單向復(fù)合材料在橫向載荷下易發(fā)生失效，制造過程中形成的纖維間空洞、基體空洞和樹脂富集區(qū)等缺陷會(huì)顯著加劇這一現(xiàn)象。這些缺陷作為應(yīng)力集中源，促使裂紋萌生并擴(kuò)展，導(dǎo)致材料剛度與強(qiáng)度下降。例如，空洞含量超過1%時(shí)，層間剪切強(qiáng)度顯著降低。盡管基于代表性體積單元的計(jì)算微觀力學(xué)能模擬真實(shí)應(yīng)力狀態(tài)，但其高計(jì)算成本和缺陷隨機(jī)性表征困難限制了工程應(yīng)用?，F(xiàn)有機(jī)器學(xué)習(xí)方法雖提速明顯，卻多忽略多類缺陷的共存與交互作用，難以全面反映制造實(shí)際。

針對(duì)以上問題，哈爾濱工業(yè)大學(xué)的研究團(tuán)隊(duì)在Composites Science and Technology，發(fā)表了相關(guān)研究成果。該研究針對(duì)含空洞缺陷的單向復(fù)合材料，提出了一種創(chuàng)新的兩階段深度學(xué)習(xí)框架，通過集成U-Net預(yù)測(cè)裂紋路徑、并結(jié)合特征融合機(jī)制將裂紋信息輸入卷積神經(jīng)網(wǎng)絡(luò)以預(yù)測(cè)宏觀力學(xué)性能，成功實(shí)現(xiàn)了在秒級(jí)內(nèi)完成傳統(tǒng)有限元需數(shù)小時(shí)的計(jì)算任務(wù)。論文標(biāo)題為”A two-stage deep learning framework for predicting crack patterns and mechanical properties of unidirectional composites with void defects”。

該研究提出了一種兩階段深度學(xué)習(xí)架構(gòu)，第一階段采用U-Net構(gòu)建裂紋預(yù)測(cè)網(wǎng)絡(luò)，通過編碼器-解碼器結(jié)構(gòu)提取多尺度特征，并結(jié)合跳躍連接保留細(xì)節(jié)信息，輸出二值化裂紋圖。第二階段為力學(xué)性能預(yù)測(cè)網(wǎng)絡(luò)，其編碼器與U-Net一致，后接全連接層，并通過特征融合機(jī)制將裂紋預(yù)測(cè)結(jié)果與原始微觀結(jié)構(gòu)圖像共同作為輸入，提升預(yù)測(cè)精度。數(shù)據(jù)集通過Python腳本批量生成含隨機(jī)纖維與缺陷的RVE，經(jīng)ABAQUS模擬獲得應(yīng)力-應(yīng)變曲線與裂紋圖像，最終包含約1000組樣本，劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。

在裂紋預(yù)測(cè)方面，模型在測(cè)試集上平均交并比集中在0.80–0.90之間，峰值約0.85，雖略平滑于真實(shí)裂紋，但關(guān)鍵特征如裂紋啟裂與路徑均被準(zhǔn)確捕捉。在力學(xué)性能預(yù)測(cè)中，特征融合機(jī)制顯著提升了強(qiáng)度預(yù)測(cè)精度：強(qiáng)度預(yù)測(cè)的平均絕對(duì)誤差從1.0707 MPa降至1.0365 MPa，降幅約3.2%；決定系數(shù)R2從0.9400提升至0.9413；均方誤差從1.8837降至1.8595。剛度預(yù)測(cè)因與裂紋無關(guān)，融合后精度未提升。梯度加權(quán)類激活圖顯示，網(wǎng)絡(luò)能自動(dòng)聚焦于纖維間空洞等關(guān)鍵區(qū)域，與物理失效機(jī)制一致。

該框架在普通個(gè)人計(jì)算機(jī)上僅需0.1秒即可完成單樣本的雙任務(wù)分析，相較傳統(tǒng)有限元模擬的分鐘級(jí)計(jì)算，效率提升顯著。其能力同時(shí)考慮多類隨機(jī)缺陷，并自動(dòng)識(shí)別關(guān)鍵損傷區(qū)域，為材料缺陷容忍設(shè)計(jì)、性能快速評(píng)估提供了可靠工具。未來可擴(kuò)展至三維模型、多軸載荷條件，并引入Transformer等先進(jìn)架構(gòu)以優(yōu)化復(fù)雜裂紋模式的識(shí)別。

該研究通過數(shù)值模擬與深度學(xué)習(xí)驗(yàn)證，得出以下結(jié)論：空洞體積分?jǐn)?shù)與分布共同影響復(fù)合材料裂紋模式與力學(xué)性能；兩階段框架通過融合裂紋特征提升了強(qiáng)度預(yù)測(cè)精度；模型能自動(dòng)識(shí)別多類缺陷，且計(jì)算效率極高。這項(xiàng)研究不僅為復(fù)合材料性能預(yù)測(cè)提供了新方法，也為工程中的實(shí)時(shí)決策與優(yōu)化設(shè)計(jì)奠定了技術(shù)基礎(chǔ)。

圖1 單向復(fù)合材料中的缺陷

圖2 帶缺陷RVE的生成

圖3 不同空洞體積分?jǐn)?shù)下的應(yīng)力-應(yīng)變曲線與裂紋模式

圖4 空洞體積分?jǐn)?shù)對(duì)橫向性能的影響

圖5 兩階段深度學(xué)習(xí)框架 

圖6 有限元分析與CPN裂紋預(yù)測(cè)對(duì)比 

圖7 融合裂紋預(yù)測(cè)前后力學(xué)性能預(yù)測(cè)對(duì)比

原始文獻(xiàn)：

Wang, B., Huang, K., & Guo, L. (2025). A two-stage deep learning framework for predicting crack patterns and mechanical properties of unidirectional composites with void defects. *Composites Science and Technology*, 271, 111357.

原文鏈接：

https:///10.1016/j.compscitech.2025.111357