《Hybrid Advances》：Prediction and Optimization of Tensile Strength and Damages in Fiber Reinforced Epoxy Composites by Machine Learning Models
编辑推荐：
为解决纤维增强复合材料(FRCs)力学性能预测复杂、实验成本高的问题，研究人员开展了基于机器学习的碳纤维、凯夫拉纤维和玻璃纤维混合环氧复合材料拉伸强度与主要失效类型预测研究。结果表明，随机森林(RF)模型在预测强度时R2达0.94，预测失效类型时准确率近100%，为复合材料设计与分析提供了高效、可解释的预测工具。
在现代工程领域，尤其是航空航天和汽车工业，对轻质、高强度材料的需求日益迫切。纤维增强复合材料(Fiber-Reinforced Composites, FRCs)因其优异的比强度、刚度和耐腐蚀性，成为实现轻量化和高性能的关键材料。然而，FRCs的力学行为极其复杂，其拉伸强度和失效模式受到纤维类型、铺层顺序、厚度等多因素交互影响，传统实验方法耗时耗力，而数值模拟如有限元分析(Finite Element Analysis, FEA)又常依赖于简化假设且计算成本高。因此，如何准确、高效地预测复合材料的力学性能与损伤行为，成为制约其优化设计与安全应用的瓶颈。
在此背景下，机器学习(Machine Learning, ML)为破解这一难题提供了新思路。ML能够从数据中直接学习复杂非线性关系，为复合材料性能预测提供了强大工具。然而，现有研究多集中于单一纤维体系或简化模型，缺乏对混合纤维增强环氧复合材料拉伸性能与失效模式的综合预测框架。为此，Md. Mominur Rahman、Al Emran Ismail、Muhammad Faiz Ramli和Azrin Hani Abdul Rashid在《Hybrid Advances》上发表了一项研究，旨在开发一个可解释的机器学习模型，同时预测混合纤维增强环氧复合材料的拉伸强度并分类其主要失效类型，以深入揭示材料结构与性能之间的关系，并为材料设计提供高效指导。
为开展此项研究，作者团队采用了多项关键技术方法。研究基于实验数据集，制备了碳纤维、凯夫拉纤维和玻璃纤维三种编织布增强的环氧复合材料层合板样本，涵盖纯组分、双组分混合(50%-50%)和三组分混合(50%-25%-25%)等多种纤维组合，并设计了[0/90/90/0]s交叉铺层和[45/0/-45/90]s准各向同性两种铺层方向。所有样本均依据ASTM D3039标准进行了拉伸测试，以获取拉伸强度数据，并通过应力-应变数据结合可视化观察确定了主要失效类型。基于测试数据，研究提取了包括铺层构型(Lay-up Configuration)、实际厚度(Actual Thickness)、铺层类型(Lay-up Type)、层内容物(Layer Contents)等在内的多个特征，构建了包含162个原始数据点的数据集，并通过噪声分布法进行了三倍数据增强以提升模型泛化能力。在建模方面，研究系统性地应用、优化并比较了多种回归与分类机器学习模型，包括线性回归(Linear Regression)、支持向量回归(Support Vector Regression, SVR)、决策树(Decision Tree, DT)、随机森林(Random Forest, RF)、逻辑回归(Logistic Regression)和支持向量机(Support Vector Machine, SVM)，并采用K=5折交叉验证进行模型评估与超参数优化。
3.1. 数据预处理与探索性数据分析(EDA)
通过绘制拉伸强度分布直方图、箱线图及主要失效类型条形图，研究初步评估了数据的变异性与分布特征。相关性热图分析揭示了变量间的线性关系，例如铺层数量与实际厚度呈强正相关(0.92)，而拉伸强度与铺层构型、厚度等结构特征呈弱至中度负相关。这为后续特征选择提供了依据，并表明铺层类型与失效模式之间存在值得关注的联系。
3.2. 模型训练与交叉验证
模型评估显示，在预测拉伸强度的回归任务中，随机森林(RF)模型表现最佳，其训练集R2为0.94，交叉验证R2为0.68，均方根误差(Root Mean Squared Error, RMSE)较低，表明其具有良好的预测精度和泛化能力，显著优于线性回归、支持向量回归和单棵决策树。在预测失效类型的分类任务中，随机森林(RF)和决策树(DT)模型均表现出近乎完美的性能，测试准确率分别达到1.0和0.99。
3.3. 模型超参数优化
超参数优化结果显示，对于拉伸强度回归任务，最优的随机森林模型参数为最大深度10、最小分裂样本数5、评估器数量100，这种配置在控制过拟合的同时保持了模型复杂度。对于失效类型分类任务，随机森林分类器的最优参数为无限制最大深度、最小分裂样本数2、评估器数量50，表明该分类问题的特征空间高度可分。
3.4. 模型测试
在独立测试集上，随机森林回归器预测拉伸强度的R2为0.75，RMSE为40.38，其预测值与实际值散点图紧密分布在理想线附近。随机森林分类器在测试集上对五种失效类型（分层、纤维断裂、纤维脱粘、纤维拔出、基体开裂）的预测准确率、精确率、召回率和F1分数均为1.0，混淆矩阵呈完美对角线。泰勒图(Taylor diagram)进一步综合比较了各回归模型的相关系数、标准差和中心化均方根误差，确认随机森林模型在相关性和变异性再现方面均表现最佳。
3.5. 特征重要性
特征重要性分析表明，对于拉伸强度预测，铺层构型是最具影响力的特征，其次是实际厚度，而织物克重、铺层类型等内在材料属性重要性相对较低。对于失效类型预测，铺层类型是最重要的特征，实际厚度次之。这揭示了层合板的宏观架构和铺层顺序对最终性能和失效模式起主导作用。
3.6. 敏感性分析与不确定性量化
敏感性分析揭示了预测不确定性的主要来源。对于拉伸强度预测，铺层构型、层内容物和铺层类型等分类变量是预测不确定性的主要驱动因素，尽管实际厚度对平均预测值影响最大。这表明厚度的影响受到铺层架构的强烈调节，存在显著的交互效应。对于失效类型预测，实际厚度是敏感性的绝对主导因素，其变化平均导致特定失效类别预测概率发生17.5个百分点的改变。全局敏感性排名综合表明，在考虑主效应和交互效应后，铺层构型和层内容物等架构变量对拉伸强度的总体影响略大于物理厚度本身。
本研究成功建立并验证了一个用于预测混合纤维增强环氧复合材料拉伸强度与损伤模式的机器学习框架。系统性的算法比较明确将随机森林(RF)模型确立为同时预测连续拉伸强度值和离散失效分类的有效工具。可解释性技术揭示了厚度和铺层构型是最具影响力的特征，将数据驱动的预测与复合材料力学基本原理联系起来，使模型从“黑箱”转变为可理解的工具。
这项研究为材料科学家和工程师提供了一套可解释的工具集，使得能够针对特定强度和损伤容限需求定制复合材料层合板设计，从而减少迭代原型制作的需要，缩短新一代航空航天和汽车工业复合材料结构的设计周期。未来工作将通过扩展数据集覆盖更广泛的输入参数、环境条件和载荷情况，以进一步提升模型的泛化能力和鲁棒性。
