机器学习加速的混合纤维复合材料材料基因组设计，用于电动汽车轻量化

《Journal of Polymer Materials》：Machine Learning-Accelerated Materials Genome Design of Hybrid Fiber Composites for Electric Vehicle Lightweighting

　　廖钦文|林恩秀|黄伟伦|王一琪|陈伯祥|何伟硕
台湾彰化县国家彰化教育大学电气与机械技术系，宝山校区，石大路2号

随着对电动汽车（EV）续航里程需求的增加，先进的轻量化策略变得至关重要。本研究引入了一种基于材料基因组的方法，并结合机器学习（ML）来优化电动汽车的轻量化复合材料设计。开发了一个全面的材料基因组数据库，涵盖了基于碳纤维、玻璃纤维和天然纤维的复合材料。该数据库系统地记录了机械性能、密度、成本和环境影响等关键参数。采用随机森林、支持向量机和人工神经网络等机器学习模型构建了材料性能预测系统。随后通过多目标遗传算法对材料成分进行了优化。实验验证表明，与传统的钢材相比，优化后的碳纤维/生物基树脂复合材料重量减少了45%，同时保持了相同的结构强度。模型的预测准确率达到94.2%。成本效益分析显示，尽管材料成本增加了15%，但在代表性的中型电池电动汽车（BEV）使用场景下，整车能耗降低了12%，五年运营周期内总成本节省了18%。

1. 引言
全球对能源转型和环境可持续性的日益重视推动电动汽车（EV）从 niche 市场进入了主流汽车行业。根据国际能源署（IEA）的数据，2023年全球电动汽车销量超过了1400万辆，占新车销量的近18%，显示出电动汽车行业的快速增长[1]。在影响电动汽车竞争力的因素中，续航里程和能源效率仍然是消费者和制造商关注的重点[2–4]。除了电池技术的持续突破外，减轻车辆重量是提高续航里程和能源效率的关键因素[3]。因此，通过先进的材料和结构设计实现车辆轻量化，同时不牺牲安全性和性能，已成为汽车工业和学术界面临的核心挑战[5]。复合材料因其优异的比强度、耐腐蚀性和设计灵活性而成为汽车轻量化的首选材料[6]。与传统的内燃机车辆中主要使用的密度较高的钢材和铝合金相比，先进的复合材料如碳纤维增强塑料（CFRP）、玻璃纤维增强塑料（GFRP）以及新兴的天然纤维基复合材料能够显著减轻重量并提高设计灵活性[7–9]。这些材料越来越多地应用于车身面板、悬挂部件和内部结构[7–9]，在电动汽车外壳和结构模块的多目标优化策略中发挥着关键作用[10]。然而，复合材料的性能高度依赖于成分比例、纤维类型、基体性质和加工条件之间的复杂相互作用。特别是，由结构处理（例如天然纤维的碱性改性）引起的界面粘附变化会显著改变最终聚合物基体的机械和形态特性[11,12]。这种多因素耦合使得它们的设计和开发过程本质上复杂且难以用传统的经验模型预测[13]。目前的工业实践主要依赖于大量的实验测试和迭代优化来进行新材料设计。这种方法包括材料选择、成分调整和性能验证，通常需要三到五年的研发周期。这种漫长的时间线导致成本高昂，并严重阻碍了新材料按照市场需求的步伐引入[14]。

材料基因组学（MG）的出现为解决这一瓶颈提供了有希望的途径[15]，它通过理论、计算和高通量实验的互补努力，加速了新材料的应用[16]。材料基因组学的核心是利用高通量实验、计算模拟和大数据分析来系统地建立材料结构与性能之间的关系，从而实现快速的材料筛选和设计[17]。同时，机器学习（ML）在多个领域的成功应用促使研究人员将其整合到材料设计工作流程中，从根本上改变了复杂微观结构-性能关系的建立方式[18]。尽管现有研究使用ML模型在预测材料性能方面表现出较高的准确性，但目前的研究仍面临数据稀缺、特征选择受限以及多目标设计考虑不足等问题。特别是在电动汽车复合材料设计领域，传统研究主要集中在优化单一材料性能上，常常忽略重量、成本和环境影响等多维因素。此外，大多数现有方法主要提供性能预测，而不提供后续的材料成分设计指导，从而阻碍了研究成果直接转化为满足实际需求的工业应用。因此，结合多目标优化策略并保持预测准确性，同时通过实验验证来加速新材料开发，仍然是一个亟待解决的关键研究空白。

