物理引导混合机器学习框架预测石墨烯增强铝复合材料高温热膨胀行为

《Scientific Reports》：Machine learning enhanced coefficient of thermal expansion (CTE) of graphene incorporated aluminium based metal matrix composite

　　

摘要

石墨烯增强铝金属基复合材料（Al–Gr MMCs）因其有望将低密度与改善的尺寸稳定性相结合，在高温度结构应用中受到了显著关注。铝虽然具有优良的机械性能和加工性，但在高温下会发生相当大的热膨胀。相比之下，石墨烯具有低或负的热膨胀特性，可以在基体中充当热约束，使Al–Gr复合材料在需要热稳定性的应用中颇具前景。然而，由于分散困难、石墨烯含量超过1 wt%时的团聚现象以及全面数据集的有限可获得性等挑战，尤其是在高温和较高石墨烯浓度条件下的实验表征仍然有限。为了解决这些局限性，本研究提出了一种物理引导的混合机器学习框架，用于预测Al–Gr复合材料的线膨胀系数（CTE）和整体长度变化。该方法将物理感知的特征工程与合成数据增强相结合，构建了一个涵盖更宽温度范围和成分范围的扩展数据集。为了在实验观测域内实现精确插值，采用了一种多模型堆叠集成方法，结合五个算法组中表现最佳的模型，并使用岭回归器作为元学习器。为了改善外推的可靠性，该集成模型与物理信息神经网络（PINN）和贝叶斯神经网络（BNN）动态融合。PINN通过基于梯度的单调正则化项引入物理引导的行为，鼓励预测值随石墨烯含量增加而遵循物理一致的渐进趋势。BNN采用蒙特卡洛Dropout实现，通过随机前向传播提供预测不确定性的近似估计。采用一种成分依赖的加权策略来组合这些组件，使该框架能够在不同区域中平衡数据驱动的准确性、物理一致性和不确定性感知。所提出的框架在观测数据范围内表现出极高的预测性能（R² ≈ 0.999176，预测误差低），并进一步用于探索高达2.4 wt%石墨烯和500°C温度下的热行为。结果捕捉到了关键趋势，包括高温下热膨胀的逐渐稳定以及有效CTE随石墨烯含量增加的整体降低。虽然这些预测超出了目前可用的实验数据范围，但它们为材料行为提供了有用的见解，并凸显了物理引导的混合机器学习方法在支持高温环境下复合材料设计方面的潜力。