基于前馈神经网络(FNN)的增材制造嵌入式应变传感器循环压阻响应框架

《Materials Letters: X》：A feedforward neural network based framework of the cyclic piezoresistive response of additively manufactured embedded strain sensors.

　　

嵌入式应变传感器在提供复合材料结构实时评估方面发挥着关键作用，通过早期损伤诊断确保安全性。近期，具有高灵敏度的压阻传感器已被开发用于结构健康监测(SHM)这一特定目的。然而，为了在不同载荷水平下实现优化性能，能够预测传感器完整压阻响应的预测模型是至关重要的。研究人员提出了一种基于前馈神经网络(FNN)的新框架，用于预测嵌入在玻璃纤维层压板中的新型增材制造应变传感器的压阻行为。该框架旨在预测不同施加载荷水平下的压阻波形模式，并在不同的训练-验证-测试划分水平下进行比较。使用多变量岭回归模型作为基线。FNN模型在105 N载荷水平下，在80-10-10训练-验证-测试划分中取得了最高性能（R² = 0.963）。岭回归模型在该载荷水平下的表现也略好或接近相同范围，但随着载荷水平的增加，其性能显著下降（R² = 0.491–0.376）。

纤维增强聚合物(FRP, 以纤维增强的聚合物基复合材料)是航空航天机身、风力涡轮机叶片、汽车车身及民用基础设施的重要组成部分。常规无损检测手段难以在损伤扩展严重前有效发现诸如基体微裂纹、层间分层和纤维拔出等内部损伤。嵌入式应变传感器，特别是多壁碳纳米管(MWCNT, 一种由多层石墨烯卷曲而成的管状纳米材料)增强环氧树脂的压阻薄膜，因其高应变系数能够实时报告局部变形，在飞行器面板、风力叶片等承力组件的损伤诊断中备受关注。直接墨水写入(DIW, 一种材料挤出式增材制造技术)在制造这类智能复合材料中发挥关键作用，其产生的共固化界面在循环载荷下保持机械连贯。然而，将这些传感器用于连续结构健康监测(SHM, 对工程结构进行实时检测与损伤评估的过程)时，仅靠原始电阻读数是不够的，因为表观应变系数会逐周期漂移且依赖于峰值载荷。为了将传感器信号转换为适用于数字孪生(物理实体的虚拟映射模型)的损伤状态估计，迫切需要针对完整循环响应的预测模型。目前尚无研究将前馈神经网络(FNN, 一种基本信息单向传播的多层人工神经网络)应用于嵌入式应变传感器的周期分解电阻波形预测。研究人员Mehrab Hasan和Yingtao Liu开展此项研究以弥补这一空白，相关成果发表在《Materials Letters: X》上。

该研究的样本队列来源为俄克拉荷马大学Mehrab Hasan与Yingtao Liu团队制备的玻璃纤维层压板嵌入式传感器样本。关键技术方法上，研究人员采用DIW工艺进行增材制造，依据ASTM D790标准在Instron DMA上进行三点弯曲测试，同步采集位移和电阻信号。数据处理阶段，将每个循环编码为55维分支向量，包含应变波形样本、峰值应变及载荷描述符。模型开发方面，构建了双隐藏Tanh层的FNN架构，并采用留一循环交叉验证(LOOCV, 一种每次留取一个样本作为验证集的交叉验证方法)的岭回归模型作为基线。

Data processing and feature engineering（数据处理与特征工程）：通过将三点循环弯曲测试记录的数据编码为55维分支向量，并对目标ΔR/R₀进行振幅归一化以避免单一载荷主导平方误差目标，研究人员设定了三种时间数据划分（两种外推和一种括号内插值），以探究模型在载荷范围内和范围外的泛化能力。
Model development and architecture（模型开发与架构）：通过构建包含两个32单元Tanh隐藏层和200输出线性头的FNN模型，并使用Adam优化器配合早停策略进行训练，同时建立通过LOOCV选择参数的岭回归基线，确保两者均保持单一可调自由度，从而实现对称的正则化控制。
Results and analysis（结果与分析）：通过对比不同划分和载荷水平下FNN与岭回归的决定系数(R²)，发现在105 N载荷下两模型表现相当，而在140 N载荷下，FNN保持较高R²，岭回归则显著下降至0.376和0.491。预测与实测波形对比分析表明，FNN能准确再现低载荷下保持周期的波形几何形状，岭回归则在高载荷下因形状不匹配而失效。这种对比与嵌入式MWCNT网络的压阻物理特性一致，低应变下近线性演化使得线性模型足够，而高载荷下导电网络可逆重组和R₀逐周期漂移引入非线性，使神经网络在处理复杂依赖关系时展现优势。

研究结论总结：研究人员总结了该研究为结构复合材料的疲劳阶段监测中嵌入式传感器的波形预测建立了一个紧凑且可复现的数据驱动基线。固定的双层FNN能够预测嵌入式应变传感器的循环压阻波形，并在140 N外推测试中优于交叉验证的岭回归基线，具有显著更高的测试R²；而岭回归仅在近线性的105 N载荷和括号内插值中保持竞争力。由于固定架构仅需较少的可训练参数和单次前向传递即可重建一个周期的完整电阻波形，该训练模型足够紧凑，可运行在与传感器同置的嵌入式微控制器上，作为SHM管道内的低延迟预测内核。该框架还可转移至其他DIW压阻传感器几何结构及其他玻璃纤维或碳纤维层压板，因为其分支输入编码和按载荷振幅归一化与几何形状无关，仅需在少量每样本循环数据集上重新拟合，这与增材制造过程鉴定期间收集的数据规模兼容。目前的主要局限在于单一类型样本训练、两级静态加载协议以及对每载荷振幅归一化的依赖。未来的研究步骤包括多样本数据收集、宽带变幅加载以及物理信息或基于算子的架构设计。