基于此背景，本研究提出了一种集成优化方法，用于电动汽车复合材料的开发，利用材料基因组学和机器学习的原理。为此，研究首先将建立一个包含碳纤维、玻璃纤维和天然纤维等多种成分的材料基因组数据库。该数据库将包含机械性能、密度、成本和环境影响等多参数数据。随后，将采用随机森林、支持向量机（SVM）和神经网络等多种机器学习模型来系统比较它们的预测性能。在此基础上，应用多目标遗传算法（MOGA）对材料成分和性能进行全局优化。这种优化旨在探索减重、保持结构强度和成本控制之间的复杂权衡，虽然环境影响不是直接的优化目标，但会在优化后的生命周期成本分析（LCC/LCA）阶段进行评估，以评估其可持续性影响。最后，通过材料制备和测试来验证模型预测和优化设计的准确性和可行性。整个端到端的研究流程，包括数据整理、基于ML的预测、多目标优化、实验验证和LCC/LCA评估，在图1中进行了总结。

2. 文献综述
本研究提出了一个研究框架，系统地将材料基因组学和机器学习与多目标优化及实验验证相结合，用于电动汽车（EV）复合材料的轻量化设计。首先概述了理论基础并指出了研究空白，然后介绍了所提出框架的构建过程，包括材料基因组数据库的构建、机器学习模型开发策略、多目标优化设计实施以及实验验证和统计分析方案。文献中广泛认识到轻量化电动汽车（EV）的必要性。研究表明，车辆车身重量减少10%可以降低约6%–8%的总体能耗，突显了材料选择对续航里程的显著影响[19]。然而，目前的材料开发主要依赖于经验方法，缺乏数据驱动的方法[20]。在复合材料设计理论中，经典的机械模型（如混合规则和剪切滞后模型）可以提供初步估计，但对于复杂的多相材料来说，其预测准确性不足[21]。此外，传统的有限元分析（FEA）可以模拟特定结构的应力和变形行为，但其效率有限，无法用于大规模的成分设计探索[21]。

材料基因组学的出现为这些挑战带来了突破。自2011年国家材料基因组计划（MGI）启动以来，人们高度重视将高通量实验和模拟结合起来加速新材料开发周期[16]。例如，Jain等人开发的材料项目数据库为众多无机化合物提供了全面的结构和性能信息，为材料科学建立了基本的数据资源[22]。然而，专门针对电动汽车复合材料的数据库仍然很少，因此本研究需要构建这样的复合材料基因组数据库[23]，这与聚合物材料基因组工程（PMGE）的高通量筛选框架相一致[24]。多目标优化（MOO）和机器学习（ML）的结合已被证明可以同时提高材料强度并降低密度[25]。最近的进展进一步表明，贝叶斯算法结合主动学习策略可以将设计-验证周期从传统的3–5年缩短至几个月[26]。用于构建复合材料基因组数据库的关键变量和标准化描述符在表1中总结。

表1. 数据库特征

| 序号 | 类别 | 名称 | 单位/尺度 | 标准/备注 |
|------|------------------|------------------|------------------|-------------------|
| 0 | 材料类别 | 纤维类型 | CFRP（碳纤维增强聚合物） | 高强度重量比；PAN基碳纤维... |
| 1 | 材料类别 | 纤维类型 | GFRP（玻璃纤维增强聚合物） | 常用E玻璃；成本效益高 |
| 2 | 材料类别 | 纤维类型 | 天然纤维复合材料 | 亚麻/大麻/黄麻；可再生，密度较低 |
| 3 | 基体树脂类型 | 环氧树脂（石油基） | 热固性；结构复合材料 |
| 4 | 材料类别 | 基体树脂类型 | 生物基环氧树脂 | 低二氧化碳足迹；用于优化设计 |
| 5 | 材料类别 | 基体树脂类型 | 不饱和聚酯（UP） | 通常与GFRP结合；成本效益高 |
| 6 | 材料类别 | 基体树脂类型 | 聚酰胺（PA6/PA66） | 热塑性选项；可加工 |
| 7 | 性能指标 | 机械性能 | 抗拉强度（MPa） | ASTM D3039（复合材料），ASTM D638（塑料） |
| 8 | 性能指标 | 机械性能 | 弹性模量（GPa） | 来自拉伸试验（应力-应变斜率） |
| 9 | 性能指标 | 物理性能 | 密度（g/cm3） | ASTM D792/ISO 1183 |
| 10 | 性能指标 | 经济性能 | 材料成本（$/kg） | 供应商报价/市场数据；注明年份和地区 |
| 11 | 性能指标 | 环境性能 | 碳足迹（kg CO2-eq/kg） | LCA清单；范围和数据库记录 |

