佐治亚理工《Part B》：人工智能/机器学习在高性能复合材料中的应用

 全文速递 

随着人工智能（AI）技术的蓬勃兴起，它不仅为材料科学带来了前所未有的机遇，也引发了工程领域的范式变革。AI 和机器学习（ML）技术的深度融合，为理解和表征材料内部复杂机制提供了强有力的工具。

而凭借其卓越的性能，例如更高的强度、更轻的重量以及更强的耐腐蚀性，高性能纤维增强聚合物（FRP）复合材料在航空航天、汽车、海洋、可再生能源和基础设施建设等领域展现出了巨大的应用潜力。

文章旨在对在高性能 FRP 复合材料中应用 AI/ML 方法的最新进展进行全面的回顾，并重点关注其产品生命周期的四个关键阶段：设计、制造、测试和监控。

研究涵盖了这些阶段中材料开发和选择、工艺建模和优化、材料性能预测以及损伤诊断和预测等任务，所有这些任务都借助先进的 AI/ML 算法来完成。此外，文章还将通过分析当前的挑战和潜在的未来研究方向，展望将现代先进的 AI/ML 模型融入 FRP 复合材料研究的可能性。

流年似水，莫负光阴！

如专业相关性低，阅读至此即可！

一、引言

随着人工智能（AI）技术的蓬勃发展，材料科学领域也迎来了范式转变。AI/ML技术与材料科学的融合为理解材料背后的物理原理带来了重大进步。高性能纤维增强聚合物（FRP）复合材料因其优异的性能，如高强度、轻质和耐腐蚀性，在航空航天、汽车、海洋、可再生能源和基础设施等行业中得到了广泛应用。尽管高性能FRP复合材料具有出色的性能，但其复杂的制造过程和独特的材料结构使得理解材料动态和特性变得极具挑战。而AI/ML技术由于其强大的数据处理能力，为解决这些问题提供了新的途径。

近日，国际知名期刊《Composites Part B》发表了一篇美国亚特兰大佐治亚理工学院的研究团队完成的有关人工智能/机器学习在高性能复合材料中应用的研究成果。该研究旨在提供对AI/ML技术在高性能FRP复合材料应用现状的全面概述，重点关注产品生命周期中的四个关键阶段，即设计、制造、测试和监控，探讨了将现代先进AI/ML模型融入FRP复合材料研究的未来方向。论文标题为“Applications of artificial intelligence/machine learning to high-performance composites”。

二、主要应用领域

1.工程领域人工智能/机器学习的发展

从20世纪40年代神经网络模型的提出，到经典AI模型的探索，再到21世纪深度学习、元学习等概念的兴起，AI/ML技术在工程计算建模和数据处理方面取得了显著的进展。AI/ML模型能够有效地模拟复杂物理系统，并用于下游任务如预测、表征、系统健康监测和控制等。此外，AI/ML方法在处理实验数据、分析生物分子等方面也展现出强大的能力。

图 1. FRP 复合材料部件的产品生命周期

2.AI/ML 在高性能复合材料的材料开发和选择中的应用

材料基因组计划（MGI）是一个联邦多机构计划，旨在通过高通量实验和计算材料科学加速新材料的发现和开发。AI/ML 可以通过高通过量虚拟筛选（HTVS）等技术，在分子层面上探索潜在的新型复合材料，并通过 MGI 的计算设计框架进行优化，从而加速高性能复合材料的设计和开发。

逆向设计从所需的性能出发，寻找理想的材料结构。AI/ML 算法在逆向设计过程中被成功应用，例如通过拓扑优化来寻找具有最佳性能的纤维方向和尺寸。此外，AI/ML 还可以与有限元分析和神经网络等工具结合，进行预测和逆向设计，以满足特定的功能需求。未来，将生成式 AI 模型与逆向设计相结合，有望克服现有材料数据库的限制，发现全新的材料结构。

图 2. 高性能 FRP 复合材料结构设计、制造、测试和监控阶段的 AI/ML 模型，分别用于材料开发和选择、工艺建模和优化、材料性能预测以及损伤诊断和预测。

3.人工智能/机器学习在高性能复合材料制造过程建模和优化中的应用

高性能 FRP 复合材料的制造过程包括部件生成和固化两个主要阶段。部件生成过程包括自动纤维铺放（AFP）、增材制造（AM）等。AI/ML 可以通过图像处理、深度学习等方法，对 AFP 过程进行缺陷检测、分类和优化，以提高生产效率和产品质量。在 AM 领域，AI/ML 可以用于识别纤维方向、分析力学性能、进行过程参数优化等，以实现更高质量的复合材料部件制造。

