将复合材料失效力学嵌入神经网络：一种用于IV型压力容器双准则失效评估的物理约束框架

《Energy and AI》：Embedding composite failure mechanics into neural networks: A physics-constrained framework for dual-criteria failure assessment of Type IV pressure vessels

　　

面向氢能交通的转型需要兼具轻量化与高压承载能力、且结构完整性可保证的储氢系统。IV型复合材料全缠绕压力容器满足这一需求，但其设计优化仍受制于高保真有限元分析（Finite Element Analysis，FEA）的高计算成本。研究提出了一种物理约束神经网络框架，用于IV型压力容器的快速双准则失效预测。有限元模型首先在玻璃纤维/环氧（glass/epoxy）压力容器的实验爆破测试上得到验证，针对Puck与Hashin准则的预测误差分别为0.63%与2.48%；随后又以4组独立爆破压力案例进行交叉验证，覆盖20–70 MPa范围，平均绝对误差分别为5.0%（Hashin）与2.8%（Puck）。研究基于2,000组碳纤维增强聚合物（carbon-fiber-reinforced polymer，CFRP）构型数据训练代理模型，其网络结构通过双输出网络并结合自适应损失加权，将Hashin与Puck准则作为基于梯度的惩罚项嵌入损失函数。该代理模型取得0.941的决定系数与0.066的均方根误差（root-mean-square error，RMSE），相较有限元仿真实现约1.8 × 10⁶倍的计算加速。留一材料交叉验证（leave-one-material-out cross-validation）表明，与传统神经网络相比，基于物理的正则化可将外推条件下的性能退化减半，即7.1%对14.7%。该框架被定位为一种方法学迁移的概念验证（proof-of-concept）；若要实现认证级部署，仍需专门的实验验证计划。

该文发表于《Energy and AI》，聚焦IV型复合材料全缠绕压力容器（COPV）的快速失效评估。研究背景在于，氢能交通对35–70 MPa高压轻量化储氢容器提出更高要求，而传统有限元方法（FEM）虽能较准确描述复合材料各向异性、铺层结构和多失效模式，却难以支撑大规模设计优化。尤其在圆筒段与封头过渡区，纤维角度、厚度累积与局部应力重分布显著影响首层失效（first-ply failure，FPF）判断，因此亟须兼具物理一致性与计算效率的代理模型。

研究人员首先建立了基于Abaqus的轴对称高保真有限元模型，引入Hashin与Puck两类复合材料失效准则，对参考玻璃/环氧容器爆破压力进行实验验证，并进一步以文献中的CFRP相关爆破案例交叉验证建模流程；在此基础上，扩展至8种CFRP材料体系，生成2,000组参数化样本。随后构建双输出物理约束神经网络（physics-constrained neural network，PCNN），同时预测Hashin与Puck失效指数，并通过梯度单调性约束和一致性损失，将失效力学知识嵌入训练过程。结果表明，该方法在保持较高预测精度的同时，大幅压缩计算时间，并在材料外推场景下优于纯数据驱动模型。研究意义在于，为复合储氢容器的快速设计筛选、灵敏度分析和优化探索提供了可迁移的方法框架。

主要技术方法：研究以Agne等实验容器为参考对象，采用Abaqus建立轴对称FEM，完成网格收敛、爆破验证及文献CFRP案例交叉验证；利用Python–Abaqus自动化流程结合分层采样与拉丁超立方采样（LHS）生成2,000组数据；构建双输出PCNN，在损失函数中加入Hashin、Puck梯度约束与一致性约束，并采用GradNorm自适应加权训练。

研究结果
实验设置与超参数优化：研究将2,000组仿真样本划分为训练、验证和测试集，并将PCNN与常规人工神经网络（ANN）、残差式Vanilla PINN、支持向量回归（SVR）和随机森林（RF）比较，为性能评估奠定统一基线。
训练收敛：通过多次独立训练发现，PCNN在约300轮后稳定优于ANN，说明物理约束在后期优化中可持续提供有效正则化。
预测性能比较：PCNN对Hashin与Puck双输出的平均R²达到0.9405，RMSE为0.0657，整体优于Vanilla PINN、ANN、SVR和RF，表明基于单调性的物理嵌入比简单残差约束更适合此类参数化标量代理问题。
消融研究：在仅使用数据损失的基础上，依次加入Hashin约束、Puck约束和双准则一致性约束，性能逐步提升，证明三部分物理信息均有独立贡献，其中Hashin约束贡献最大。
一致性损失敏感性：一致性损失中平滑Heaviside近似的陡峭参数k在5–20范围内结果稳定，过小会削弱判别性，过大则导致梯度饱和。
数据集规模敏感性：随着训练样本由500增至2,000，模型性能渐趋饱和，说明物理约束有助于缓解22维输入空间对大样本的依赖。
残差分析：两类失效指数的预测残差均围绕0近似均匀分布，未表现出明显系统偏差。
计算效率：训练完成后，PCNN单次推理约0.2 ms，相比单次FEM约6 min，实现约1.8 × 10⁶倍加速，适合实时设计空间搜索。
留一材料外推评估：在未见材料体系上，PCNN平均R²为0.873，相较分布内性能退化7.1%，明显小于ANN的14.7%，显示物理正则化提升了对新材料组合的泛化能力。
分布外泛化与预测不确定性：在压力超出训练上限10%与20%、以及缠绕角超出训练范围±5°时，模型精度有所下降，但仍表现出可控退化；结合蒙特卡罗Dropout得到的95%预测区间在分布内外均具有较好的覆盖表现。
讨论：研究指出，PCNN优于传统模型的根源在于物理约束缩小了假设空间，并强化了材料强度参数、压力与失效指数之间的合理敏感性关系；但该框架仍属于软约束，且FEM标签本质上对应FPF而非渐进损伤后的最终爆破，因此预测结果具有保守性。

研究结论部分翻译：本研究提出了一种用于IV型储氢压力容器双准则失效预测的物理约束神经网络框架。有限元流程先以玻璃/环氧实验基准验证，再以4组独立CFRP爆破压力案例交叉验证，在Hashin与Puck准则下的平均绝对误差分别为5.0%和2.8%。随后，研究人员利用该流程生成涵盖8种CFRP材料体系的2,000组数据。所提出的双输出网络通过引入源自复合材料失效力学的梯度惩罚项，实现平均决定系数0.941 ± 0.003，而纯数据驱动ANN为0.902 ± 0.004，4.1%的提升完全归因于基于物理的正则化。消融研究进一步证实，Hashin、Puck与一致性损失分别带来+2.0%、+0.9%和+1.0%的性能增益。该代理模型相较有限元分析实现约180万倍加速，将评估时间由分钟级缩短至亚毫秒级。该框架被定位为一种面向复合材料设计探索的方法学概念验证；其主要局限在于首层失效建模、软物理约束，以及训练所用具体体系缺乏直接实验验证，未来需围绕硬约束结构、渐进损伤建模、不确定性量化、多保真学习及专门实验验证展开，以支撑认证级应用。