如何利用数据驱动方法来实现纤维增强复合材料性能的智能预测？

原文发表于《科技导报》2025 年第24 期 《 基于数据驱动的纤维增强复合材料性能预测研究进展 》

随着数据资源获取、深度学习演化和模型推理生成等技术的不断发展，数据驱动方法凭借其在挖掘高维非线性关系、构建代理模型及处理多模态数据方面的独特优势，为纤维增强复合材料的性能预测提供了强有力的工具。本文系统介绍了该领域的研究进展，评述了数据驱动模型的建模策略和预测精度，阐述了可解释性分析与不确定性量化技术的工程意义，并展望了可解释机器学习框架等方向，以期为数据驱动方法在复合材料性能预测领域的深化应用提供从理论基础到工程实践的完整视角。

纤维增强复合材料（FRCs）凭借其卓越的比强度、比刚度和可设计性强等优点，已成为电子信息、生物医疗、航空航天等制造领域的关键材料。然而，该类材料体系具有多相异质、多尺度结构及各向异性等本质特征，致使基于传统物理机理的建模方法与实验手段在预测其性能时存在高成本、长周期与高不确定性的瓶颈问题。

通过采用材料本征参数归集、图像驱动特征提取、物理信息特征工程等方法，原始数据可以转化为适用于机器学习（ML）的高维特征表示，可为数据驱动建模提供结构化、标准化且具备物理可解释性的高质量数据基础。

ML作为数据驱动人工智能技术的核心实现方式，能够从数据中自主学习潜在规律并构建预测模型。作为ML的重要分支，深度学习（DL），能够自动从原始数据中学习层次化的特征表示。在DL中，卷积神经网络（CNN）、循环神经网络（RNN）以及生成对抗网络（GAN）等是复合材料领域常用的神经网络模型，模型框架如图1所示。

图1 DL模型框架

这些模型通过多层次非线性变换实现高维复杂数据集的分布式表征，在复合材料多尺度性能预测中表现出优异的建模能力。

近年来，数据驱动策略在FRCs性能预测领域迅速发展，已成为构建其工艺−结构−性能映射模型的重要工具。该方法不仅可以实现对FRCs多性能的高效、准确预测，还可以从数据中识别控制性能演化的关键影响因素，从而深化对复合材料行为的理解。

1

复合材料关键参数的数字化表征

为实现FRCs性能的智能化预测，需要将材料的本征参数与多尺度结构转化为ML可处理的数字化特征。

1.1 材料本征参数归集

材料本征参数归集，是将复合材料的组分信息（如纤维种类、基体类型、纤维体积分数）以及纤维与基体的性能等参数系统输入，并以此作为预测其宏观性能的基础。

Rayhan等基于前馈神经网络框架，构建单向复合材料弹性性能的高精度预测模型。Sharan等基于人工神经网络构建的单向碳FRCs强度预测模型，建立起综合考虑多参数耦合效应的复合材料强度精确预测框架。Zhang等建立结构因子与其基本力学性能的精准映射关系，并通过灵敏度分析确定材料厚度和树脂质量分数是主要参数特征。Al−Jarrah等开发了一种融合反向传播神经网络与浅层神经网络的双集成人工神经网络模型。针对复杂工艺条件，Wei等基于深度材料网络的ML框架与有限元软件集成，快速预测注塑成型短FRCs力学性能和结构的非线性行为。此外，GAN通过学习参数−性能的复杂映射，可实现按目标性能逆向生成材料的结构参数。

1.2 图像驱动特征提取

图像驱动特征提取是指以复合材料微观结构的扫描电镜图像、计算机断层扫描图像等为输入，利用DL模型实现从结构特征到宏观力学性能的端到端智能映射。

在二维图像预测方面，Gupta等基于pix2pix架构的CNN，建立了准确的材料性能预测框架。Liao等进一步提出了结合快速傅里叶变换求解器与卷积自编码器的DL框架。此外，一种基于StressNet改进的全CNN，可在几秒钟内预测复合材料的应力分布特征。针对三维结构表征，3D U−Net深度学习架构在保持预测精度的同时提升了计算效率。在损伤演化研究领域，Wang等基于深度ML算法预测碳FRCs拉伸过程的损伤位置。Liu等根据目标应力或位移场直接生成FRCs最优纤维排布图。