固化过程涉及树脂基复合材料和粘合剂接头的连接，是一个复杂的物理过程，涉及到热化学、流动压缩和热力学性能的相互作用。AI/ML 方法可以有效地分析固化动力学、预测固化度（DoC）等参数，并利用物理信息神经网络（PINN）等模型来理解复杂的物理过程。此外，AI/ML 还可以用于固化过程的优化和控制，例如通过神经网络预测温度历史，然后搜索最佳的固化周期，以减少残余应力并提高生产效率。

图 3. (a) FNO 框架预测应力和应变场的工作流程，其中使用 FEM 分析 2D 数字复合材料几何形状以进行 I 型拉伸试验，沿 x 方向有预裂纹，沿 y 方向施加载荷，并使用张量分量导出标量值等效测量；(b) 使用三种不同方法对异质宏观结构进行多尺度力学建模：(i) 全尺度 FE 分析，(ii) FE2 分析，(iii) ML 驱动的多尺度分析。全尺度 FE 分析效率最低，多尺度 FE 分析可并行化且效率更高，ML 驱动的多尺度分析效率最高。

4.AI/ML 在高性能复合材料材料性能预测中的应用

AI/ML 模型，例如卷积神经网络（CNN）和循环神经网络（RNN），可以有效地学习材料结构和性能之间的复杂非线性关系，从而预测复合材料的强度和失效行为。此外，AI/ML 还可以用于预测复合材料层合板的应力场，这需要更复杂的模型设计来处理高维和多尺度数据。对于粘合剂接头，AI/ML 可以预测剪切强度和剥离强度，并用于失效分析，例如基于协同单元模型（CZM）的有限元分析。

AI/ML 模型可以有效地分析疲劳数据，预测疲劳寿命，并用于表征疲劳行为，例如损伤/裂纹演变、强度/刚度退化以及疲劳诊断和预测。例如，基于深度自动编码器（DAE）的模型可以用于检测和分类复合材料结构中的疲劳损伤，而基于神经普通微分方程（Neural ODE）的框架可以预测复合材料层合板的刚度退化。此外，AI/ML 还可以用于疲劳损伤的预测和诊断，例如基于声发射信号和机器学习的分类。

图 4. (a) 基于带有β-变分自动编码器（β-VAE）的神经 ODE 结构的 ANN 模型的计算图 [56]；(b) 基于深度自动编码器的复合结构疲劳损伤检测与分类概览。

5.AI/ML在高性能复合材料损伤诊断与预测中的应用

AI/ML 模型可以有效地分析无损检测（NDI）和结构健康监测（SHM）数据，用于检测、定位和分类各种类型的损伤，例如裂纹、分层和粘合剂接头的缺陷。AI/ML 还可以用于预测复合材料的剩余使用寿命（RUL），这对于安全相关的应用至关重要。此外，AI/ML 还可以用于开发智能传感结构，例如嵌入连续碳纤维的智能网格，用于检测复合材料的变形场分布和损伤。

图 5. (a–c) 网状智能结构示意图及制备顺序（从底层到顶层），其中测试结果为每根连续碳纤维丝束的电阻变化分数，并详细显示了中间丝束的关系，可分为三个明显阶段：弹性阶段、微损伤阶段和宏观损伤阶段；(d, e) 具有平面、螺旋和互锁型自修复结构的试件，其中测试结果为整个加载过程中嵌入连续碳纤维丝束的试件的电阻和应力变化分数随时间的变化。

三、小结

该研究展示了AI/ML技术在高性能FRP复合材料中的应用潜力，可以推动材料科学和工程的发展。未来需要进一步探索和解决数据问题和其他挑战，以实现AI/ML技术在FRP复合材料领域的更广泛和更有效的应用。

原始文献：

Wang, Y., Wang, K., & Zhang, C. (2024). Applications of artificial intelligence/machine learning to high-performance composites. Composites Part B, 285, 111740.

原文链接：

https://doi.org/10.1016/j.compositesb.2024.111740