基于声学发射与机器学习的湿热老化亚麻纤维增强复合材料层间行为及预测

《Polymer Degradation and Stability》:Interlaminar behavior and prediction of hydrothermal aged flax fiber reinforced composites by acoustic emission and machine learning

【字体: 大 中 小 】 时间:2026年08月30日 来源:Polymer Degradation and Stability 8.1

编辑推荐:

   摘要植物纤维增强复合材料(PFRCs)源自天然材料,具有高的比强度和比模量。然而,PFRCs的层间性能在水热环境下受到影响,限制了这种环保材料的更广泛应用。研究并预测水热老化条件下的层间行为具有重要意义。本研究将机器学习与声发射相结合,分析和预测亚麻纤维增强复合材料(FFRC

  

摘要

植物纤维增强复合材料(PFRCs)源自天然材料,具有高的比强度和比模量。然而,PFRCs的层间性能在水热环境下受到影响,限制了这种环保材料的更广泛应用。研究并预测水热老化条件下的层间行为具有重要意义。本研究将机器学习与声发射相结合,分析和预测亚麻纤维增强复合材料(FFRCs)的层间行为。短梁试验揭示了水热老化后失效模式的变化和强度的降低。B值法显示出老化FFRCs在裂纹萌生阶段b值偏高的趋势,且释放的能量较少。为预测层间损伤强度,在对声发射数据集进行特征选择后,采用了滑动窗口方法。训练并优化了CNN、LSTM和CNN-GRU模型。结果表明,采用中等窗口大小的AE事件(如本研究中使用的40)的CNN-GRU模型在预测精度和训练效率之间取得了平衡,为PFRCs的水热预测提供了可行方法。

引言

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。

章节摘要

材料与制备

本研究使用的单向亚麻纤维带由上海天晟贸易有限公司(中国)提供,面密度为110 g/m2。环氧树脂(TECHSTORM? 481)与固化剂(TECHSTORM? 486)按100:28的重量比混合。环氧树脂和固化剂均由上海天晟公司(中国)提供。采用手工铺层和热压工艺制备单向亚麻纤维增强复合材料(FFRCs)。固化的

B值分析

为了探索裂纹萌生和扩展阶段裂纹扩展与声发射之间的相关性,分析了B值方法。源自地震学的B值方法被称为古登堡-里克特定律,传统上用于评估地震活动水平。从数学上,它表示震级范围(M到M?+?ΔM)内地震累积数量(N)的对数与震级本身的线性关系。这种关系

短梁试验

图4a显示了室温(RT)、中温(MT)和高温(HT)湿热老化条件下试样的短梁强度。老化后FFRCs的层间性能显著下降。7天后,RT、MT和HT条件下的短梁强度分别降低了8.4%、10.3%和17.2%。老化60天后,HT条件下的强度从16.49 MPa降至11.64 MPa,降幅近30%,表明长期

结论

本文研究了FFRCs在湿热老化条件下的层间力学行为和损伤强度预测。短梁试验结果表明,湿热老化不仅导致FFRCs层间性能的退化,还引发了失效模式的转变。声发射和B值分析进一步表明,老化后的FFRCs在加载时释放的能量相对较少,这强调了早期损伤寿命

CRediT作者贡献声明

陈杰宇:撰写—原始稿、方法、调查、概念化。杨思贤:撰写—原始稿、调查、数据整理。通文泉:可视化、形式化分析。范春林:撰写—原始稿、项目管理。王轩野:软件。魏志彪:验证。于涛:撰写—审阅与编辑、资源、资金获取。李树茂:撰写—审阅与编辑。杜江:撰写—审阅与编辑。

利益冲突声明

作者声明他们不存在任何已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

致谢

本工作得到国家自然科学基金(12172258和11872279)的资助。
陈杰宇|杨思贤|通文泉|范春林|王轩野|魏志彪|于涛|李树茂|杜江
同济大学航空航天与力学工程学院,上海 200092,中国
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号