1.3 物理信息特征工程

物理信息特征工程核心在于将微观结构或数值模拟结果转化为物理意义明确的低维描述符，从而构建预测性能优异且兼具物理一致性与可解释性的复合材料ML模型。

Kim等有效提升了复合材料性能预测精度。Li等通过生成含随机分布微孔的代表性体积单元与微观力学有限元模拟数据，构建“微观结构−性能”数据集；然后，将微孔的空间分布特征量化为低维物理描述符；最后，建立从微观结构特征到宏观力学性能的非线性映射模型。Yadav等通过将变形协调约束嵌入函数主成分分析的函数空间设计，建立了碳纳米管复合材料结构变形行为的快速精准预测模型。

1.4 跨尺度数据驱动

跨尺度数据驱动通过深度融合从微观结构参数到宏观性能数据的跨尺度信息，构建高效的数据驱动模型，以数据驱动模型替代或辅助传统耗时的跨尺度数值模拟，最终实现对复合材料性能的快速精准预测。

Wang等以多尺度建模为桥梁，对碳纤维编织复合材料跨尺度性能进行预测，并确定纤维束中纤维数量和纤维间距对拓扑灵活性的影响。Ghane等开发了一种级联神经网络架构，首先将机织复合材料微观组分属性映射为纱线等效属性，然后结合织物细观结构对宏观弹性系数进行预测。Qi等系统生成了涵盖微观纤维与宏观复合材料性能的数据集，建立由宏观性能逆向预测碳纤维单丝弹性常数的ML模型。Li等开发了一种基于分子动力学模拟与多任务门控循环单元神经网络的跨尺度代理建模框架，能够同时学习材料的速率和路径相关的本构行为及失效状态，预测玻璃FRCs的宏观力学性能。

2

复合材料主要性能的预测

近年来，以数据驱动的ML和DL为代表的人工智能技术，通过建立材料组分、结构特征与性能间的复杂非线性映射，在力学、热学、声学及电学等方面取得一系列研究进展。

2.1 力学性能预测

利用数据驱动方法建立材料组分、工艺参数与力学性能之间的复杂映射关系，可以在基本力学性能、渐进损伤、疲劳性能以及摩擦磨损性能等方面实现性能预测，如图2所示。

图2 数据驱动在复合材料力学性能预测中的主要应用

在基本力学性能预测方面，数据驱动方法已实现对弹性、强度及纤维基体界面行为的精准预测。前馈神经网络（FNN）模型可实现对复合材料纵向和横向杨氏模量、剪切模量及泊松比的高精度预测；融合微观力学理论的人工神经网络（ANN）模型有效表征了短FRCs在不同纤维分布模式下的等效弹性响应。在强度预测方面，ANN与有限元分析相结合的混合建模框架，用以预测单向FRCs中随机纤维分布引起的拉伸强度及其统计分散性；而基于主成分分析与二值神经网络（BNN）框架的集成方法提升了碳纤维非织造复合材料应力−应变曲线预测的鲁棒性与不确定性量化能力。

在疲劳性能预测方面，数据驱动方法与多尺度损伤模型的结合，可成功预测编织复合材料在循环加卸载及拉压交替路径下的力学行为。在预测方法的发展上，疲劳寿命预测已发展为融合物理机制的混合智能模型，神经网络代理模型通过结合贝叶斯推断、极端随机树算法等方法，在保持物理意义明确的同时，显著提升了预测的精度与可靠性。

针对复合材料在长期服役中的性能演化，集成多物理场仿真与DL框架，预测FRCs动态强度与蠕变行为。在环境老化预测方面，数据驱动方法通过构建环境参数与性能退化之间的定量映射，预测酸性环境下玻璃FRCs的凹陷行为并确定刚度与强度的演变规律。

此外，在摩擦性能预测中，ML通过建立纤维类型、工艺参数与摩擦性能之间的复杂非线性映射，揭示纤维形态、界面特性等多因素耦合作用机制，并对复合材料摩擦系数与磨损率等关键参数进行预测。

2.2 热学性能预测

当前，数据驱动方法正致力于构建能够跨越微观结构特征与宏观热响应之间复杂关联的智能模型，以期解决传统方法在描述如纤维−基体界面热输运、各向异性热导率等关键科学问题时的局限性。

