如何利用數(shù)據(jù)驅(qū)動(dòng)方法來實(shí)現(xiàn)纖維增強(qiáng)復(fù)合材料性能的智能預(yù)測？

原文發(fā)表于《科技導(dǎo)報(bào)》2025 年第24 期 《 基于數(shù)據(jù)驅(qū)動(dòng)的纖維增強(qiáng)復(fù)合材料性能預(yù)測研究進(jìn)展 》

隨著數(shù)據(jù)資源獲取、深度學(xué)習(xí)演化和模型推理生成等技術(shù)的不斷發(fā)展，數(shù)據(jù)驅(qū)動(dòng)方法憑借其在挖掘高維非線性關(guān)系、構(gòu)建代理模型及處理多模態(tài)數(shù)據(jù)方面的獨(dú)特優(yōu)勢，為纖維增強(qiáng)復(fù)合材料的性能預(yù)測提供了強(qiáng)有力的工具。本文系統(tǒng)介紹了該領(lǐng)域的研究進(jìn)展，評述了數(shù)據(jù)驅(qū)動(dòng)模型的建模策略和預(yù)測精度，闡述了可解釋性分析與不確定性量化技術(shù)的工程意義，并展望了可解釋機(jī)器學(xué)習(xí)框架等方向，以期為數(shù)據(jù)驅(qū)動(dòng)方法在復(fù)合材料性能預(yù)測領(lǐng)域的深化應(yīng)用提供從理論基礎(chǔ)到工程實(shí)踐的完整視角。

纖維增強(qiáng)復(fù)合材料（FRCs）憑借其卓越的比強(qiáng)度、比剛度和可設(shè)計(jì)性強(qiáng)等優(yōu)點(diǎn)，已成為電子信息、生物醫(yī)療、航空航天等制造領(lǐng)域的關(guān)鍵材料。然而，該類材料體系具有多相異質(zhì)、多尺度結(jié)構(gòu)及各向異性等本質(zhì)特征，致使基于傳統(tǒng)物理機(jī)理的建模方法與實(shí)驗(yàn)手段在預(yù)測其性能時(shí)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(shù)歸集、圖像驅(qū)動(dòng)特征提取、物理信息特征工程等方法，原始數(shù)據(jù)可以轉(zhuǎn)化為適用于機(jī)器學(xué)習(xí)（ML）的高維特征表示，可為數(shù)據(jù)驅(qū)動(dòng)建模提供結(jié)構(gòu)化、標(biāo)準(zhǔn)化且具備物理可解釋性的高質(zhì)量數(shù)據(jù)基礎(chǔ)。

ML作為數(shù)據(jù)驅(qū)動(dòng)人工智能技術(shù)的核心實(shí)現(xiàn)方式，能夠從數(shù)據(jù)中自主學(xué)習(xí)潛在規(guī)律并構(gòu)建預(yù)測模型。作為ML的重要分支，深度學(xué)習(xí)（DL），能夠自動(dòng)從原始數(shù)據(jù)中學(xué)習(xí)層次化的特征表示。在DL中，卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）以及生成對抗網(wǎng)絡(luò)（GAN）等是復(fù)合材料領(lǐng)域常用的神經(jīng)網(wǎng)絡(luò)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(shí)現(xiàn)高維復(fù)雜數(shù)據(jù)集的分布式表征，在復(fù)合材料多尺度性能預(yù)測中表現(xiàn)出優(yōu)異的建模能力。

近年來，數(shù)據(jù)驅(qū)動(dòng)策略在FRCs性能預(yù)測領(lǐng)域迅速發(fā)展，已成為構(gòu)建其工藝?結(jié)構(gòu)?性能映射模型的重要工具。該方法不僅可以實(shí)現(xiàn)對FRCs多性能的高效、準(zhǔn)確預(yù)測，還可以從數(shù)據(jù)中識別控制性能演化的關(guān)鍵影響因素，從而深化對復(fù)合材料行為的理解。

1

復(fù)合材料關(guān)鍵參數(shù)的數(shù)字化表征

為實(shí)現(xiàn)FRCs性能的智能化預(yù)測，需要將材料的本征參數(shù)與多尺度結(jié)構(gòu)轉(zhuǎn)化為ML可處理的數(shù)字化特征。

