如何利用數據驅動方法來實現纖維增強復合材料性能的智能預測？

原文發表于《科技導報》2025 年第24 期 《 基于數據驅動的纖維增強復合材料性能預測研究進展 》

隨著數據資源獲取、深度學習演化和模型推理生成等技術的不斷發展，數據驅動方法憑借其在挖掘高維非線性關系、構建代理模型及處理多模態數據方面的獨特優勢，為纖維增強復合材料的性能預測提供了強有力的工具。本文系統介紹了該領域的研究進展，評述了數據驅動模型的建模策略和預測精度，闡述了可解釋性分析與不確定性量化技術的工程意義，并展望了可解釋機器學習框架等方向，以期為數據驅動方法在復合材料性能預測領域的深化應用提供從理論基礎到工程實踐的完整視角。

纖維增強復合材料（FRCs）憑借其卓越的比強度、比剛度和可設計性強等優點，已成為電子信息、生物醫療、航空航天等制造領域的關鍵材料。然而，該類材料體系具有多相異質、多尺度結構及各向異性等本質特征，致使基于傳統物理機理的建模方法與實驗手段在預測其性能時存在高成本、長周期與高不確定性的瓶頸問題。

通過采用材料本征參數歸集、圖像驅動特征提取、物理信息特征工程等方法，原始數據可以轉化為適用于機器學習（ML）的高維特征表示，可為數據驅動建模提供結構化、標準化且具備物理可解釋性的高質量數據基礎。

ML作為數據驅動人工智能技術的核心實現方式，能夠從數據中自主學習潛在規律并構建預測模型。作為ML的重要分支，深度學習（DL），能夠自動從原始數據中學習層次化的特征表示。在DL中，卷積神經網絡（CNN）、循環神經網絡（RNN）以及生成對抗網絡（GAN）等是復合材料領域常用的神經網絡模型，模型框架如圖1所示。

圖1 DL模型框架

這些模型通過多層次非線性變換實現高維復雜數據集的分布式表征，在復合材料多尺度性能預測中表現出優異的建模能力。

近年來，數據驅動策略在FRCs性能預測領域迅速發展，已成為構建其工藝?結構?性能映射模型的重要工具。該方法不僅可以實現對FRCs多性能的高效、準確預測，還可以從數據中識別控制性能演化的關鍵影響因素，從而深化對復合材料行為的理解。

1

復合材料關鍵參數的數字化表征

為實現FRCs性能的智能化預測，需要將材料的本征參數與多尺度結構轉化為ML可處理的數字化特征。

1.1 材料本征參數歸集

材料本征參數歸集，是將復合材料的組分信息（如纖維種類、基體類型、纖維體積分數）以及纖維與基體的性能等參數系統輸入，并以此作為預測其宏觀性能的基礎。

Rayhan等基于前饋神經網絡框架，構建單向復合材料彈性性能的高精度預測模型。Sharan等基于人工神經網絡構建的單向碳FRCs強度預測模型，建立起綜合考慮多參數耦合效應的復合材料強度精確預測框架。Zhang等建立結構因子與其基本力學性能的精準映射關系，并通過靈敏度分析確定材料厚度和樹脂質量分數是主要參數特征。Al?Jarrah等開發了一種融合反向傳播神經網絡與淺層神經網絡的雙集成人工神經網絡模型。針對復雜工藝條件，Wei等基于深度材料網絡的ML框架與有限元軟件集成，快速預測注塑成型短FRCs力學性能和結構的非線性行為。此外，GAN通過學習參數?性能的復雜映射，可實現按目標性能逆向生成材料的結構參數。

1.2 圖像驅動特征提取

圖像驅動特征提取是指以復合材料微觀結構的掃描電鏡圖像、計算機斷層掃描圖像等為輸入，利用DL模型實現從結構特征到宏觀力學性能的端到端智能映射。

在二維圖像預測方面，Gupta等基于pix2pix架構的CNN，建立了準確的材料性能預測框架。Liao等進一步提出了結合快速傅里葉變換求解器與卷積自編碼器的DL框架。此外，一種基于StressNet改進的全CNN，可在幾秒鐘內預測復合材料的應力分布特征。針對三維結構表征，3D U?Net深度學習架構在保持預測精度的同時提升了計算效率。在損傷演化研究領域，Wang等基于深度ML算法預測碳FRCs拉伸過程的損傷位置。Liu等根據目標應力或位移場直接生成FRCs最優纖維排布圖。

