纖維增強復合材料（FRCs）憑借高比強度與高耐久性在現代工程領域發揮重要作用，但該類材料具有各向異性與非均勻性特征，對其拉伸與彎曲載荷下的力學性能預測構成重大挑戰。傳統研究方法如實驗測試、有限元分析通常成本高、耗時長或模型簡化過度。本文系統梳理數據驅動型機器學習（ML）模型如何突破上述局限，實現研究范式革新。綜述整合回歸模型、人工神經網絡（ANN）、卷積神經網絡（CNN）及集成模型等多種機器學習技術在纖維增強復合材料拉伸與彎曲性能預測中的應用研究。分析表明，高斯過程回歸（GPR）、隨機森林（RF）及先進神經網絡（NN）等模型預測精度極高（通常$R^2>0.90$），但仍存在模型泛化性、數據質量及物理機理建模等相關問題。文末指出當前研究存在過度依賴單纖維體系與模擬數據等關鍵不足，并提出未來研究方向，包括機器學習–物理機理混合模型、多尺度建模及拓展材料與環境變量范圍，為研發更安全、高效的新一代復合材料提供支撐。

1 引言

纖維增強復合材料（FRCs），尤其是聚合物基復合材料（PMC），已成為眾多工程領域的核心材料。與傳統金屬及陶瓷基復合材料相比，該類材料具備高比強度、高比模量、耐腐蝕、耐疲勞及全生命周期維護成本低等優勢，成為航空航天與汽車工業等輕量化需求場景的必備材料。纖維增強復合材料基本由高模量、高強度纖維與聚合物基體復合而成，界面為獨立相。其宏觀性能并非組分性能的簡單疊加，而是受基體、增強體、纖維體積分數、長徑比、纖維幾何形態及界面結合質量等多因素復雜耦合作用影響。但微觀結構復雜性、制備與設計參數繁多，也使該類材料在拉伸、彎曲等服役載荷下的力學性能存在顯著不確定性。纖維增強復合材料的各向異性與非均勻性導致其響應機制復雜，可能引發結構完整性漸進式退化，極端情況下發生災難性失效。

針對上述問題，開展拉伸與彎曲響應的深入研究至關重要，因其響應特性直接影響結構剩余壓縮強度、耐久性能，進而決定結構使用壽命與運行可靠性。因此，準確預測初始力學性能（極限拉伸強度、彎曲模量、最大沖擊力等）及載荷作用下性能演化規律，成為纖維增強復合材料可靠應用的核心需求與技術難點。為解決該預測難題，工程領域傳統采用三類方法：大量實驗測試、解析建模與數值模擬。實驗測試雖為驗證基礎，但耗時極長、成本高昂、資源消耗大，導致迭代設計過程中試樣與零件浪費嚴重。解析模型計算效率高，但簡化程度過高，難以體現材料復雜性與多尺度特征，預測能力受限。有限元分析（FEA）等高保真數值模擬計算成本與專業門檻高，不適用于探索性設計與概率分析。

上述局限推動研究范式向數據驅動預測模型轉變。機器學習（ML）作為當前數據科學的核心工具，通過非線性、統計與概率算法，直接從數據中學習復雜關聯關系，為解決上述問題提供有效方案。機器學習在纖維增強復合材料研究中的應用已得到廣泛探索，為突破傳統方法局限提供可行方向。模型可基于實驗校準、高保真模擬或歷史文獻整理數據集進行訓練，實現高性能預測。復合材料設計變量（材料類型、鋪層順序、體積分數等）可快速映射至對應力學性能。有監督人工神經網絡（ANN）、支持向量機（SVM）及集成算法（隨機森林等）在臨界性能閾值精準預測乃至材料與結構效應量化方面表現出良好潛力。例如，訓練完善的模型可用于結構健康監測，預測沖擊能量導致的分層區域或特定制備缺陷引發的強度損失。該能力推動材料設計從假設驅動向證據驅動、預測驅動工程范式轉變，實現復合材料結構針對特定載荷條件的虛擬優化，大幅減少物理試樣制備，加速設計流程。

因此，本文聚焦機器學習模型在纖維增強復合材料拉伸與彎曲響應預測中的應用潛力，通過系統整合材料、幾何與制備參數，驗證兩類力學性能預測的可行性。長期目標為解決當前纖維增強復合材料應用的技術瓶頸，減少昂貴且耗時的實驗驗證周期，實現更可靠、高效、創新的復合材料設計。本研究將突破傳統方法的嚴苛局限，為新一代纖維增強復合材料性能預測與設計提供高效可行路徑。

