能，进而为航空航天和汽车领域设计出更先进的抗冲击复合材料。