基于可解释人工神经网络的天然纤维增强聚合物复合材料力学性能预测与SHAP分析

《Journal of Materials Research and Technology》：Explainable ANN-Based Prediction of Mechanical Properties in Natural Fiber-Reinforced Polymer Composites Using SHAP Analysis

　　

天然纤维增强聚合物复合材料（natural fiber-reinforced polymer composites, NFRPCs）已成为合成复合材料的可持续替代品；然而，由于纤维结构、基体类型和加工条件带来的变异性，其力学性能的可靠预测仍然面临挑战。本研究提出了一种属性特异性人工神经网络（artificial neural network, ANN）框架，包含四个独立优化的前馈ANN模型。这些模型在一个大型开放获取实验数据集上进行训练，该数据集包含590个单轴拉伸试样，涵盖十种复合材料构型，包括亚麻、黄麻和碳纤维体系，采用单向、正交铺层、编织和短纤维结构，基体为环氧树脂和乙烯基酯树脂。从应力-应变响应的早期阶段（0–1%应变）提取了12个几何和应力基础特征作为模型输入。该框架精确预测了弹性模量（elastic modulus, R2 = 0.9932）、极限抗拉强度（ultimate tensile strength, UTS, R2 = 0.9969）、UTS处应变（R2 = 0.7480）和韧性模量（modulus of toughness, R2 = 0.9795）。在所有目标中，平均测试集R2为0.9294，而五折交叉验证的平均R2达到0.8874。这些结果与此前针对纤维增强复合材料所报道的ANN和集成机器学习方法相比具有竞争力，后者R2值在0.93–0.97范围内，而本框架额外提供了基于SHAP的属性特异性可解释性，且实验数据集的规模（n = 590）和结构多样性远超以往研究。SHapley Additive exPlanations（SHAP）分析揭示，应力基础特征是弹性模量和UTS预测的主要贡献因素，而断裂应变和纤维结构则主要控制韧性。UTS处应变的较低预测精度与正交铺层和短纤维复合材料中观察到的高实验离散度一致（变异系数：17–22%），表明存在固有的噪声限制预测上限。该框架提供了一种有用工具，可通过从部分拉伸响应数据中计算关键力学性能的方式，加速天然纤维复合材料的表征。

研究背景与问题

随着全球对可持续工程材料需求的不断增长，天然纤维增强聚合物复合材料（NFRPCs）因其低密度、可再生来源、可生物降解以及生长过程中的CO₂封存等优势，成为传统合成复合材料的理想替代品，在汽车、建筑和体育用品行业具有广阔应用前景。然而，天然纤维本身的异质性、湿敏性以及对纤维结构和加工条件的显著依赖性，导致NFRPCs的力学性能存在较大变异性，严重限制了其在结构领域的广泛应用。历史上，大规模的实验测试项目被用于表征NFRPCs的力学性能，例如Torres等人测试了昆士兰大学十种不同复合材料体系的590个试样，量化了在标准ASTM D3039/D3039M单轴拉伸载荷下的性能分布，并建立了天然纤维复合材料层合板的变异系数与碳纤维体系相当的认识。但这种规模的实验测试资源消耗巨大，亟需一种数据驱动的预测框架来降低表征新复合材料构型的成本和时间。

近年来，机器学习（ML）在材料性能预测方面展现出强大潜力，能够捕捉材料特性与性能之间的复杂非线性关系。已有研究将人工神经网络（ANN）应用于纤维增强复合材料的拉伸强度、弹性模量和冲击性能预测，R²值超过0.95。然而，现有研究普遍存在三个关键局限：（1）基于小型单一实验室数据集，模型泛化能力有限；（2）将各目标属性独立处理，缺乏针对各目标的系统性结构优化；（3）采用黑箱ML模型而未进行可解释性分析，无法提供驱动性能结果的物理参数洞察。为解决上述问题，本研究将SHapley Additive exPlanations（SHAP）与ML模型相结合，利用Torres等人的完整开放获取数据集（590个拉伸试样），旨在开发一种可解释的、属性特异性的ANN预测框架。