1.3 物理信息特征工程

物理信息特征工程核心在于將微觀結構或數值模擬結果轉化為物理意義明確的低維描述符，從而構建預測性能優異且兼具物理一致性與可解釋性的復合材料ML模型。

Kim等有效提升了復合材料性能預測精度。Li等通過生成含隨機分布微孔的代表性體積單元與微觀力學有限元模擬數據，構建“微觀結構?性能”數據集；然后，將微孔的空間分布特征量化為低維物理描述符；最后，建立從微觀結構特征到宏觀力學性能的非線性映射模型。Yadav等通過將變形協調約束嵌入函數主成分分析的函數空間設計，建立了碳納米管復合材料結構變形行為的快速精準預測模型。

1.4 跨尺度數據驅動

跨尺度數據驅動通過深度融合從微觀結構參數到宏觀性能數據的跨尺度信息，構建高效的數據驅動模型，以數據驅動模型替代或輔助傳統耗時的跨尺度數值模擬，最終實現對復合材料性能的快速精準預測。

Wang等以多尺度建模為橋梁，對碳纖維編織復合材料跨尺度性能進行預測，并確定纖維束中纖維數量和纖維間距對拓撲靈活性的影響。Ghane等開發了一種級聯神經網絡架構，首先將機織復合材料微觀組分屬性映射為紗線等效屬性，然后結合織物細觀結構對宏觀彈性系數進行預測。Qi等系統生成了涵蓋微觀纖維與宏觀復合材料性能的數據集，建立由宏觀性能逆向預測碳纖維單絲彈性常數的ML模型。Li等開發了一種基于分子動力學模擬與多任務門控循環單元神經網絡的跨尺度代理建模框架，能夠同時學習材料的速率和路徑相關的本構行為及失效狀態，預測玻璃FRCs的宏觀力學性能。

2

復合材料主要性能的預測

近年來，以數據驅動的ML和DL為代表的人工智能技術，通過建立材料組分、結構特征與性能間的復雜非線性映射，在力學、熱學、聲學及電學等方面取得一系列研究進展。

2.1 力學性能預測

利用數據驅動方法建立材料組分、工藝參數與力學性能之間的復雜映射關系，可以在基本力學性能、漸進損傷、疲勞性能以及摩擦磨損性能等方面實現性能預測，如圖2所示。

圖2 數據驅動在復合材料力學性能預測中的主要應用

在基本力學性能預測方面，數據驅動方法已實現對彈性、強度及纖維基體界面行為的精準預測。前饋神經網絡（FNN）模型可實現對復合材料縱向和橫向楊氏模量、剪切模量及泊松比的高精度預測；融合微觀力學理論的人工神經網絡（ANN）模型有效表征了短FRCs在不同纖維分布模式下的等效彈性響應。在強度預測方面，ANN與有限元分析相結合的混合建模框架，用以預測單向FRCs中隨機纖維分布引起的拉伸強度及其統計分散性；而基于主成分分析與二值神經網絡（BNN）框架的集成方法提升了碳纖維非織造復合材料應力?應變曲線預測的魯棒性與不確定性量化能力。

在疲勞性能預測方面，數據驅動方法與多尺度損傷模型的結合，可成功預測編織復合材料在循環加卸載及拉壓交替路徑下的力學行為。在預測方法的發展上，疲勞壽命預測已發展為融合物理機制的混合智能模型，神經網絡代理模型通過結合貝葉斯推斷、極端隨機樹算法等方法，在保持物理意義明確的同時，顯著提升了預測的精度與可靠性。

針對復合材料在長期服役中的性能演化，集成多物理場仿真與DL框架，預測FRCs動態強度與蠕變行為。在環境老化預測方面，數據驅動方法通過構建環境參數與性能退化之間的定量映射，預測酸性環境下玻璃FRCs的凹陷行為并確定剛度與強度的演變規律。

此外，在摩擦性能預測中，ML通過建立纖維類型、工藝參數與摩擦性能之間的復雜非線性映射，揭示纖維形態、界面特性等多因素耦合作用機制，并對復合材料摩擦系數與磨損率等關鍵參數進行預測。

2.2 熱學性能預測

當前，數據驅動方法正致力于構建能夠跨越微觀結構特征與宏觀熱響應之間復雜關聯的智能模型，以期解決傳統方法在描述如纖維?基體界面熱輸運、各向異性熱導率等關鍵科學問題時的局限性。