1.1 材料本征參數(shù)歸集

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

Rayhan等基于前饋神經(jīng)網(wǎng)絡(luò)框架，構(gòu)建單向復(fù)合材料彈性性能的高精度預(yù)測模型。Sharan等基于人工神經(jīng)網(wǎng)絡(luò)構(gòu)建的單向碳FRCs強(qiáng)度預(yù)測模型，建立起綜合考慮多參數(shù)耦合效應(yīng)的復(fù)合材料強(qiáng)度精確預(yù)測框架。Zhang等建立結(jié)構(gòu)因子與其基本力學(xué)性能的精準(zhǔn)映射關(guān)系，并通過靈敏度分析確定材料厚度和樹脂質(zhì)量分?jǐn)?shù)是主要參數(shù)特征。Al?Jarrah等開發(fā)了一種融合反向傳播神經(jīng)網(wǎng)絡(luò)與淺層神經(jīng)網(wǎng)絡(luò)的雙集成人工神經(jīng)網(wǎng)絡(luò)模型。針對復(fù)雜工藝條件，Wei等基于深度材料網(wǎng)絡(luò)的ML框架與有限元軟件集成，快速預(yù)測注塑成型短FRCs力學(xué)性能和結(jié)構(gòu)的非線性行為。此外，GAN通過學(xué)習(xí)參數(shù)?性能的復(fù)雜映射，可實(shí)現(xiàn)按目標(biāo)性能逆向生成材料的結(jié)構(gòu)參數(shù)。

1.2 圖像驅(qū)動(dòng)特征提取

圖像驅(qū)動(dòng)特征提取是指以復(fù)合材料微觀結(jié)構(gòu)的掃描電鏡圖像、計(jì)算機(jī)斷層掃描圖像等為輸入，利用DL模型實(shí)現(xiàn)從結(jié)構(gòu)特征到宏觀力學(xué)性能的端到端智能映射。

在二維圖像預(yù)測方面，Gupta等基于pix2pix架構(gòu)的CNN，建立了準(zhǔn)確的材料性能預(yù)測框架。Liao等進(jìn)一步提出了結(jié)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(jìn)的全CNN，可在幾秒鐘內(nèi)預(yù)測復(fù)合材料的應(yīng)力分布特征。針對三維結(jié)構(gòu)表征，3D U?Net深度學(xué)習(xí)架構(gòu)在保持預(yù)測精度的同時(shí)提升了計(jì)算效率。在損傷演化研究領(lǐng)域，Wang等基于深度ML算法預(yù)測碳FRCs拉伸過程的損傷位置。Liu等根據(jù)目標(biāo)應(yīng)力或位移場直接生成FRCs最優(yōu)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(jié)構(gòu)或數(shù)值模擬結(jié)果轉(zhuǎn)化為物理意義明確的低維描述符，從而構(gòu)建預(yù)測性能優(yōu)異且兼具物理一致性與可解釋性的復(fù)合材料ML模型。

Kim等有效提升了復(fù)合材料性能預(yù)測精度。Li等通過生成含隨機(jī)分布微孔的代表性體積單元與微觀力學(xué)有限元模擬數(shù)據(jù)，構(gòu)建“微觀結(jié)構(gòu)?性能”數(shù)據(jù)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(jié)構(gòu)特征到宏觀力學(xué)性能的非線性映射模型。Yadav等通過將變形協(xié)調(diào)約束嵌入函數(shù)主成分分析的函數(shù)空間設(shè)計(jì)，建立了碳納米管復(fù)合材料結(jié)構(gòu)變形行為的快速精準(zhǔn)預(yù)測模型。

1.4 跨尺度數(shù)據(jù)驅(qū)動(dòng)

跨尺度數(shù)據(jù)驅(qū)動(dòng)通過深度融合從微觀結(jié)構(gòu)參數(shù)到宏觀性能數(shù)據(jù)的跨尺度信息，構(gòu)建高效的數(shù)據(jù)驅(qū)動(dòng)模型，以數(shù)據(jù)驅(qū)動(dòng)模型替代或輔助傳統(tǒng)耗時(shí)的跨尺度數(shù)值模擬，最終實(shí)現(xiàn)對復(fù)合材料性能的快速精準(zhǔn)預(yù)測。