在热传导性能预测方面，Liu等采用DL与集成学习相结合的策略，对不同纤维和基体组成的一维取向复合材料导热系数快速预测，提高FRCs宏观导热系数预测准确率。Ding 等通过将有限元模拟产生的全场热力学数据与神经网络结合，同时引入关键参数形状因子作为描述符，揭示复合材料面外热导率强化机制。

在热−力耦合行为及热安全性能方面，Loh等基于人工神经网络构建材料在火焰冲击与机械载荷耦合作用下失效行为的预测模型。Deng等结合内聚力模型的ML框架，利用模拟数据集预测碳化硅涂层碳FRCs的热冲击性能。基于贝叶斯正则化的人工神经网络，预测FRCs的热释放速率峰值及曲线等关键防火安全参数。Machello等采用经过贝叶斯优化的树模型，系统预测分析暴露温度、基体玻璃化转变温度、样品几何特征、基体类型、纤维类型及制造工艺等关键参数对拉伸强度保留率的影响，并量化各参数对FRCs在高温下拉伸强度保留率的贡献度。更进一步地，基于高斯过程的建模方法可对短切碳纤维复合材料热−力性能进行协同预测与多目标优化，分析满足综合性能要求的最佳纤维含量区间。

2.3 声学性能预测

有效评估复合材料的隔声、吸声等声学性能是推动其在减振降噪等领域应用的重要基础。结合经典波动理论与DL架构的物理启发式ML方法，可以实现复合材料声学性能的预测。

在隔声性能预测方面，董静捷等基于半解析法生成训练数据集并结合径向基函数神经网络的方法，可有效预测复合材料层合板的传声损失频率响应，特别是在临界频率与吻合效应区等隔声低谷频段展现出优异的预测精度。

在吸声性能预测领域，Mahesh等采用改进反向传播算法构建的神经网络模型，能够以操作频率、填充密度及增强体质量分数为输入，以低于5%的平均相对误差精准预测其在宽频范围内的吸声系数。Ciaburro等开发了一种预测复合材料吸声系数的神经网络模型。Kueh等开发了一种以硅酸气凝胶和纤维含量为输入的ML模型，用以预测菠萝叶纤维/硅酸气凝胶增强砂浆的吸声系数。

2.4 电学性能预测

复合材料的电导率、介电性能及压阻效应等关键电学性能是推动其在结构监测、电磁屏蔽等领域应用的核心关键。

在微观结构−导电性能关联预测方面，Yuan等构建纤维构型与宏观电导率之间的非线性映射模型，预测分布均匀性对导电性能的影响规律。Dong等采用贝叶斯优化框架不仅实现了电阻率的预测，还通过特征重要性分析，确定碳纤维含量等关键参数的影响权重。Niendorf等建立起从制造参数到导电网络形态，再到宏观电学性能的完整预测链条。在导电网络重构方面，特征融合CNN提升了电阻抗断层扫描对碳FRCs层压板电导率分布的重建质量。

在多场耦合电学行为解析与预测方面，Sadollah等结合ML算法，解析纳米填料增强复合材料的电−力耦合行为，结果表明碳纳米管网络在变形过程中能保持更稳定的导电率。Wang等针对周期性单胞构建满足界面连续性条件的解析解，跨尺度计算宏观等效电学参数与局部电场分布。在压阻行为研究中，Oh等利用ML技术，基于实时电阻监测数据以及识别损伤的位置和类型，预测损伤发展为严重损害程度的时间。Diaz−Escobar等开发了一种回归算法，以95%的准确率预测碳FRCs发生损伤时的电阻变化。

在介电响应与新型传感应用方面，DNN通过电容传感器数据准确预测玻璃纤维/环氧树脂材料中的液体吸收质量，而基于多层感知器的监督ML算法可预测FRCs层压板雷电热损伤程度。

3

数据驱动模型可信度评估

数据驱动模型在复合材料性能预测中的应用日益广泛，然而其“黑箱”特性导致的决策机制不透明和预测不确定性，严重制约了模型的工程可信度。可解释性分析与不确定性量化技术通过提升模型的透明度和可靠性，为解决这一问题提供了有效途径。