研究内容与结论

研究人员提出了一个由四个独立优化的前馈ANN模型组成的属性特异性ANN框架，分别用于预测弹性模量、极限抗拉强度（UTS）、UTS处应变和韧性模量。模型在590个试样的实验数据集上训练，涵盖了亚麻、黄麻和碳纤维三种纤维类型、两种基体系统和七种纤维结构。从每条应力-应变曲线的早期部分（0–1%应变）提取了12个几何和应力基础特征作为输入。该框架在测试集上取得了优异的预测精度：弹性模量R² = 0.9932，UTS R² = 0.9969，韧性模量R² = 0.9795，平均测试集R²为0.9294，五折交叉验证平均R²为0.8874。SHAP分析揭示了不同力学性能的关键驱动因素：应力基础特征主导弹性模量和UTS的预测，而断裂应变和纤维结构则是韧性的主要控制因素。UTS处应变的预测精度较低（R² = 0.7480），这归因于正交铺层和短纤维复合材料中高达17–22%的实验离散度，表明存在固有噪声限制的预测上限。

关键技术方法

研究人员采用了以下关键技术方法：（1）自动化特征提取流程：开发Python工作流处理590个原始应力-应变时间序列文件，从每条曲线早期（0–1%应变）提取12个描述性特征，包括三个类别编码特征（纤维类型、基体类型、纤维结构）、四个几何测量特征（厚度、宽度、横截面积、标距长度）和五个应力-曲线描述符（2‰、5‰、10‰应变处的应力、断裂应变、UTS处延伸量）；（2）属性特异性ANN架构优化：为四个目标属性独立训练前馈多层感知机（MLP），弹性模量和UTS采用三层隐藏层网络（128→64→32神经元），UTS处应变和韧性采用四层隐藏层网络（512→256→128→64神经元），所有网络使用ReLU激活函数、Adam优化器和自适应学习率调度；（3）SHAP可解释性分析：采用模型无关的KernelExplainer方法，基于k-means聚类选取50个代表性背景样本，计算每个测试样本的SHAP值，并通过Spearman秩相关性检验确保特征重要性排名的稳定性。

研究结果

探索性数据分析

研究人员分析了590个试样的数据集，发现碳纤维单向0°复合材料在UTS（1176.1 ± 100.5 MPa）和弹性模量（120.82 GPa）方面显著优于所有天然纤维体系，而亚麻单向0°/环氧树脂在天然纤维体系中表现最优（UTS = 288.6 MPa，E = 14.48 GPa）。纤维结构诱导的各向异性清晰可见：亚麻UD 90°的UTS较UD 0°下降了一个数量级。弹性模量与UTS之间存在强正相关性（r = 0.98）。

代表性应力-应变曲线

应力-应变曲线展示了刚度层级：碳纤维UD 0°斜率最大且在约1.0%应变处脆性断裂，天然纤维体系斜率更低且破坏更渐进。在亚麻复合材料中，UD 0°应力最高但断裂应变最低，而正交铺层和短纤维结构刚度和强度逐步降低。黄麻缎纹编织的UTS（107.9 MPa）高于平纹（71.8 MPa）和斜纹（68.2 MPa）编织。乙烯基酯和环氧基体产生的亚麻复合材料性能相当。

ANN预测性能

在118个试样的测试集上，模型对弹性模量（R² = 0.9932，RMSE = 2.46 GPa）和UTS（R² = 0.9969，RMSE = 16.52 MPa）取得了卓越的预测精度，对韧性模量也表现出优异性能（R² = 0.9795，RMSE = 0.225 MJ/m³）。UTS处应变获得中等预测精度（R² = 0.7480）。预测值与实际值的散点图显示数据点几乎完美沿理想线y=x排列。

交叉验证结果

五折交叉验证给出了模型鲁棒性的稳健估计：UTS的平均R²为0.9920，韧性为0.9614。弹性模量的折间变异性较大（均值R² = 0.7348，标准差0.3056），反映了碳纤维与天然纤维体系间的刚度对比以及碳纤维样本量有限（n=46）的影响，因此分层测试集R² = 0.9932是该目标更具代表性的性能估计。

应变预测精度的物理解释

UTS处应变的适度R²（0.7480）并非模型局限性所致，而是源于正交铺层和短纤维复合材料中固有的高实验离散度（CV分别为22.0%和17.4%）。碳纤维（CV = 8.5%）和黄麻缎纹（CV = 6.8%）的离散度显著更低，ANN对这些构型实现了近乎完美的应变预测。这表明高变异性架构中的固有实验离散度设置了理论预测上限。