Wang等以多尺度建模為橋梁，對碳纖維編織復(fù)合材料跨尺度性能進(jìn)行預(yù)測，并確定纖維束中纖維數(shù)量和纖維間距對拓?fù)潇`活性的影響。Ghane等開發(fā)了一種級聯(lián)神經(jīng)網(wǎng)絡(luò)架構(gòu)，首先將機(jī)織復(fù)合材料微觀組分屬性映射為紗線等效屬性，然后結(jié)合織物細(xì)觀結(jié)構(gòu)對宏觀彈性系數(shù)進(jìn)行預(yù)測。Qi等系統(tǒng)生成了涵蓋微觀纖維與宏觀復(fù)合材料性能的數(shù)據(jù)集，建立由宏觀性能逆向預(yù)測碳纖維單絲彈性常數(shù)的ML模型。Li等開發(fā)了一種基于分子動(dòng)力學(xué)模擬與多任務(wù)門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的跨尺度代理建模框架，能夠同時(shí)學(xué)習(xí)材料的速率和路徑相關(guān)的本構(gòu)行為及失效狀態(tài)，預(yù)測玻璃FRCs的宏觀力學(xué)性能。

2

復(fù)合材料主要性能的預(yù)測

近年來，以數(shù)據(jù)驅(qū)動(dòng)的ML和DL為代表的人工智能技術(shù)，通過建立材料組分、結(jié)構(gòu)特征與性能間的復(fù)雜非線性映射，在力學(xué)、熱學(xué)、聲學(xué)及電學(xué)等方面取得一系列研究進(jìn)展。

2.1 力學(xué)性能預(yù)測

利用數(shù)據(jù)驅(qū)動(dòng)方法建立材料組分、工藝參數(shù)與力學(xué)性能之間的復(fù)雜映射關(guān)系，可以在基本力學(xué)性能、漸進(jìn)損傷、疲勞性能以及摩擦磨損性能等方面實(shí)現(xiàn)性能預(yù)測，如圖2所示。

圖2 數(shù)據(jù)驅(qū)動(dòng)在復(fù)合材料力學(xué)性能預(yù)測中的主要應(yīng)用

在基本力學(xué)性能預(yù)測方面，數(shù)據(jù)驅(qū)動(dòng)方法已實(shí)現(xiàn)對彈性、強(qiáng)度及纖維基體界面行為的精準(zhǔn)預(yù)測。前饋神經(jīng)網(wǎng)絡(luò)（FNN）模型可實(shí)現(xiàn)對復(fù)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(yù)測；融合微觀力學(xué)理論的人工神經(jīng)網(wǎng)絡(luò)（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(yīng)。在強(qiáng)度預(yù)測方面，ANN與有限元分析相結(jié)合的混合建模框架，用以預(yù)測單向FRCs中隨機(jī)纖維分布引起的拉伸強(qiáng)度及其統(tǒng)計(jì)分散性；而基于主成分分析與二值神經(jīng)網(wǎng)絡(luò)（BNN）框架的集成方法提升了碳纖維非織造復(fù)合材料應(yīng)力?應(yīng)變曲線預(yù)測的魯棒性與不確定性量化能力。

在疲勞性能預(yù)測方面，數(shù)據(jù)驅(qū)動(dòng)方法與多尺度損傷模型的結(jié)合，可成功預(yù)測編織復(fù)合材料在循環(huán)加卸載及拉壓交替路徑下的力學(xué)行為。在預(yù)測方法的發(fā)展上，疲勞壽命預(yù)測已發(fā)展為融合物理機(jī)制的混合智能模型，神經(jīng)網(wǎng)絡(luò)代理模型通過結(jié)合貝葉斯推斷、極端隨機(jī)樹算法等方法，在保持物理意義明確的同時(shí)，顯著提升了預(yù)測的精度與可靠性。

針對復(fù)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(yù)測FRCs動(dòng)態(tài)強(qiáng)度與蠕變行為。在環(huán)境老化預(yù)測方面，數(shù)據(jù)驅(qū)動(dòng)方法通過構(gòu)建環(huán)境參數(shù)與性能退化之間的定量映射，預(yù)測酸性環(huán)境下玻璃FRCs的凹陷行為并確定剛度與強(qiáng)度的演變規(guī)律。

此外，在摩擦性能預(yù)測中，ML通過建立纖維類型、工藝參數(shù)與摩擦性能之間的復(fù)雜非線性映射，揭示纖維形態(tài)、界面特性等多因素耦合作用機(jī)制，并對復(fù)合材料摩擦系數(shù)與磨損率等關(guān)鍵參數(shù)進(jìn)行預(yù)測。

2.2 熱學(xué)性能預(yù)測

當(dāng)前，數(shù)據(jù)驅(qū)動(dòng)方法正致力于構(gòu)建能夠跨越微觀結(jié)構(gòu)特征與宏觀熱響應(yīng)之間復(fù)雜關(guān)聯(lián)的智能模型，以期解決傳統(tǒng)方法在描述如纖維?基體界面熱輸運(yùn)、各向異性熱導(dǎo)率等關(guān)鍵科學(xué)問題時(shí)的局限性。