2 纖維增強復合材料研究中應用的典型機器學習模型定義

人工神經網絡（ANN）通過模擬生物大腦結構，由相互連接的節點（人工神經元）構成。神經元分層排布，包括輸入層、隱藏層與輸出層。隱藏層接收并處理輸入信號，輸出層整合隱藏層處理信息完成最終預測。該模型適用于大數據集、低可解釋性場景下復雜非線性關系識別。

卷積神經網絡（CNN）是主流監督式深度學習架構，由全連接前饋網絡發展而來，解決參數呈指數級增長問題。與其他人工神經網絡類似，卷積神經網絡通過卷積層、激活層、池化層及全連接層完成數據處理與最終分類。卷積層用于提取原始輸入數據的局部特征，神經元僅與前一層局部區域連接。后續接入非線性激活函數（如ReLU）與最大池化、平均池化等下采樣操作。該模型適用于處理大規模圖像或微觀結構數據，捕捉非線性關系，可解釋性較低。

回歸分析為基礎統計學習方法，用于建模連續型目標變量與輸入特征間的線性關系，適用于小數據集，可基于系數構建可解釋基準模型。其主要局限為線性假設，難以表征復雜材料行為。

支持向量機（SVM）為高效分類與回歸算法，通過核函數處理中小數據集的強非線性關系。分類任務中，模型旨在確定最優超平面，最大化特征空間中不同類別間距，可采用線性、多項式、徑向基等核函數實現。回歸任務中采用支持向量回歸（SVR），相較于傳統回歸技術，確保預測值與實際值差異最小化，在給定間隔內擬合最優直線，誤差為異常數據點至間隔的距離。

決策樹（DT）為非參數監督式學習分類與回歸模型，結構包括根節點、內部決策節點與終端葉節點。該模型可解釋性較高，但僅通過簡單規則建模，處理非線性能力中等。其基本學習原理為遞歸生長樹結構，以葉節點替換新決策節點，樹構建過程以信息增益等重要性指標最大化為準則，自動生成特征重要性排序。常用ID3、C4.5算法實現樹構建自動化。該模型用于特征映射的可解釋性分析。決策樹（DT）模型示意圖，如圖1所示。

圖1 決策樹（DT）模型示意圖

K近鄰（KNN）算法為基于實例的學習方法，存儲全部訓練數據，依據新數據與特征空間中K個最相似樣本的距離完成預測。回歸任務中采用鄰近樣本均值作為預測值，分類任務中采用多數投票機制。模型性能對用戶定義的K值與距離度量方式高度敏感，擅長捕捉局部模式，但在復合材料分析、RTM工藝填充預測等稀疏或高維數據場景下效果受限。

隨機森林（RF）、梯度提升（GB）、隨機梯度提升（SGB）、自適應提升（AdaBoost）、極限梯度提升（XGBoost）等均為集成模型，采用序列訓練方式，新模型持續修正前序模型誤差。圖2為極限梯度提升模型示意圖。該類模型在復合材料數據復雜非線性關系與交互作用建模方面表現最優。集成模型通過多決策樹融合提升預測精度與魯棒性，AdaBoost、GB、SGB、XGBoost等通過逐次修正預測誤差提升模型性能。集成模型優勢為處理中等數據量非線性問題預測精度高、可解釋性中等。

圖2 集成模型（極限梯度提升）示意圖

3 彎曲性能預測

3.1 回歸模型

基于回歸算法構建的機器學習模型在纖維增強復合材料力學性能預測中效果顯著，模型性能通常由材料體系與數據集決定。例如，XGBoost采用聚合決策策略，在黃麻纖維增強生物基復合材料彎曲強度預測中精度極高，$R^2$超0.97，纖維含量為最關鍵變量。嶺回歸在自定義模型下彎曲強度預測效果優異（$R^2$最高0.966），支持向量回歸（SVR）在其他行為預測中更優，表明需根據目標性能選擇模型。

集成方法整體表現更優，在復雜非線性關系中預測精度高，如隨機森林（RF）、梯度提升。隨機森林近乎完美預測3D打印復合材料載荷–延伸關系（$R^2=0.99$），但存在過擬合風險。梯度提升有效預測碳纖維/聚苯硫醚（PPS）復合材料彎曲模量（$R^2=0.977$）。極端樹回歸器遵循該規律，在碳纖維、玻璃纖維及混合復合材料實驗數據中$R^2$達0.99，凸顯集成方法與混合數據集在高精度預測中的優勢。盡管嶺回歸在大型復雜數據彎曲強度預測等場景中效果良好，但推薦優先采用隨機森林等集成算法。