在熱傳導性能預測方面，Liu等采用DL與集成學習相結合的策略，對不同纖維和基體組成的一維取向復合材料導熱系數快速預測，提高FRCs宏觀導熱系數預測準確率。Ding 等通過將有限元模擬產生的全場熱力學數據與神經網絡結合，同時引入關鍵參數形狀因子作為描述符，揭示復合材料面外熱導率強化機制。

在熱?力耦合行為及熱安全性能方面，Loh等基于人工神經網絡構建材料在火焰沖擊與機械載荷耦合作用下失效行為的預測模型。Deng等結合內聚力模型的ML框架，利用模擬數據集預測碳化硅涂層碳FRCs的熱沖擊性能。基于貝葉斯正則化的人工神經網絡，預測FRCs的熱釋放速率峰值及曲線等關鍵防火安全參數。Machello等采用經過貝葉斯優化的樹模型，系統預測分析暴露溫度、基體玻璃化轉變溫度、樣品幾何特征、基體類型、纖維類型及制造工藝等關鍵參數對拉伸強度保留率的影響，并量化各參數對FRCs在高溫下拉伸強度保留率的貢獻度。更進一步地，基于高斯過程的建模方法可對短切碳纖維復合材料熱?力性能進行協同預測與多目標優化，分析滿足綜合性能要求的最佳纖維含量區間。

2.3 聲學性能預測

有效評估復合材料的隔聲、吸聲等聲學性能是推動其在減振降噪等領域應用的重要基礎。結合經典波動理論與DL架構的物理啟發式ML方法，可以實現復合材料聲學性能的預測。

在隔聲性能預測方面，董靜捷等基于半解析法生成訓練數據集并結合徑向基函數神經網絡的方法，可有效預測復合材料層合板的傳聲損失頻率響應，特別是在臨界頻率與吻合效應區等隔聲低谷頻段展現出優異的預測精度。

在吸聲性能預測領域，Mahesh等采用改進反向傳播算法構建的神經網絡模型，能夠以操作頻率、填充密度及增強體質量分數為輸入，以低于5%的平均相對誤差精準預測其在寬頻范圍內的吸聲系數。Ciaburro等開發了一種預測復合材料吸聲系數的神經網絡模型。Kueh等開發了一種以硅酸氣凝膠和纖維含量為輸入的ML模型，用以預測菠蘿葉纖維/硅酸氣凝膠增強砂漿的吸聲系數。

2.4 電學性能預測

復合材料的電導率、介電性能及壓阻效應等關鍵電學性能是推動其在結構監測、電磁屏蔽等領域應用的核心關鍵。

在微觀結構?導電性能關聯預測方面，Yuan等構建纖維構型與宏觀電導率之間的非線性映射模型，預測分布均勻性對導電性能的影響規律。Dong等采用貝葉斯優化框架不僅實現了電阻率的預測，還通過特征重要性分析，確定碳纖維含量等關鍵參數的影響權重。Niendorf等建立起從制造參數到導電網絡形態，再到宏觀電學性能的完整預測鏈條。在導電網絡重構方面，特征融合CNN提升了電阻抗斷層掃描對碳FRCs層壓板電導率分布的重建質量。

在多場耦合電學行為解析與預測方面，Sadollah等結合ML算法，解析納米填料增強復合材料的電?力耦合行為，結果表明碳納米管網絡在變形過程中能保持更穩定的導電率。Wang等針對周期性單胞構建滿足界面連續性條件的解析解，跨尺度計算宏觀等效電學參數與局部電場分布。在壓阻行為研究中，Oh等利用ML技術，基于實時電阻監測數據以及識別損傷的位置和類型，預測損傷發展為嚴重損害程度的時間。Diaz?Escobar等開發了一種回歸算法，以95%的準確率預測碳FRCs發生損傷時的電阻變化。

在介電響應與新型傳感應用方面，DNN通過電容傳感器數據準確預測玻璃纖維/環氧樹脂材料中的液體吸收質量，而基于多層感知器的監督ML算法可預測FRCs層壓板雷電熱損傷程度。

3

數據驅動模型可信度評估

數據驅動模型在復合材料性能預測中的應用日益廣泛，然而其“黑箱”特性導致的決策機制不透明和預測不確定性，嚴重制約了模型的工程可信度。可解釋性分析與不確定性量化技術通過提升模型的透明度和可靠性，為解決這一問題提供了有效途徑。