3.1 可解释性分析

可解释性分析通过揭示模型的决策逻辑，将复杂的数值预测转化为可理解的物理机制，显著增强了模型的工程可信度。基于特征重要性的全局或局部解释方法在复合材料研究中展现出强大潜力。其中，SHAP方法通过量化特征贡献度，在纤维增强聚合物复合材料设计中成功识别出关键设计参数。

3.2 不确定性量化

不确定性量化通过建立概率预测框架，系统评估预测结果的可靠边界，为工程决策提供至关重要的风险评估依据。其中，高斯过程回归（GPR）等概率模型能提供预测置信区间。

4

挑战与展望

4.1 当前面临的主要挑战

1）数据基础薄弱。高质量、跨尺度实验数据获取成本高昂，导致可用于训练的典型样本稀缺。这使得模型的泛化能力受限，对未知材料体系或极端工况的预测可靠性降低，数据中的系统性偏差可能被模型继承并放大，从而制约其在实际应用中的适用性。

2）模型内在局限。“黑箱”模型决策逻辑不透明，其外推能力普遍不足，且难以严格保证预测结果与物理规律的一致性。此外，模型预测中的不确定性（如认知不确定性、偶然不确定性）尚未得到充分量化与有效传递。

3）系统集成困难。现有模型多局限于“给定材料−预测性能”的正向分析，缺乏从预设性能目标到材料配方与工艺参数的逆向设计能力，导致先进数据驱动技术多滞留于学术研究阶段，难以与工业制造系统深度集成，科研成果转化率低下。

4）动态适应困难。实际生产中的工艺参数波动、材料批次差异，以及长期服役环境下的性能退化，均是复杂的动态时变过程。现有模型通常建立在静态、理想的假设之上，难以有效表征和捕捉这些复杂动态因素的影响。

4.2 未来发展方向与展望

1）构建多尺度融合的复合材料数据系统。建立多源跨尺度的复合材料数据库，完善涵盖“材料组成—工艺参数—微观结构—功能性能”全链条的复合材料数据。在此基础上，积极引入自监督学习技术，以降低对昂贵人工标注的依赖。同时，通过发展跨模态数据融合方法与物理约束下的合成数据生成技术，在保障数据安全的前提下，系统解决数据稀缺与异构性难题。

2）发展物理引导的可解释ML框架。推动数据驱动与物理引导的不断融合，以硬约束或物理正则化方式深度嵌入DL架构，从根本上确保预测结果的物理合理性。进一步，引入主动学习策略，显著降低获取高成本数据的代价，并明确给出预测值的置信区间，增强模型的可信度。

3）实现性能导向的逆向设计与参数优化。完善性能预测结果与参数的映射关系，形成材料配方、工艺参数、目标性能的多模态数据平台，并实现复合材料性能预测与性能导向的逆向设计。

4）建立全生命周期集成的数字孪生系统。构建与物理实体同步的数字孪生体，建立从复合材料制造、性能预测、服役性能监测到剩余寿命评估的全生命周期数字孪生系统，推动复合材料性能预测向动态智能制造方向发展。

本文作者：许凤、刘玲、张超、朱杰、张玮婷、董昊、黄浩、高明、喻学锋

作者简介：许凤，中国科学院深圳先进技术研究院，助理研究员，研究方向为纤维增强复合材料；高明（通信作者），中国科学院深圳先进技术研究院，高级工程师，研究方向为材料复合与智能改性技术；喻学锋（共同通信作者），中国科学院深圳先进技术研究院，研究员，研究方向为材料智能创制。

文章来 源 ： 许凤, 刘玲, 张超, 等. 基于数据驱动的纤维增强复合材料性能预测研究进展[J]. 科技导报, 2025, 43(24): 71−81 .

本文有删改，

内容为【科技导报】公众号原创，欢迎转载
白名单回复后台「转载」

《科技导报》创刊于1980年，中国科协学术会刊，主要刊登科学前沿和技术热点领域突破性的研究成果、权威性的科学评论、引领性的高端综述，发表促进经济社会发展、完善科技管理、优化科研环境、培育科学文化、促进科技创新和科技成果转化的决策咨询建议。常设栏目有院士卷首语、科技新闻、科技评论、本刊专稿、特色专题、研究论文、政策建议、科技人文等。