Top期刊：基于迁移学习的跨聚合物复合材料应力-应变曲线预测

精品课程推荐 | Abaqus复合材料仿真分析技术培训

在工程应用中，材料应力-应变曲线可以反映材料的很多机械性能如弹性模量、强度等。利用高保真的有限元模型来预测材料的力学性能往往需要大量的实验创造材料数据库。此外，目前已有研究利用机器学习算法预测应力应变曲线，但传统的机器学习模型不能从一种材料推广到另一种材料。

为了解决上述问题，中佛罗里达大学Ziyang Zhang(第一作者)及其团队在材料Top期刊《Materials & Design》上发表了题为“Predicting stress–strain curves using transfer learning: Knowledge transfer across polymer composites”的文章，开发了一种迁移学习模型，用于预测不同增材制造纤维增强聚合物复合材料的应力应变曲线。

迁移学习的本质是把从某一类任务中学习的经验应用到另一类任务中，完成从源域（已有的知识域）到目标域（要学习的域）的迁移。本研究中主要包含两个案例，两个案例中都以连续碳纤维和短碳纤维增强尼龙复合材料（CCF-SCFRN）的应力应变曲线为源域，案例一中的目标域为连续碳纤维增强尼龙复合材料（CCFRN）,案例二中的目标域为连续玻璃纤维和短碳纤维增强尼龙复合材料（CGF-SCFRN）。所提出的迁移学习框架如图1所示。

图1迁移学习框架

本研究使用的迁移学习方法是参数迁移，首先使用源域数据进行模型的预训练，然后使用目标域训练数据对预训练模型进行微调。利用长短期记忆网络LSTM（Long Short-Term Memory networks, LSTM）学习获得源预测函数和目标预测函数，LSTM的结构如图2所示。

图2 长短期记忆网络LSTM示意

所用的三种复合材料均通过3D打印熔丝制造（Fused Fifilament Fabrication，FFF）获得，尺寸为130mm×15mm×3.5mm。探究了三个结构参数连续纤维层数、同心纤维环数和填充图案的影响，其结构如图3所示。

图3 复合材料结构

对CCF-SCFRN试样进行了四点弯曲试验，对CCFRN和CGF-SCFRN试样进行了三点弯曲试验，均按照ASTM D7264标准。为了验证迁移学习的能力，源域的样本数量应大于目标域，在本研究中源域共162个样本（9×6×3），目标域共27个样本并包含几个源域中未曾见过的样本，如下表所示。

三种复合材料在三种结构参数组合下的弯曲应力-应变曲线如图4所示，CCF-SCFRN和CCFRN样品的整体弯曲行为相似，两者都比CGFSCFRN样品更脆。CCF-SCFRN试样的抗弯应力范围也比CGF-SCFRN试样更接近CCFRN试样的抗弯应力范围。

图4 三种复合材料的弯曲应力应变曲线

使用均方根误差（RMSE）和平均绝对百分比误差（MAPE）来评估迁移学习预测的准确情况，图5展示了案例一中实际和预测的应力应变曲线。其中OT（optimal transport）表示最佳运输，用来优化迁移学习的表现。可以发现使用OT集成迁移学习预测的应力-应变曲线在视觉上比使用简单迁移学习预测的应力-应变曲线更接近实际应力-应变曲线。

此外，使用和不使用OT的预测结果之间的主要差异发生在塑性变形阶段。与简单的迁移学习方法相比，OT集成迁移学习可以更容易地捕捉到在应变为2%左右屈服点弯曲应力的突然下降，使得在迁移学习框架中应用OT后，对弯曲强度的预测准确率提高46.14%。

图5 案例一预测结果

图6显示了案例二的预测结果，与案例一的结果类似，使用OT集成迁移学习预测的应力-应变曲线比普通迁移学习具有更高的准确性，样本1的RMSE和MAPE分别下降了46.05%和13.33%。但在样本3的预测结果中，使用OT的迁移学习的预测准确率分别下降了24.60%和24.39%，原因可能是由于CCF-SCFRN和CGF-SCFRN样本的弯曲行为差异更为显著，从而影响预测结果。

此外，案例2的预测应力-应变曲线在弹性和塑性区域也表现出不同的准确性。使用OT集成迁移学习后，预测抗弯强度的准确率提高了75.44%。

图6 案例二预测结果

总的来说，文章提出了一种使用OT的迁移学习框架用来预测不同复合材料的应力应变曲线，实现了不同复合材料间应力-应变行为知识的传递。从预测曲线中提取的模量MAPE小于5%，提取的强度MAPE小于10%证明该方法的可行性。此类迁移学习框架对研究材料的机械响应和失效模式提出了新思路。

原始文献：

Ziyang Zhang, Qingyang Liu, Dazhong Wu. Predicting stress–strain curves using transfer learning: Knowledge transfer across polymer composites [J]. Materials & Design, 2022, 218: 110700. https://doi.org/10.1016/j.matdes.2022.110700.

（翻译整理：张芮源  校正：  君莫）

专注于复合材料力学领域的知识创作与分享，国内复合材料领域颇具影响力的技术交流平台之一，第一时间更新复合材料方向基础知识和前沿技术。“强化基础，聚焦前沿”，复合材料力学公众平台期待您的关注！

本文使用 文章同步助手 同步