3. 方法论
3.1. 材料基因组数据库构建
构建了一个包含多种复合材料设计方案的全面数据库。数据来源于三个主要渠道：公开文献、商业材料数据库以及本研究生成的实验测试数据。在数据收集过程中，特别关注了碳纤维、玻璃纤维和天然纤维增强聚合物复合材料，考虑了不同的纤维体积分数、基体类型和加工条件。数据库选择了四个主要参数类别：机械性能（包括抗拉强度、弹性模量和断裂韧性）、物理性能（密度和热膨胀系数）、成本因素（单位体积成本和加工能耗）以及环境影响（碳排放因子和可回收性指数）。为确保数据一致性，所有参数都经过了单位标准化和缺失值填充。此外，数据清洗采用了3-sigma规则来排除异常值，防止对模型训练产生不当影响。3-sigma规则作为初步的异常值筛选标准，用于移除与数据集大多数数据不一致的数据点，这些数据点可能是由于报告错误、单位不一致或异常测试条件造成的。为了避免无意中移除物理性能优异的样品（例如，先进的碳纤维增强聚合物（CFRP）系统），过滤操作是在每个材料类别内独立进行的，而不是在整个数据集上进行的。因此，特定复合材料类别中的极端但物理上合理的值得到了保留。最终数据库包含了大约2500个材料样品，每个样品都由12个性能和环境变量表征。这个数据集成为了后续机器学习模型训练和优化设计的基础。在输入参数中，纤维体积分数被明确定义为材料基因组数据库中的一个关键结构变量。纤维体积分数代表了复合材料中增强纤维的体积比例，被认为是控制机械性能的主要因素。在这项研究中，所有复合材料样品的纤维体积分数都被记录下来，并根据纤维类型进行了分类。对于碳纤维增强聚合物（CFRP）复合材料，纤维体积分数的范围大约在45%到65%之间，这反映了在结构汽车和航空航天应用中常用的值。玻璃纤维增强聚合物（GFRP）复合材料的纤维体积分数在35%到55%之间，与常见的工业制造实践一致。对于天然纤维复合材料，由于纤维形态的限制和加工考虑，采用了较低的纤维体积分数，范围在20%到40%之间。这些范围是基于文献数据、商业材料数据表和实验制备的样品综合确定的。随后，纤维体积分数被作为明确的输入特征纳入机器学习模型，并通过SHAP分析被确定为影响拉伸强度和弹性模量预测的最重要参数之一。

3.2 机器学习模型开发
为了确保模型结果的可靠性和泛化能力，采用了多算法比较策略进行机器学习模型的开发。首先进行了特征工程，包括参数标准化、主成分分析（PCA）以减少维度，以及相关系数分析以减轻多重共线性对模型的影响。包括纤维类型、基体树脂类型和加工路线在内的分类变量使用独热编码进行编码，以避免在类别之间施加顺序关系。连续变量，如纤维体积分数、密度和加工参数，则使用z分数标准化进行标准化。为了防止数据泄露，所有预处理步骤（包括标准化和主成分分析（PCA）仅在交叉验证过程中的训练折叠上进行，然后应用于相应的验证折叠。这确保了在特征缩放或维度减少过程中没有使用测试数据。随机森林（Random Forest）、支持向量机（Support Vector Machine）和多层感知器（Multi-Layer Perceptron）模型的超参数调整是在嵌套交叉验证框架内通过网格搜索进行的。内循环用于超参数优化，而外循环用于评估模型的泛化性能。关键超参数包括随机森林的树的数量和最大深度、SVM的核类型和正则化参数，以及MLP模型的隐藏层数量、神经元数量和学习率。这种嵌套交叉验证策略可以减轻过拟合，并提供模型性能的稳健估计。随后开发了三种不同的模型：随机森林、支持向量机（SVM）和多层感知器（MLP）。在训练过程中，数据集被分为7:3的比例用于训练和测试，模型性能使用10折交叉验证进行评估。模型性能使用决定系数（R2）和均方根误差（RMSE）进行评估。平均绝对百分比误差（MAPE）作为辅助指标来评估预测偏差，但模型之间的比较分析主要基于R2和RMSE进行。为了提高模型的可解释性，分别在随机森林和神经网络模型中加入了特征重要性分析和SHapley加性解释（SHAP）方法，以检查每个输入参数对材料属性预测的影响。

