《Hybrid Advances》：Morphology-Adaptive Deep Learning Framework for Real-Time Strain Prediction and Microdamage Detection in Hybrid MXene–Epoxy Composite Systems Using Synthetic Microstructures
编辑推荐：
随着MXene增强环氧复合材料在结构健康监测（SHM）领域应用的快速发展，现有研究仍受限于基于有限元的缓慢预测、跨微结构变化的泛化能力不足，以及难以准确映射形态相关的机电行为。为解决上述问题，本研究提出一种形态感知卷积传感框架（Morphology-Aware
随着MXene增强环氧复合材料在结构健康监测（SHM）领域应用的快速发展，现有研究仍受限于基于有限元的缓慢预测、跨微结构变化的泛化能力不足，以及难以准确映射形态相关的机电行为。为解决上述问题，本研究提出一种形态感知卷积传感框架（Morphology-Aware Convolutional Sensing Framework），其核心为一种新型MXene自适应卷积感知层（MXene-Adaptive Convolutional Sensing Layer, MACSL），该层被设计用于捕获与填料密度及取向相关的灵敏度模式。该框架基于Python与TensorFlow实现，支持高效训练、实时执行与可复现实验。研究人员通过受控参数化建模，对填料分散、团簇形成和界面行为进行调控，生成了包含10,000张MXene–环氧微结构图像及其对应模拟应变和微损伤标签的合成数据集。所提出的MACSL增强卷积神经网络（CNN）相较于传统CNN和统计模型取得显著性能提升，预测准确率达到96.8%，较基线深度模型提高1.1%–3.2%，较经典机器学习方法提高3%–6%。实时仿真测试表明，该系统能够在13.4 ms延迟下实现稳定的机电响应跟踪，从而支持近瞬时的SHM预测。该方法能有效关联微结构异质性与局部应变集中，在噪声干扰输入下仍能实现增强的微损伤识别。实验模拟结果显示，预测应变场与仿真应变场高度一致，证实该模型在不同填料形态间具有良好的泛化能力。总体而言，本研究表明，将自适应形态感知特征提取与深度学习相结合，能够显著提升预测能力、计算效率和材料层面的可解释性，为基于MXene复合材料的下一代SHM建立了一个强有力的框架。
论文解读：MXene–环氧复合材料形态自适应深度学习框架的构建与验证
一、研究背景与问题
MXene（特别是Ti?C?T?）增强环氧复合材料凭借其优异的导电性、大比表面积和可调表面官能团，在结构健康监测（SHM）中展现出巨大潜力。然而，MXene–环氧复合材料的传感行为高度依赖微结构特征，包括填料分布、取向和界面结合状态，这需要精确的计算与数据分析手段才能理解、预测并优化其功能。现有研究主要存在三方面局限：第一，基于有限元（FE）的预测方法计算速度慢，难以满足实时监测需求；第二，传统卷积神经网络（CNN）或统计描述符未能充分融入MXene–环氧相互作用中具有决定意义的层级性和各向异性特征；第三，现有数据集规模小、实验条件单一，缺乏同步的机电响应数据，难以支撑强泛化能力学习系统的训练。因此，亟需一种综合性的计算工作流，将合成微结构生成、模拟机电响应和专用深度学习框架相结合，以克服当前方法论上的不足，实现对MXene基复合材料应变和微损伤的实时、高保真预测。
二、研究内容与结论
针对上述问题，研究人员提出了一种完全由人工智能驱动、无需物理实验的框架，用于MXene–环氧复合材料的应变预测和微损伤检测。该框架基于合成微结构图像，结合新型MXene自适应卷积感知层（MACSL）和形态感知预测与损伤检测层（MAPDD），实现了对填料形态效应的显式建模，从而能够在不依赖实验测量的条件下进行基于仿真的结构健康监测。实时仿真测试表明，该框架可在13.4 ms延迟内完成应变与微损伤的同时预测，准确率达96.8%，较基线深度模型提升1.1%–3.2%，较经典机器学习方法提升3%–6%。该方法有效关联微结构异质性与局部应变集中，在噪声干扰下仍能实现稳健的微损伤识别，且在不同填料形态之间表现出良好的泛化能力。总体而言，该研究证明将自适应形态感知特征提取与深度学习相结合，能够显著提升预测能力、计算效率和材料层面可解释性，为下一代MXene基复合材料SHM提供了有力工具。
三、关键技术与方法
