全文速遞 

隨著人工智能（AI）技術的蓬勃興起，它不僅為材料科學帶來了前所未有的機遇，也引發了工程領域的范式變革。AI 和機器學習（ML）技術的深度融合，為理解和表征材料內部復雜機制提供了強有力的工具。

而憑借其卓越的性能，例如更高的強度、更輕的重量以及更強的耐腐蝕性，高性能纖維增強聚合物（FRP）復合材料在航空航天、汽車、海洋、可再生能源和基礎設施建設等領域展現出了巨大的應用潛力。

文章旨在對在高性能 FRP 復合材料中應用 AI/ML 方法的最新進展進行全面的回顧，并重點關注其產品生命周期的四個關鍵階段：設計、制造、測試和監控。

研究涵蓋了這些階段中材料開發和選擇、工藝建模和優化、材料性能預測以及損傷診斷和預測等任務，所有這些任務都借助先進的 AI/ML 算法來完成。此外，文章還將通過分析當前的挑戰和潛在的未來研究方向，展望將現代先進的 AI/ML 模型融入 FRP 復合材料研究的可能性。

流年似水，莫負光陰！

如專業相關性低，閱讀至此即可！

一、引言

隨著人工智能（AI）技術的蓬勃發展，材料科學領域也迎來了范式轉變。AI/ML技術與材料科學的融合為理解材料背后的物理原理帶來了重大進步。高性能纖維增強聚合物（FRP）復合材料因其優異的性能，如高強度、輕質和耐腐蝕性，在航空航天、汽車、海洋、可再生能源和基礎設施等行業中得到了廣泛應用。盡管高性能FRP復合材料具有出色的性能，但其復雜的制造過程和獨特的材料結構使得理解材料動態和特性變得極具挑戰。而AI/ML技術由于其強大的數據處理能力，為解決這些問題提供了新的途徑。

近日，國際知名期刊《Composites Part B》發表了一篇美國亞特蘭大佐治亞理工學院的研究團隊完成的有關人工智能/機器學習在高性能復合材料中應用的研究成果。該研究旨在提供對AI/ML技術在高性能FRP復合材料應用現狀的全面概述，重點關注產品生命周期中的四個關鍵階段，即設計、制造、測試和監控，探討了將現代先進AI/ML模型融入FRP復合材料研究的未來方向。論文標題為“Applications of artificial intelligence/machine learning to high-performance composites”。

二、主要應用領域

1.工程領域人工智能/機器學習的發展

從20世紀40年代神經網絡模型的提出，到經典AI模型的探索，再到21世紀深度學習、元學習等概念的興起，AI/ML技術在工程計算建模和數據處理方面取得了顯著的進展。AI/ML模型能夠有效地模擬復雜物理系統，并用于下游任務如預測、表征、系統健康監測和控制等。此外，AI/ML方法在處理實驗數據、分析生物分子等方面也展現出強大的能力。

圖 1. FRP 復合材料部件的產品生命周期

2.AI/ML 在高性能復合材料的材料開發和選擇中的應用

材料基因組計劃（MGI）是一個聯邦多機構計劃，旨在通過高通量實驗和計算材料科學加速新材料的發現和開發。AI/ML 可以通過高通過量虛擬篩選（HTVS）等技術，在分子層面上探索潛在的新型復合材料，并通過 MGI 的計算設計框架進行優化，從而加速高性能復合材料的設計和開發。

逆向設計從所需的性能出發，尋找理想的材料結構。AI/ML 算法在逆向設計過程中被成功應用，例如通過拓撲優化來尋找具有最佳性能的纖維方向和尺寸。此外，AI/ML 還可以與有限元分析和神經網絡等工具結合，進行預測和逆向設計，以滿足特定的功能需求。未來，將生成式 AI 模型與逆向設計相結合，有望克服現有材料數據庫的限制，發現全新的材料結構。