3.3 多目标优化设计
在开发出性能预测模型之后，采用了一种多目标遗传算法来优化复合材料的组成设计。这种结合方法显著扩展了最近将进化算法与神经网络结合的方法，以应对复合材料配方中固有的复杂权衡[28]。目标函数被设定为最小化材料密度和成本，同时最大化拉伸强度和弹性模量。这个多目标问题是一个典型的非凸优化挑战，非常适合使用进化算法来解决。算法参数配置为种群大小200、最大代数500、交叉率0.8和变异率0.1。为了确保结果的稳定性，每次运行重复三次，并考虑平均值。优化结果使用帕累托前沿分析（Pareto Front Analysis）呈现，直观地展示了不同解决方案之间的权衡。在多目标遗传算法中，决策变量被定义为碳纤维、天然纤维和基体树脂的体积分数。这些变量受到明确的物理和制造约束。首先，所有体积分数的总和被限制为单位值，确保了物理上有效的复合材料组成。其次，根据可制造性考虑，对各个体积分数设定了界限，碳纤维限制在40%–70%之间，天然纤维限制在0%–30%之间，树脂含量限制在15%–30%之间，这与压缩模制复合结构的典型加工窗口一致。违反这些界限的设计被认为是不可行的。在优化之前，目标函数被标准化，以确保密度、成本、拉伸强度和弹性模量之间的平衡贡献。违反约束的情况通过基于惩罚的方法处理，其中不可行的解决方案被赋予与约束违反程度成比例的降低适应度值，从而在进化操作中抑制其传播。通过监控连续几代帕累托前沿的稳定情况来评估优化过程的收敛性。当在50代连续 generations 中没有观察到帕累托前沿分布的显著改进时，认为算法已经收敛，表明解决方案空间得到了充分的探索和收敛。

3.4 实验验证和统计分析
为了验证模型预测和优化设计的可靠性，进行了实验材料制备和测试。从优化设计中选择了三种候选材料，使用热压缩成型方法制造，并根据ASTM D3039和ASTM D638标准分别进行了拉伸和弯曲性能测试。测试结果与模型预测进行比较，以评估它们的一致性。此外，还进行了成本效益分析，包括材料成本计算、能源消耗估算和生命周期成本（LCC）评估。为了检验实验数据的统计显著性，使用了单因素方差分析（ANOVA）和t检验来确定不同设计组成之间是否存在显著差异。通过这些方法，验证了机器学习模型的预测准确性，并确认了多目标优化方法的实际适用性。

4. 结果
4.1 数据库特征分析
从文献回顾、行业数据和实验测试中编制了一个包含2500个复合材料条目的综合数据库。该数据库涵盖了纤维类型、基体材料、纤维体积分数、加工条件以及各种性能指标等关键参数。数据预处理后，所有样品都经过了单位标准化和缺失值填充，确保了数据的一致性和完整性。按材料类别汇总的数据库统计摘要见表2。
表2. 数据库统计摘要。

统计分析表明，碳纤维增强复合材料（CFRCs）的平均拉伸强度约为1650 MPa，显著高于玻璃纤维（约950 MPa）和天然纤维（约420 MPa）复合材料。在密度方面，CFRCs和玻璃纤维复合材料的密度分别为1.55 g/cm3和1.95 g/cm3。天然纤维复合材料的密度约为1.25 g/cm3，在轻量化潜力方面具有明显优势。从成本角度来看，碳纤维的单位体积成本大约是玻璃纤维的2.5倍，远高于天然纤维。这些发现表明不同复合材料在性能和成本之间存在显著的权衡，突显了多目标优化设计的相关性。CFRP、GFRP和天然纤维复合材料的拉伸强度分布分别显示在图3中，相应的密度分布显示在图4中。图5和图6进一步提供了拉伸强度和密度的跨类别统计比较。