基线模型比较

对于弹性模量和UTS，包括线性回归在内的所有模型均实现R² > 0.99，反映了应力曲线特征与这些属性间的线性关系。对于弹性模量、UTS和韧性，ANN性能与树模型基线相当或具有竞争力。

SHAP特征重要性分析

SHAP分析显示，对于弹性模量，三个固定应变处的应力特征占主导地位，确认了初始应力-应变斜率是预计算模量正确且主要的预测因子。对于UTS，相同应力曲线特征领先，纤维结构次之。对于UTS处应变，断裂应变是压倒性驱动因素。对于韧性，断裂应变和纤维结构是主要SHAP贡献者，符合韧性作为能量积分的物理定义。

讨论总结

该ANN框架在同时预测四个力学属性时取得了平均测试R²为0.9294的成绩，与此前报道的相关领域ANN性能相比具有竞争力，并在更大规模、更多样化的实验数据集上提供了属性特异性SHAP可解释性。选择固定应变处的应力特征作为输入是一项关键方法学贡献，这些特征编码了实际测试试样的力学响应，捕获了纤维体积分数、纤维-基体粘附质量、孔隙含量和加工缺陷的综合效应，而这些无法由名义组成参数单独捕获。该框架的功能定位是快速表征代理——给定部分测试数据（早期曲线和试样几何），准确预测剩余力学描述符，而非正向材料设计。

SHAP结果反映了训练模型在当前数据集上的行为，不应被理解为物理因果关系的直接证明。在此限定下，SHAP分析提供了纤维结构作为设计变量重要性的定量证据：纤维结构在韧性重要性中排名第二（仅次于断裂应变），在UTS重要性中排名第二，支持了纤维取向决定强度和能量吸收能力的经典复合材料力学原理。试样宽度和横截面积的SHAP贡献可忽略不计，表明ANN学习了符合经典复合材料理论的合理关系，而非虚假关联。

UTS处应变预测精度适中得到了机制层面的支持：正交铺层和短纤维结构中固有的高实验离散度（CV = 17–22%）源于纤维波纹度、孔隙含量和应力集中点的随机分布。基体类型对比表明，环氧与乙烯基酯对亚麻单向0°复合材料的UTS影响不大（仅5%差异），ANN正确编码了这一区分。包含碳纤维UD 0°作为参考配置提供了可持续与传统复合材料的直接数据驱动对比：亚麻UD 0°/环氧在比刚度基础上达到碳纤维的约41%，是一个更为有利的比较。

研究结论翻译

本研究提出了一个结合SHAP可解释性的属性特异性ANN框架，用于预测天然纤维增强聚合物复合材料的力学性能。得出以下结论：

• •
  属性特异性ANN框架在弹性模量（R² = 0.9932）、UTS（R² = 0.9969）和韧性（R² = 0.9795）方面取得了卓越的预测精度，整体平均测试R²为0.9294，五折交叉验证平均R²为0.8874，作为经过验证的快速表征代理，可从部分拉伸曲线数据预测综合力学性能。
• •
  从原始应力-应变曲线提取的固定应变处应力特征是弹性模量和UTS的主导预测因子，提供了物理上可解释且信息丰富的输入，相较于先前研究中基于组成参数的方法传递了更丰富的力学响应信息。
• •
  SHAP分析揭示纤维结构和断裂应变是韧性预测的主要驱动因素，与复合材料力学理论一致，并提供可操作的设计指导：吸能应用应优先考虑编织结构。
• •
  UTS处应变预测精度适中（R² = 0.7480）得到机制层面支持：正交铺层和短纤维结构中观察到的17–22%高实验离散度设置了独立于模型结构的噪声下限预测上限。在应变关键设计应用中，建议对UTS处应变预测进行额外实验验证。
• •
  本研究开发的自动化特征提取流程可将大型原始拉伸测试数据集快速处理为结构化机器学习输入。该框架作为训练数据集中所代表材料体系内的表征代理运行，为未来数据驱动复合材料设计研究奠定了基础。