在熱傳導(dǎo)性能預(yù)測方面，Liu等采用DL與集成學(xué)習(xí)相結(jié)合的策略，對不同纖維和基體組成的一維取向復(fù)合材料導(dǎo)熱系數(shù)快速預(yù)測，提高FRCs宏觀導(dǎo)熱系數(shù)預(yù)測準(zhǔn)確率。Ding 等通過將有限元模擬產(chǎn)生的全場熱力學(xué)數(shù)據(jù)與神經(jīng)網(wǎng)絡(luò)結(jié)合，同時(shí)引入關(guān)鍵參數(shù)形狀因子作為描述符，揭示復(fù)合材料面外熱導(dǎo)率強(qiáng)化機(jī)制。

在熱?力耦合行為及熱安全性能方面，Loh等基于人工神經(jīng)網(wǎng)絡(luò)構(gòu)建材料在火焰沖擊與機(jī)械載荷耦合作用下失效行為的預(yù)測模型。Deng等結(jié)合內(nèi)聚力模型的ML框架，利用模擬數(shù)據(jù)集預(yù)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(jīng)網(wǎng)絡(luò)，預(yù)測FRCs的熱釋放速率峰值及曲線等關(guān)鍵防火安全參數(shù)。Machello等采用經(jīng)過貝葉斯優(yōu)化的樹模型，系統(tǒng)預(yù)測分析暴露溫度、基體玻璃化轉(zhuǎn)變溫度、樣品幾何特征、基體類型、纖維類型及制造工藝等關(guān)鍵參數(shù)對拉伸強(qiáng)度保留率的影響，并量化各參數(shù)對FRCs在高溫下拉伸強(qiáng)度保留率的貢獻(xiàn)度。更進(jìn)一步地，基于高斯過程的建模方法可對短切碳纖維復(fù)合材料熱?力性能進(jìn)行協(xié)同預(yù)測與多目標(biāo)優(yōu)化，分析滿足綜合性能要求的最佳纖維含量區(qū)間。

2.3 聲學(xué)性能預(yù)測

有效評估復(fù)合材料的隔聲、吸聲等聲學(xué)性能是推動(dòng)其在減振降噪等領(lǐng)域應(yīng)用的重要基礎(chǔ)。結(jié)合經(jīng)典波動(dòng)理論與DL架構(gòu)的物理啟發(fā)式ML方法，可以實(shí)現(xiàn)復(fù)合材料聲學(xué)性能的預(yù)測。

在隔聲性能預(yù)測方面，董靜捷等基于半解析法生成訓(xùn)練數(shù)據(jù)集并結(jié)合徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的方法，可有效預(yù)測復(fù)合材料層合板的傳聲損失頻率響應(yīng)，特別是在臨界頻率與吻合效應(yīng)區(qū)等隔聲低谷頻段展現(xiàn)出優(yōu)異的預(yù)測精度。

在吸聲性能預(yù)測領(lǐng)域，Mahesh等采用改進(jìn)反向傳播算法構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型，能夠以操作頻率、填充密度及增強(qiáng)體質(zhì)量分?jǐn)?shù)為輸入，以低于5%的平均相對誤差精準(zhǔn)預(yù)測其在寬頻范圍內(nèi)的吸聲系數(shù)。Ciaburro等開發(fā)了一種預(yù)測復(fù)合材料吸聲系數(shù)的神經(jīng)網(wǎng)絡(luò)模型。Kueh等開發(fā)了一種以硅酸氣凝膠和纖維含量為輸入的ML模型，用以預(yù)測菠蘿葉纖維/硅酸氣凝膠增強(qiáng)砂漿的吸聲系數(shù)。

2.4 電學(xué)性能預(yù)測

復(fù)合材料的電導(dǎo)率、介電性能及壓阻效應(yīng)等關(guān)鍵電學(xué)性能是推動(dòng)其在結(jié)構(gòu)監(jiān)測、電磁屏蔽等領(lǐng)域應(yīng)用的核心關(guān)鍵。