数据完整性在使用三西格玛规则去除异常值后达到了96%。每个样品平均有12个有效参数，足以用于后续的机器学习模型训练和验证。为了检验结果对异常值去除策略的敏感性，使用了包括基于四分位数范围（IQR）的过滤和中位数绝对偏差（MAD）标准在内的其他鲁棒性检查方法进行了额外的稳健性检查。比较分析显示，不同预处理方法下的总体统计分布、模型训练性能和材料类别的相对排名保持一致，预测准确性（R2）的变化在±1.5%范围内。这些结果表明，采用的三西格玛规则没有对数据集产生实质性偏差，也没有抑制物理性能优异的复合材料样品。

4.2 机器学习模型性能
随机森林（RF）、支持向量机（SVM）和多层感知器（MLP）模型经过训练，并使用十折交叉验证对其性能进行了评估。所有三种模型在预测拉伸强度和弹性模量方面都表现良好，尽管在准确性上存在差异。这种高保真的预测能力反映了最近的发展，其中由高质量实验数据集驱动的ML模型成功捕捉了非线性聚合物复合材料的特性[29]。对于拉伸强度预测，随机森林模型的R2为0.93，RMSE为54 MPa。支持向量机模型的R2为0.90，RMSE为72 MPa。然而，多层感知器（MLP）模型获得了最高的R2（0.95）和最低的RMSE（46 MPa），显示出其在捕捉非线性关系方面的优越能力。对于弹性模量预测也观察到了类似的趋势，MLP始终优于其他模型。预测值与测量值的对比显示在图7中。模型之间的整体R2和RMSE比较分别在图8和图9中总结。基于SHAP的模型可解释性结果显示在图10中。

为了进一步评估模型的鲁棒性，估计了十折交叉验证过程中的预测性能置信区间。对于拉伸强度预测，MLP模型的平均R2为0.95，置信区间为±0.02；随机森林和SVM模型的R2置信区间分别为±0.03和±0.04。这些结果表明预测性能稳定且一致，没有过度的层间变异性。此外，还进行了按材料类别的误差分析，以评估模型在不同复合材料类别上的性能。对于CFRP样品，MLP模型的平均绝对百分比误差（MAPE）约为5.8%；而GFRP和天然纤维复合材料的MAPE值分别为6.5%和7.9%。天然纤维复合材料略高的误差可以归因于材料异质性和纤维质量及界面性质的较大变异性。残差分析显示，较大的预测误差主要集中在纤维体积分数极高的情况（>65%）以及数据库中样本代表性有限的特定树脂家族中。相比之下，中等纤维体积分数和常用环氧树脂系统的预测残差在零附近对称分布，表明没有系统偏差。这些发现表明模型在主要设计空间内表现可靠，同时指出了需要进一步收集数据以进一步提高预测准确性的区域。为了提高模型的可解释性，对特征重要性进行了SHAP（Shapley加性解释）分析。分析显示，纤维类型和纤维体积分数对性能的影响最大，分别贡献了约35%和28%的总SHAP值影响。基体树脂类型的影响次之，约占18%。像温度和压力这样的加工因素的影响相对较小，通常低于10%。这些发现与已确立的材料科学原理一致，强调了该模型的合理性和可解释性。为了分析模型的可解释性，基于训练有素的多层感知器（MLP）模型实施了SHapley Additive exPlanations（SHAP）方法，该模型表现出最高的预测准确性。SHAP分析使用KernelSHAP框架进行，背景数据集是从200个代表性训练实例中随机抽取的。共使用了500个测试样本来估计SHAP值，以确保归因结果的稳定性。背景数据集和评估样本分别来自训练集和测试集，以保持与机器学习工作流程的一致性。全局SHAP分析表明，纤维类型和纤维体积分数是预测抗拉强度的主要因素，分别占总特征重要性的大约35%和28%。矩阵树脂类型是一个次要因素，贡献了大约18%，而与加工相关的参数合计贡献不到10%。这种全局归因模式与已建立的复合材料力学理论一致，其中纤维增强特性主要决定了承载能力。局部SHAP解释进一步揭示了单个预测如何受到特定特征值的影响。对于高强度CFRP样品，正的SHAP贡献主要由高纤维体积分数和碳纤维类别驱动，而天然纤维含量对预测的抗拉强度有负面影响。相比之下，混合复合材料样品表现出来自中等碳纤维比例和生物基树脂系统的平衡正面贡献，说明了模型如何捕捉到单个材料设计层面的权衡。