此類回歸型機器學習應用研究普遍存在關鍵變量表征不足問題，包括制備參數與多級交互作用，即使報告高精度預測，仍可能限制模型泛化能力。

3.2 神經網絡（NNs）

人工神經網絡（ANNs）、深度神經網絡（DNNs）、卷積神經網絡（CNNs）等先進神經網絡具備強非線性參數關系處理能力，可基于數值與圖像數據預測纖維增強復合材料力學性能，如圖3所示。該類模型核心優勢為可基于微觀結構數據訓練，卷積神經網絡（CNNs）預測電子玻璃纖維復合材料全場應力分布效果接近完美（相關系數近0.999），圖像處理能力突出。基于卷積神經網絡訓練的條件生成對抗網絡（cGAN）在給定不同材料圖像數據時，應力分量預測精度接近完美（相關系數近0.99）。

圖3 神經網絡（NNs）在復合材料彎曲性能預測中的應用

除圖像分析外，傳統人工神經網絡在不同纖維取向與加載路徑下宏觀彈塑性應力響應預測、玻璃纖維增強復合材料（GFRPs）長期浸漬中彈性模量、硬度等纖維性能衰減預測方面泛化能力優異。在實驗數據有限場景下，長短期記憶網絡（LSTM）結合遷移學習成功從有限彎曲數據中預測全應力–應變曲線。理論引導機器學習（TGML）結合深度神經網絡提升未知設計空間預測精度，適用于非線性建模。貝葉斯神經網絡（BNNs）通過不確定性量化實現應力可解釋計算，哈密頓蒙特卡洛方法相較簡易方法提供更有效不確定性量化結果。

4 結論

機器學習（ML）在材料與復合材料工程領域具有變革性意義，可實現纖維增強復合材料（FRCs）拉伸與彎曲性能預測。本文梳理從基礎回歸算法至先進深度學習模型等多種機器學習模型在拉伸與彎曲性能預測中的應用，得出以下結論：

（a）機器學習與有限元分析（FEA）已廣泛基于實驗、模擬與增強數據集確定纖維增強復合材料力學性能，方法選擇（實驗、機器學習、有限元分析或混合方法）由具體需求決定。

（b）現有研究多簡化為單纖維體系、單/雙/三性能預測，而非完整拉伸與彎曲性能聯合預測，所用框架僅包含數值性能或圖像分類，未實現兩類預測結合。

（c）最常用算法為神經網絡（人工神經網絡、卷積神經網絡）、回歸與分類算法（支持向量機、決策樹）、深度學習算法。人工神經網絡（ANNs）與支持向量機（SVMs）在性能預測、設計優化方面效果良好，相關系數高、模式識別準確；卷積神經網絡（CNNs）在損傷檢測與預測方面效率極高。

（d）機器學習模型驗證通常采用交叉驗證、訓練測試劃分及性能指標，確保魯棒性與泛化性。

（e）模型性能受架構復雜度、計算成本、與其他方法兼容性、模型類型、訓練數據量、輸入參數（材料類型、含量、制備工藝）及評估用統計指標等多因素影響。

（f）新一代機器學習模型納入材料性能、結構特征、加載條件與環境條件等更多特征，可實現突破性進展；多尺度建模、失效機制整合、非線性行為表征及不確定性量化將進一步提升模型精度與魯棒性。

（g）混合算法、自適應學習、強化學習、多保真度建模等機器學習新技術前景廣闊，但仍面臨數據質量、一致性、可用性、模型泛化性、超參數選擇、黑箱模型可解釋性與可信度等挑戰與制約。

綜上，大量證據表明機器學習可可靠高效表征復合材料組分、結構與力學性能間的復雜關聯，降低對昂貴、耗時實驗周期的依賴。但機器學習潛力尚未完全挖掘，學界應將機器學習不僅作為預測工具，更作為未來創新驅動、可靠復合材料架構前瞻性設計的核心。未來研究可采用機器學習–物理機理混合模型（融入物理行為實現穩定預測，而非僅依賴統計關聯）、多尺度建模，拓展材料與環境變量范圍，同時兼顧現有挑戰。

此文由中國復合材料工業協會搜集整理編譯，部分數據來源于網絡資料。文章不用于商業目的，僅供行業人士交流，引用請注明出處。