植物纤维增强复合材料(PFRCs)可从植物中再生,具有优异的力学性能,如高的比强度和比模量[1]。此外,它们成本低廉且环保,这赋予了它们作为可持续工程材料的潜力[[2], [3], [4]]。然而,植物纤维固有的亲水性不可避免地导致在水热条件下吸水[[5], [6], [7]]。这种吸湿行为不仅因质量增加而导致宏观尺寸膨胀,还引起理化性质的复杂变化,包括可逆和不可逆变化[8]。这种缺点已被确定为限制进一步应用和开发的关键瓶颈[6]。
复合材料的湿热老化机制主要基于吸湿机制[9,10]。对于PFRCs,植物纤维主要由纤维素、木质素、半纤维素和果胶等物质组成,这些物质均含有亲水性羟基[11]。从结构上看,植物纤维具有复杂的多尺度、多层次微观结构[4]。材料的降解不仅直接导致力学性能的下降,还与纤维的膨胀和收缩一起影响PFRCs的孔隙体积分数[12]。在分子尺度上,湿热老化机制被定义为"膨胀-脱粘-基体降解-纤维降解"[11]。长期湿热老化会削弱复合材料的层间和界面结合能力,且某些性能对湿热老化相对敏感,如弯曲模量[13,14]。
在预测植物纤维复合材料水热条件下的性能时,传统方法主要依赖于经验公式的拟合[[14], [15], [16]]。传统的经验模型如Arrhenius方程建立在简化的物理假设之上[14,16]。PFRCs的湿热老化涉及基体水解、纤维-基体界面脱粘、微裂纹扩展、水分诱导膨胀等耦合非线性行为[17]。经验模型预先定义了固定的数学公式,可能难以描述和捕获复杂的交互效应[18]。此外,一些参数需要根据实验条件手动调整,且受人主观经验的影响。基于机器学习的新型预测方法蓬勃发展,并越来越多地应用于复合材料领域。机器学习采用数据驱动方法,避免了预定义物理假设的局限性。这些方法能够预测复合材料在特定条件下的力学性能。在数据输入形式方面,一种常见的方法是使用纤维类型、铺层和工艺等材料参数作为输入特征进行预测[[19], [20], [21], [22], [23], [24], [25]]。预测内容包括但不限于热性能[26]、力学性能[19,22,24]和耐久性行为[20,25]。机器学习所需的数据集通过实验收集或整理文献获得。研究人员此前对暴露在水、湿气和碱性溶液中的拉挤FRP复合材料文献进行了综述,并为未来研究建立了数据库[25]。还对持续时间、暴露温度、pH值、纤维体积分数、面板厚度、纤维类型和基体类型等参数进行了特征重要性分析,以阐明拉伸性能的关键决定因素。然而,一个关键的局限在于数据集的稀缺性,尤其是PFRCs的湿热老化研究。收集到的实验数据带来了更具根本性的挑战:与人工纤维不同,即使在相同的实验条件和相同的材料下,PFRCs由于不可控因素的存在也会产生力学性能的波动[27]。植物纤维的性能受纤维类型、产地甚至气候等因素的影响,导致显著的离散性。这种性能的固有离散性增加了预测的难度。另一种可行的方法是使用图像作为机器学习的输入特征[22,[28], [29], [30], [31]]。常用的输入图像通常可分为:复合材料组分分布的软件模拟图[28,30]、复合材料的微观结构图像[30]以及复合材料的无损检测图像(如超声C扫描图像)[32]。在PFRCs的湿热老化方面,目前缺乏如何合理地使用微观结构分布图像来表示湿热老化前后差异的依据。对于损伤相关的研究,合理地认为将结构健康监测数据作为机器学习输入会是更好的选择[32,33]。此外,大多数研究更侧重于预测极限失效时的强度。目前,关于通过损伤相关输入预测湿热老化PFRCs剩余性能演变的相对较少。因此,在此基础上进行研究也是必要的。
本工作旨在调查并预测PFRCs在湿热老化条件下的层间行为。采用声发射(AE)分析试验中的变化。采用滑动窗口方法构建机器学习数据集并进行特征选择。训练并评估了卷积神经网络(CNN)、长短期记忆神经网络(LSTM)和卷积-门控循环单元神经网络(CNN-GRU),以预测PFRCs在湿热环境中的损伤性能。