4.3 多目标优化结果
利用高精度性能预测模型，采用多目标遗传算法来优化材料组成。目标定义为在最大化抗拉强度和弹性模量的同时最小化密度和成本。该算法生成了大约5000个候选解决方案，得出了一个帕累托最优解集。需要注意的是，帕累托前沿并不提供一个数学上唯一的最佳解决方案。在这项研究中，根据明确的决策标准从帕累托最优集中选择了一个代表性的折中方案，包括抗拉强度超过1400 MPa，相对于传统钢材密度降低约40%–45%，以及适合实际电动汽车轻量化应用的平衡材料成本。所选的折中方案主要采用混合碳纤维和天然纤维系统，通常包含大约60%的碳纤维体积分数、20%的天然纤维体积分数和20%的生物基树脂基体。这种算法得出的配置在概念上与基础聚合物研究中的实证发现一致，这些研究表明，将高强度碳纤维与特定天然纤维（如菠萝叶）结合使用可以有效平衡热稳定性和机械缺陷，同时降低整体密度[30]。因此，与传统钢材相比，这种设计实现了大约45%的重量减轻，同时保持了1480 MPa的抗拉强度，仅比全碳纤维复合材料低约10%，并且材料成本降低了大约25%。

多目标遗传算法获得的帕累托最优解集如图11所示，突出了密度、成本、抗拉强度和弹性模量之间的权衡。

如图11所示，帕累托最优解在密度和抗拉强度方面进行了可视化，材料成本通过颜色编码。这种表示方式可以直接观察到单个变量对其他目标的影响。例如，密度较低的解决方案通常具有较高的材料成本，如颜色梯度所示，而高抗拉强度通常在中等密度水平下实现。相反，放宽强度要求可以同时降低密度和成本。这种可视化有效地捕捉了多目标权衡关系，而不将解决方案空间限制在固定的第三个轴上。帕累托前沿进一步阐明了性能和成本之间的权衡。它表明，追求极致强度会导致成本大幅增加。然而，适当降低性能要求可以在成本和重量上实现显著优化。这证明了多目标优化能够提供一系列满足不同工业需求的设计选项。

在优化后的阶段，使用生命周期成本和碳足迹分析进一步评估了所选折中方案的环境影响，如第4.5节所讨论的。

4.4 实验验证结果
为了验证优化设计的可靠性，制造并测试了三种代表性配置：(A) 高碳纤维含量组，(B) 碳纤维-天然纤维混合组，以及(C) 传统玻璃纤维基线组。抗拉强度测试显示，A组的平均值为1605 MPa，B组为1475 MPa，C组为940 MPa。所有三组的偏差都在±6%范围内，证实了模型的高准确性。就重量而言，B组相比传统钢材减轻了45%，相比玻璃纤维复合材料减轻了23%，充分展示了其轻量化潜力。三种代表性验证配置及其测量/预测的属性总结在表3中，测量值与模型预测之间的一致性如图12所示。

表3. 优化设计方案
| 设计 | 密度_gcc | 抗拉强度_MPa_测量 | 抗拉强度_MPa_预测 | 弹性模量_GPa | 成本_Per_kg |
|-----------------|---------|------------|-------------|-----------|---------|
| A: 高强度CFRP | 1.5 | 1605 | 1590 | 125 | 38 |
| B: CFRP + 天然纤维（生物树脂） | 1.45 | 1475 | 1490 | 110 | 30 |
| C: 基线GFRP | 1.95 | 940 | 920 | 48 | 18 |

进一步的ANOVA分析显示，测试配置之间存在显著的性能差异（p < 0.01），统计上证实了优化设计的实质性区别。

4.5 成本效益和环境影响分析
为了量化优化复合材料的工程影响，考虑了一个代表性的中型电池电动汽车（BEV）作为参考运行场景。假设基准车辆质量约为1800公斤，这是C级电动轿车的典型值，优化后的复合材料应用于选定的白车身和结构面板部件，占车辆质量的大约20%。所提出的混合复合材料设计使这些部件的质量减少了大约45%，相应地使整车质量减少了大约8%–9%。车辆质量减少与能耗之间的关系是根据EV轻量化文献中报告的已知经验系数估算的，其中车辆质量减少10%与混合驾驶条件下的能耗减少6%–8%相关。基于这种相关性，估计的车辆质量减少8%–9%相当于在城市-高速公路混合驾驶循环下的能耗减少大约12%。能耗估计参考了标准的WLTP驾驶剖面。