3.1 可解釋性分析

可解釋性分析通過揭示模型的決策邏輯，將復雜的數值預測轉化為可理解的物理機制，顯著增強了模型的工程可信度。基于特征重要性的全局或局部解釋方法在復合材料研究中展現出強大潛力。其中，SHAP方法通過量化特征貢獻度，在纖維增強聚合物復合材料設計中成功識別出關鍵設計參數。

3.2 不確定性量化

不確定性量化通過建立概率預測框架，系統評估預測結果的可靠邊界，為工程決策提供至關重要的風險評估依據。其中，高斯過程回歸（GPR）等概率模型能提供預測置信區間。

4

挑戰與展望

4.1 當前面臨的主要挑戰

1）數據基礎薄弱。高質量、跨尺度實驗數據獲取成本高昂，導致可用于訓練的典型樣本稀缺。這使得模型的泛化能力受限，對未知材料體系或極端工況的預測可靠性降低，數據中的系統性偏差可能被模型繼承并放大，從而制約其在實際應用中的適用性。

2）模型內在局限。“黑箱”模型決策邏輯不透明，其外推能力普遍不足，且難以嚴格保證預測結果與物理規律的一致性。此外，模型預測中的不確定性（如認知不確定性、偶然不確定性）尚未得到充分量化與有效傳遞。

3）系統集成困難。現有模型多局限于“給定材料?預測性能”的正向分析，缺乏從預設性能目標到材料配方與工藝參數的逆向設計能力，導致先進數據驅動技術多滯留于學術研究階段，難以與工業制造系統深度集成，科研成果轉化率低下。

4）動態適應困難。實際生產中的工藝參數波動、材料批次差異，以及長期服役環境下的性能退化，均是復雜的動態時變過程。現有模型通常建立在靜態、理想的假設之上，難以有效表征和捕捉這些復雜動態因素的影響。

4.2 未來發展方向與展望

1）構建多尺度融合的復合材料數據系統。建立多源跨尺度的復合材料數據庫，完善涵蓋“材料組成—工藝參數—微觀結構—功能性能”全鏈條的復合材料數據。在此基礎上，積極引入自監督學習技術，以降低對昂貴人工標注的依賴。同時，通過發展跨模態數據融合方法與物理約束下的合成數據生成技術，在保障數據安全的前提下，系統解決數據稀缺與異構性難題。

2）發展物理引導的可解釋ML框架。推動數據驅動與物理引導的不斷融合，以硬約束或物理正則化方式深度嵌入DL架構，從根本上確保預測結果的物理合理性。進一步，引入主動學習策略，顯著降低獲取高成本數據的代價，并明確給出預測值的置信區間，增強模型的可信度。

3）實現性能導向的逆向設計與參數優化。完善性能預測結果與參數的映射關系，形成材料配方、工藝參數、目標性能的多模態數據平臺，并實現復合材料性能預測與性能導向的逆向設計。

4）建立全生命周期集成的數字孿生系統。構建與物理實體同步的數字孿生體，建立從復合材料制造、性能預測、服役性能監測到剩余壽命評估的全生命周期數字孿生系統，推動復合材料性能預測向動態智能制造方向發展。

本文作者：許鳳、劉玲、張超、朱杰、張瑋婷、董昊、黃浩、高明、喻學鋒

作者簡介：許鳳，中國科學院深圳先進技術研究院，助理研究員，研究方向為纖維增強復合材料；高明（通信作者），中國科學院深圳先進技術研究院，高級工程師，研究方向為材料復合與智能改性技術；喻學鋒（共同通信作者），中國科學院深圳先進技術研究院，研究員，研究方向為材料智能創制。

文章來 源 ： 許鳳, 劉玲, 張超, 等. 基于數據驅動的纖維增強復合材料性能預測研究進展[J]. 科技導報, 2025, 43(24): 71?81 .

本文有刪改，

內容為【科技導報】公眾號原創，歡迎轉載
白名單回復后臺「轉載」

《科技導報》創刊于1980年，中國科協學術會刊，主要刊登科學前沿和技術熱點領域突破性的研究成果、權威性的科學評論、引領性的高端綜述，發表促進經濟社會發展、完善科技管理、優化科研環境、培育科學文化、促進科技創新和科技成果轉化的決策咨詢建議。常設欄目有院士卷首語、科技新聞、科技評論、本刊專稿、特色專題、研究論文、政策建議、科技人文等。