研究人员构建了一个包含10,000张合成微结构图像的数据集。该数据集基于近期Elsevier文献中报告的MXene及MXene/MoS?增强环氧体系的实验参数生成，包括MAX相（Ti?AlC?）来源、MXene填料负载量（0.25、0.5、1 wt%）、树脂/固化剂比例、分散条件（超声80 W、5 min；高速均质化6 h）及固化制度（室温48 h，80 °C烘箱3 h）等。在数据预处理中，通过参数提取、合成数据生成和特征归一化三个步骤将文献信息转换为结构化格式。物理信息引导的随机模型用于生成不同填料负载、取向、团簇行为、孔隙率和混合比例的微结构变体。连续应变标签通过物理信息公式计算，该公式将名义施加应变与局部归一化填料密度和取向相关联；微损伤概率标签则由逻辑映射函数生成，该函数基于局部孔隙率/界面不连续性和局部应变场计算。MACSL层在传统卷积过程中引入由局部MXene密度和取向决定的适应性权重因子，使卷积核能够动态聚焦于高物理显著性区域。MAPDD层采用多头输出结构，回归头预测连续应变值（使用均方误差损失），分类头输出微损伤概率（使用二元交叉熵损失）。实时仿真框架以1 kHz标称采样率运行，通过向模型连续输入窗口化信号序列模拟结构健康监测工况，并评估其延迟和噪声鲁棒性。
四、研究结果
4.1 数据集特征与微结构分布分析：数据集包含三个通道（MXene分布、MoS?分布、环氧基体背景），覆盖0.25、0.5和1 wt%的填料负载范围。统计验证表明数据在各应变水平和微损伤状态下具有平衡分布，避免了训练中的类别不平衡问题。
4.2 MACSL性能：MACSL层的自适应核能够根据局部填料密度和方向选择性地增强MXene团簇、MXene–MoS?界面和高应变区的特征响应，同时抑制基体主导区域的贡献。定量评估显示，MACSL层的可分性指数较传统卷积块显著提高（最高达7.05），表明其能够更有效地分离应变敏感区和微损伤易发区。
4.3 MAPDD性能：该层在检测微损伤演化和形态变化方面表现出色。预测应变场与仿真应变路径高度一致，损伤图能够清晰区分完整、过渡和严重损伤区域。微损伤检测频率分析表明模型对早期损伤状态具有良好敏感性，未出现过拟合于常见类别的情况。
4.4 实时仿真结果：在伪实时循环中，框架展现出稳定的推理行为，平均延迟18.7 ms，抖动2.4 ms，时间漂移0.003/时间步，帧丢失率0.21%。即使在8%高斯噪声扰动下，应变预测和微损伤检测的稳定性仍得以保持。
4.5 材料层面解读：特征激活模式显示，MXene浓度、取向因子和团簇连通性指数对机电行为具有最高敏感度（敏感度得分0.83–0.94），而空隙率和基体均匀性的影响相对较弱。激活可视化与模拟裂纹萌生区域高度相关，证实模型捕获的是材料物理机制而非单纯统计关联。
4.6 消融研究：移除MACSL层导致应变预测准确率降至94.0%、微损伤F1降至90.8%；移除自适应权重α时准确率降至95.2%；移除MAPDD多头结构时微损伤F1降至89.5%。完整模型在所有指标上均表现最优。
4.7 性能对比：与SVM、LSTM、DCNN和KNN等基线模型相比，所提出的MACSL框架在准确率（96.8%）、精确率（95.6%）和召回率（93.4%）上均取得最高值，同时延迟（13.4 ms）显著低于多数基线模型。
五、讨论与结论
讨论部分指出，MACSL层能够精确复现应变场、微损伤发展和机电响应模式，其对MXene细观分散特征的捕捉能力是预测性能提升的关键。在低填料含量下机电灵敏度较低，而高填料含量下局部形态复杂性增加，这两类条件下出现的轻微预测误差主要源于微结构随机波动、相邻形态模式的相似性以及模拟测量噪声，但模型仍能保持稳定的应变预测和可靠的微损伤检测。
研究结论部分指出，本研究提出了一种结合CNN与MACSL的形态敏感深度学习系统，用于MXene增强环氧复合材料的应变响应预测和微损伤检测。该模型能够利用合成微结构数据集高可靠地捕获填料形态、机电交互和基于损伤的响应变化。MACSL对MXene分布和取向的敏感性更高，有助于在不同微结构条件下实现更好的特征提取。该框架在模拟机电响应跟踪中表现出良好的时间稳定性，并在广泛的微结构实现中保持良好行为。该研究提供了一种可解释、模块化的基于人工智能的复合材料监测方法，可支持航空航天、国防、可穿戴结构和智能材料系统中的实时监测应用。基于成像数据检测微损伤的能力表明其在复合材料生产和部署中具有用于早期预警SHM系统的良好前景。未来工作应包括纳入实验获取的微结构、采用混合物理-机器学习训练流程、扩展多模态传感数据，并在实际MXene–环氧试件上进行大规模验证。