对于经济评估，假设电价为0.15美元/千瓦时，年行驶距离为15,000公里。生命周期成本（LCC）计算是在五年的服务期内进行的，折现率为3%。尽管优化后的复合材料使初始材料成本相对于传统钢材增加了大约15%，但降低的能耗使得五年的总运营成本减少了大约18%。这一发现与全面的生命周期评估（LCA）高度一致，表明轻量化复合材料的运行阶段节能效果通常能够有效抵消其较高的嵌入能量和初始制造成本[31]。这些结果展示了在透明和代表性的运行场景下，所提出的轻量化复合材料的潜在工程和经济价值。五年的生命周期成本（LCC）比较如图13所示，相应的生命周期CO2当量排放如图14所示。

5. 讨论
本研究提出的综合方法具有三个主要优势。首先，在性能预测方面，机器学习（ML）模型有效地捕捉了多个因素之间的非线性关系，实现了比传统经验模型更高的预测准确性。其次，在设计优化方面，多目标遗传算法（MOGA）同时考虑了多个相互冲突的目标，提供了一系列可行的解决方案，减轻了单一性能驱动设计的局限性。最后，实验验证和统计分析证实了优化设计结果与实验测量结果之间的高度一致性，证明了该方法在实际材料开发中的可行性。

本研究存在几个局限性。虽然数据库包含2500个样本，但这个数量与典型的大数据规模相比仍然有限。因此，某些特殊纤维或新型基体材料的数据仍然不足。此外，机器学习模型的预测准确性本质上依赖于数据质量；输入数据中的偏差可能导致误导性的预测。最后，在成本和环境影响评估方面，本研究主要依赖于来自公共文献和行业数据的估算。这些估算没有涵盖所有区域或供应链的变化，因此需要进一步细化分析。

关于工业应用，本研究的结果表明，有效整合材料基因组学和机器学习方法可以使电动汽车（EV）制造商在材料选择和设计方面实现更高的效率和精度。这将缩短新材料开发周期，同时满足性能要求，并优化成本和环境可持续性。此外，该方法具有相当大的可扩展性，有可能扩展到航空航天、风能和消费电子等其他领域的轻量化材料设计。

6. 结论
本研究成功开发并验证了一个集成框架，用于通过结合材料基因组数据库、机器学习（ML）和多目标遗传算法来优化电动汽车（EV）复合材料。该方法提供了一种数据驱动的替代传统试错方法。多层感知器（MLP）模型在机械性能方面的预测准确性很高（R2 = 0.95），SHAP分析确认纤维类型和体积分数是最具影响力的参数。随后的优化产生了一个帕累托最优解集，包括一种混合复合材料，与钢材相比实现了45%的重量和25%的成本降低。选定设计的实验验证证实了模型的稳健性，预测误差在±6%的范围内。

这项工作的主要贡献是一条加速和高效的材料开发路径。所提出的框架将典型的材料开发周期从几年缩短到大约6-12个月，为汽车行业提供了显著的优势。优化后的材料不仅提高了车辆的能源效率并延长了续航里程，还展示了长期的经济和环境效益，分析表明五年生命周期内的总成本减少了18%，碳排放减少了21%。该方法的适应性也使其适用于其他性能驱动领域，如航空航天和可再生能源。

未来的研究应重点扩展材料数据库，包括新兴复合材料，并用高通量模拟数据对其进行补充。虽然当前的ML模型已被证明是有效的，但探索更先进的深度学习架构（如图神经网络（GNNs）可以更深入地了解微观结构-性能关系。此外，整合更高效的搜索算法（如贝叶斯优化），并与汽车制造商直接合作将此框架应用于整车平台，将进一步验证其在推进可持续交通方面的工业可行性和实际价值。

作者声明
作者没有为此研究获得任何特定资助。

作者贡献
廖钦文：监督、方法论、概念化。
林恩秀：写作—审阅与编辑、写作—初稿。
黄伟伦：写作—审阅与编辑、写作—初稿、验证、数据管理。
王一奇：写作—审阅与编辑、写作—初稿。
陈博翔：写作—审阅与编辑、写作—初稿、验证、数据管理。
何伟硕：写作—审阅与编辑、写作—初稿、监督、方法论、资金获取、数据管理、概念化。
所有作者都审阅并批准了手稿的最终版本。

数据和材料的可用性
本研究中的数据可向相应作者请求获取。由于隐私和保密原因，数据不公开。

伦理批准
不适用。

利益冲突
作者声明没有利益冲突。