在微觀結(jié)構(gòu)?導(dǎo)電性能關(guān)聯(lián)預(yù)測方面，Yuan等構(gòu)建纖維構(gòu)型與宏觀電導(dǎo)率之間的非線性映射模型，預(yù)測分布均勻性對導(dǎo)電性能的影響規(guī)律。Dong等采用貝葉斯優(yōu)化框架不僅實(shí)現(xiàn)了電阻率的預(yù)測，還通過特征重要性分析，確定碳纖維含量等關(guān)鍵參數(shù)的影響權(quán)重。Niendorf等建立起從制造參數(shù)到導(dǎo)電網(wǎng)絡(luò)形態(tài)，再到宏觀電學(xué)性能的完整預(yù)測鏈條。在導(dǎo)電網(wǎng)絡(luò)重構(gòu)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(dǎo)率分布的重建質(zhì)量。

在多場耦合電學(xué)行為解析與預(yù)測方面，Sadollah等結(jié)合ML算法，解析納米填料增強(qiáng)復(fù)合材料的電?力耦合行為，結(jié)果表明碳納米管網(wǎng)絡(luò)在變形過程中能保持更穩(wěn)定的導(dǎo)電率。Wang等針對周期性單胞構(gòu)建滿足界面連續(xù)性條件的解析解，跨尺度計(jì)算宏觀等效電學(xué)參數(shù)與局部電場分布。在壓阻行為研究中，Oh等利用ML技術(shù)，基于實(shí)時(shí)電阻監(jiān)測數(shù)據(jù)以及識別損傷的位置和類型，預(yù)測損傷發(fā)展為嚴(yán)重?fù)p害程度的時(shí)間。Diaz?Escobar等開發(fā)了一種回歸算法，以95%的準(zhǔn)確率預(yù)測碳FRCs發(fā)生損傷時(shí)的電阻變化。

在介電響應(yīng)與新型傳感應(yīng)用方面，DNN通過電容傳感器數(shù)據(jù)準(zhǔn)確預(yù)測玻璃纖維/環(huán)氧樹脂材料中的液體吸收質(zhì)量，而基于多層感知器的監(jiān)督ML算法可預(yù)測FRCs層壓板雷電熱損傷程度。

3

數(shù)據(jù)驅(qū)動(dòng)模型可信度評估

數(shù)據(jù)驅(qū)動(dòng)模型在復(fù)合材料性能預(yù)測中的應(yīng)用日益廣泛，然而其“黑箱”特性導(dǎo)致的決策機(jī)制不透明和預(yù)測不確定性，嚴(yán)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(shù)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(fù)雜的數(shù)值預(yù)測轉(zhuǎn)化為可理解的物理機(jī)制，顯著增強(qiáng)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(fù)合材料研究中展現(xiàn)出強(qiáng)大潛力。其中，SHAP方法通過量化特征貢獻(xiàn)度，在纖維增強(qiáng)聚合物復(fù)合材料設(shè)計(jì)中成功識別出關(guān)鍵設(shè)計(jì)參數(shù)。

3.2 不確定性量化

不確定性量化通過建立概率預(yù)測框架，系統(tǒng)評估預(yù)測結(jié)果的可靠邊界，為工程決策提供至關(guān)重要的風(fēng)險(xiǎn)評估依據(jù)。其中，高斯過程回歸（GPR）等概率模型能提供預(yù)測置信區(qū)間。

4

挑戰(zhàn)與展望

4.1 當(dāng)前面臨的主要挑戰(zhàn)

1）數(shù)據(jù)基礎(chǔ)薄弱。高質(zhì)量、跨尺度實(shí)驗(yàn)數(shù)據(jù)獲取成本高昂，導(dǎo)致可用于訓(xùn)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(yù)測可靠性降低，數(shù)據(jù)中的系統(tǒng)性偏差可能被模型繼承并放大，從而制約其在實(shí)際應(yīng)用中的適用性。

2）模型內(nèi)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(yán)格保證預(yù)測結(jié)果與物理規(guī)律的一致性。此外，模型預(yù)測中的不確定性（如認(rèn)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(tǒng)集成困難。現(xiàn)有模型多局限于“給定材料?預(yù)測性能”的正向分析，缺乏從預(yù)設(shè)性能目標(biāo)到材料配方與工藝參數(shù)的逆向設(shè)計(jì)能力，導(dǎo)致先進(jìn)數(shù)據(jù)驅(qū)動(dòng)技術(shù)多滯留于學(xué)術(shù)研究階段，難以與工業(yè)制造系統(tǒng)深度集成，科研成果轉(zhuǎn)化率低下。