圖 2. 高性能 FRP 復合材料結構設計、制造、測試和監控階段的 AI/ML 模型，分別用于材料開發和選擇、工藝建模和優化、材料性能預測以及損傷診斷和預測。

3.人工智能/機器學習在高性能復合材料制造過程建模和優化中的應用

高性能 FRP 復合材料的制造過程包括部件生成和固化兩個主要階段。部件生成過程包括自動纖維鋪放（AFP）、增材制造（AM）等。AI/ML 可以通過圖像處理、深度學習等方法，對 AFP 過程進行缺陷檢測、分類和優化，以提高生產效率和產品質量。在 AM 領域，AI/ML 可以用于識別纖維方向、分析力學性能、進行過程參數優化等，以實現更高質量的復合材料部件制造。

固化過程涉及樹脂基復合材料和粘合劑接頭的連接，是一個復雜的物理過程，涉及到熱化學、流動壓縮和熱力學性能的相互作用。AI/ML 方法可以有效地分析固化動力學、預測固化度（DoC）等參數，并利用物理信息神經網絡（PINN）等模型來理解復雜的物理過程。此外，AI/ML 還可以用于固化過程的優化和控制，例如通過神經網絡預測溫度歷史，然后搜索最佳的固化周期，以減少殘余應力并提高生產效率。

圖 3. (a) FNO 框架預測應力和應變場的工作流程，其中使用 FEM 分析 2D 數字復合材料幾何形狀以進行 I 型拉伸試驗，沿 x 方向有預裂紋，沿 y 方向施加載荷，并使用張量分量導出標量值等效測量；(b) 使用三種不同方法對異質宏觀結構進行多尺度力學建模：(i) 全尺度 FE 分析，(ii) FE2 分析，(iii) ML 驅動的多尺度分析。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 驅動的多尺度分析效率最高。

4.AI/ML 在高性能復合材料材料性能預測中的應用

AI/ML 模型，例如卷積神經網絡（CNN）和循環神經網絡（RNN），可以有效地學習材料結構和性能之間的復雜非線性關系，從而預測復合材料的強度和失效行為。此外，AI/ML 還可以用于預測復合材料層合板的應力場，這需要更復雜的模型設計來處理高維和多尺度數據。對于粘合劑接頭，AI/ML 可以預測剪切強度和剝離強度，并用于失效分析，例如基于協同單元模型（CZM）的有限元分析。

AI/ML 模型可以有效地分析疲勞數據，預測疲勞壽命，并用于表征疲勞行為，例如損傷/裂紋演變、強度/剛度退化以及疲勞診斷和預測。例如，基于深度自動編碼器（DAE）的模型可以用于檢測和分類復合材料結構中的疲勞損傷，而基于神經普通微分方程（Neural ODE）的框架可以預測復合材料層合板的剛度退化。此外，AI/ML 還可以用于疲勞損傷的預測和診斷，例如基于聲發射信號和機器學習的分類。

圖 4. (a) 基于帶有β-變分自動編碼器（β-VAE）的神經 ODE 結構的 ANN 模型的計算圖 [56]；(b) 基于深度自動編碼器的復合結構疲勞損傷檢測與分類概覽。

5.AI/ML在高性能復合材料損傷診斷與預測中的應用

AI/ML 模型可以有效地分析無損檢測（NDI）和結構健康監測（SHM）數據，用于檢測、定位和分類各種類型的損傷，例如裂紋、分層和粘合劑接頭的缺陷。AI/ML 還可以用于預測復合材料的剩余使用壽命（RUL），這對于安全相關的應用至關重要。此外，AI/ML 還可以用于開發智能傳感結構，例如嵌入連續碳纖維的智能網格，用于檢測復合材料的變形場分布和損傷。

圖 5. (a–c) 網狀智能結構示意圖及制備順序（從底層到頂層），其中測試結果為每根連續碳纖維絲束的電阻變化分數，并詳細顯示了中間絲束的關系，可分為三個明顯階段：彈性階段、微損傷階段和宏觀損傷階段；(d, e) 具有平面、螺旋和互鎖型自修復結構的試件，其中測試結果為整個加載過程中嵌入連續碳纖維絲束的試件的電阻和應力變化分數隨時間的變化。

三、小結

該研究展示了AI/ML技術在高性能FRP復合材料中的應用潛力，可以推動材料科學和工程的發展。未來需要進一步探索和解決數據問題和其他挑戰，以實現AI/ML技術在FRP復合材料領域的更廣泛和更有效的應用。

原始文獻：

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

原文鏈接：

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