4）動(dòng)態(tài)適應(yīng)困難。實(shí)際生產(chǎn)中的工藝參數(shù)波動(dòng)、材料批次差異，以及長期服役環(huán)境下的性能退化，均是復(fù)雜的動(dòng)態(tài)時(shí)變過程。現(xiàn)有模型通常建立在靜態(tài)、理想的假設(shè)之上，難以有效表征和捕捉這些復(fù)雜動(dòng)態(tài)因素的影響。

4.2 未來發(fā)展方向與展望

1）構(gòu)建多尺度融合的復(fù)合材料數(shù)據(jù)系統(tǒng)。建立多源跨尺度的復(fù)合材料數(shù)據(jù)庫，完善涵蓋“材料組成—工藝參數(shù)—微觀結(jié)構(gòu)—功能性能”全鏈條的復(fù)合材料數(shù)據(jù)。在此基礎(chǔ)上，積極引入自監(jiān)督學(xué)習(xí)技術(shù)，以降低對昂貴人工標(biāo)注的依賴。同時(shí)，通過發(fā)展跨模態(tài)數(shù)據(jù)融合方法與物理約束下的合成數(shù)據(jù)生成技術(shù)，在保障數(shù)據(jù)安全的前提下，系統(tǒng)解決數(shù)據(jù)稀缺與異構(gòu)性難題。

2）發(fā)展物理引導(dǎo)的可解釋ML框架。推動(dòng)數(shù)據(jù)驅(qū)動(dòng)與物理引導(dǎo)的不斷融合，以硬約束或物理正則化方式深度嵌入DL架構(gòu)，從根本上確保預(yù)測結(jié)果的物理合理性。進(jìn)一步，引入主動(dòng)學(xué)習(xí)策略，顯著降低獲取高成本數(shù)據(jù)的代價(jià)，并明確給出預(yù)測值的置信區(qū)間，增強(qiáng)模型的可信度。

3）實(shí)現(xiàn)性能導(dǎo)向的逆向設(shè)計(jì)與參數(shù)優(yōu)化。完善性能預(yù)測結(jié)果與參數(shù)的映射關(guān)系，形成材料配方、工藝參數(shù)、目標(biāo)性能的多模態(tài)數(shù)據(jù)平臺，并實(shí)現(xiàn)復(fù)合材料性能預(yù)測與性能導(dǎo)向的逆向設(shè)計(jì)。

4）建立全生命周期集成的數(shù)字孿生系統(tǒng)。構(gòu)建與物理實(shí)體同步的數(shù)字孿生體，建立從復(fù)合材料制造、性能預(yù)測、服役性能監(jiān)測到剩余壽命評估的全生命周期數(shù)字孿生系統(tǒng)，推動(dòng)復(fù)合材料性能預(yù)測向動(dòng)態(tài)智能制造方向發(fā)展。

本文作者：許鳳、劉玲、張超、朱杰、張瑋婷、董昊、黃浩、高明、喻學(xué)鋒

作者簡介：許鳳，中國科學(xué)院深圳先進(jìn)技術(shù)研究院，助理研究員，研究方向?yàn)槔w維增強(qiáng)復(fù)合材料；高明（通信作者），中國科學(xué)院深圳先進(jìn)技術(shù)研究院，高級工程師，研究方向?yàn)椴牧蠌?fù)合與智能改性技術(shù)；喻學(xué)鋒（共同通信作者），中國科學(xué)院深圳先進(jìn)技術(shù)研究院，研究員，研究方向?yàn)椴牧现悄軇?chuàng)制。

文章來 源 ： 許鳳, 劉玲, 張超, 等. 基于數(shù)據(jù)驅(qū)動(dòng)的纖維增強(qiáng)復(fù)合材料性能預(yù)測研究進(jìn)展[J]. 科技導(dǎo)報(bào), 2025, 43(24): 71?81 .

本文有刪改，

內(nèi)容為【科技導(dǎo)報(bào)】公眾號原創(chuàng)，歡迎轉(zhuǎn)載
白名單回復(fù)后臺「轉(zhuǎn)載」

《科技導(dǎo)報(bào)》創(chuàng)刊于1980年，中國科協(xié)學(xué)術(shù)會刊，主要刊登科學(xué)前沿和技術(shù)熱點(diǎn)領(lǐng)域突破性的研究成果、權(quán)威性的科學(xué)評論、引領(lǐng)性的高端綜述，發(fā)表促進(jìn)經(jīng)濟(jì)社會發(fā)展、完善科技管理、優(yōu)化科研環(huán)境、培育科學(xué)文化、促進(jìn)科技創(chuàng)新和科技成果轉(zhuǎn)化的決策咨詢建議。常設(shè)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。