1.导读
随着复合材料组分、结构以及性能需求的日益复杂化，以实验观测、理论建模和数值模拟为主体的传统研究范式，在复合材料力学性能分析、设计和制造等方面遇到了新的科学问题与技术瓶颈. 其中，实验观测不足、理论模型缺乏、数值分析受限、结果验证困难等问题在一定程度上制约了先进复合材料在面向未来工程领域中应用的发展. 人工智能方法以数据驱动的模型替代传统研究中的数学力学模型，直接由高维高通量数据建立变量间的复杂关系，捕捉传统力学研究方法难以发现的规律，通过人工智能赋能来寻求复合材料中传统研究方法所面临难题的新的解决方案，目前已成为复合材料研究领域的发展趋势。
同济大学李岩教授研究团队对国内外相关研究论文进行详细综述，讨论了近年来复合材料与人工智能交叉领域的研究热点以及亟待解决的关键科学问题，展望了人工智能方法在复合材料领域的应用前景，为进一步开展人工智能赋能的复合材料研究提供了参考。文章发表在2021年《力学进展》第三期上，题为“人工智能在复合材料研究中的应用”。
2.内容
先进复合材料作为结构轻量化的重要原材料，已在航空航天、轨道交通、土木建筑等重要工程领域中得到广泛应用。传统的复合材料研究方法，主要以实验和理论建模为主，逐渐形成了实验观测、分析建模、数值模拟相辅相成的研究方法. 然而，复合材料组分及结构的复杂化，给复合材料的性能预测、优化设计、成型制造等提出了新问题. 例如，复合材料的多尺度力学性能表征、精准的反向结构设计、复合材料的不确定性传播等问题，在传统的实验分析、理论建模、拓扑优化等框架下无法得以很好地解决. 实验观测不足、理论模型缺乏、数值分析受限、结果验证困难等传统研究手段的困境，严重制约着复合材料研究面向未来应用的快速发展。
人工智能方法的优势则是不再关心问题的具体物理机理，直接由数据驱动，无需建立复杂的物理模型，也无需繁冗的经验参数，实现了由传统的因果机理探寻向人工智能支撑下变量关系建立的转变，在复合材料领域呈现出广阔的应用前景：（1）在复合材料力学性能预测方面，基于实验测试和数值模拟获得大量数据，结合人工智能挖掘高维变量之间的复杂关系，可建立由参数到性能的快速响应. （2）在复合材料优化设计方面，无需依赖于设计者的经验积累和灵感直觉，设定恰当的目标函数后自动迭代更新设计策略，实现全局最优或精准的逆向设计. （3）在复合材料成型制造方面，快速探明各种制造参数对复合材料力学性能的影响，改进制造工艺，甚至与精密机器人系统进行协同制造，实现大型复杂结构成型新技术. （4）在复合材料的健康监测方面，关联多种传感信号与复合材料状态之间的关系，在复杂载荷条件下完成对复合材料状态的预测和控制。
图1 复合材料领域的人工智能应用
2.1 复合材料性能预测
与单一均质材料相比，复合材料由于其本身具有结构属性，在设计时需统筹材料、结构、工艺三方面设计以达到最优性能. 同时，复合材料可设计性强，设计参数多，如果缺乏设计参数对复合材料性能影响规律的清晰认识而盲目设计，将会造成大量资源和时间的浪费. 因此，需要对于拟设计复合材料的性能进行定量预测，以实现根据实际需要来限制设计空间、指导设计方向，达到高效设计高性能复合材料的目的. 采用人工智能方法对复合材料性能进行预测，通过数据挖掘微细观结构或设计参数与复合材料性能之间内在的关系，进而对如基本力学性能、疲劳性能、冲击性能等做出预测，或者建立材料的本构模型，是目前针对复合材料性能研究的前沿热点.
由于复合材料的微细观结构可以决定其宏观力学性能. 目前复合材料多尺度力学主要通过大规模观测不同载荷下微细观结构形貌，依据经验判断、提取关键特征，进而建立力学模型. 该方法相对繁琐，高度依赖研究者丰富的经验. 如图2所示，采用人工智能方法研究该问题，可实现微细观结构特征的快速提取，直接建立“图像-性能”这一关系，无需耗费大量时间对每种微结构进行有限元计算，可驱动复合材料多尺度力学的快速发展.
图2 基于微结构的性能预测
利用复合材料微结构图像可有效预测复合材料力学性能，但是，工程应用中复合材料微结构图像的获取有时是非常困难的，而利用复合材料的设计参数来预测其力学性能则相对容易，如纤维增强复合材料中纤维的种类、铺层的角度、设计结构的布置，颗粒/纳米增强复合材料中填料的形态、大小等. 因此，如图3所示，采用人工智能方法建立“设计参数-复合材料结构-性能”的快速响应，为进一步开展复合材料优化设计、加速复合材料研发进程奠定基础.
图3 基于设计参数的复合材料力学性能预测
人工智能方法将传统的建模问题转变为数据搜集以及数据处理的问题，想要通过人工智能方法获得能够准确预测材料性能的模型，势必要提供大量的数据，因此在预测复合材料性能中面临的主要挑战有：（1）高精度人工智能模型的建立需要大量的数据，对复合材料实验数据库的构建提出了要求；（2）在海量的数据中提取到最为关键的特征参数以减小计算量；（3）量化所建立模型中参数的不确定性及其影响；（4）由人工智能模型预测规律实现对相应力学模型的构建；（5）在人工智能模型构建过程中合理引入力学模型，施加物理约束，实现力学理论对人工智能方法的指导.
2.2 复合材料优化设计
材料设计通常是指依据积累的经验、归纳的实验规律以及总结的科学原理，来制备具有确定目标性能的材料. 传统的材料设计是依赖大量实验的不断试错、大面积筛选的方法. 相比于各向同性或均质、单一材料，复合材料的设计空间更为广阔，力学机理更为复杂，目前尚不能摆脱经验设计方法. 而采用反复实验的方法进行设计需要消耗大量的人力、物力以及时间成本，且最终优化设计得到的结果也未必是最优解. 如今，随着数值模拟技术的成熟以及人工智能技术的不断发展，使得计算机代替研究者进行模拟实验、探索设计空间成为了现实，为实现复合材料准确、高效的优化设计，提供了有效的途径和崭新的思路. 一些研究者基于神经网络对材料性能进行快速预测，逐渐形成如图4所示的神经网络与遗传算法、蚁群算法、粒子群算法等智能计算相结合的优化设计方法. 生成对抗网络和强化学习近些年来在生成建模中取得了令人瞩目的成绩，其探索、博弈、优化的核心思想与材料的优化设计不谋而合，并已成功应用在一些简单的材料设计中. 有望在未来通过生成对抗模仿学习、深度强化学习等方法，构建与力学原理相结合的材料优化设计模式，充分挖掘人们难以认识到的复合材料规律，设计出具有多种优异性能的复合材料.
图4 基于神经网络与智能算法的优化设计方法
与复合材料性能预测所面临的问题类似，建立人工智能实现复合材料优化设计的核心在于前期构建材料性能数据集的有效性. 复合材料多尺度的内部结构特征复杂，可供选择的设计参数广泛，如何从数据中排除冗余特征，寻找与优化设计目标最为相关的设计参数，准确量化模型中的不确定性以及其影响，以实现高效、准确的优化设计模型的构建，成为这一方法面临的主要挑战. 此外，人工智能方法在样本数据覆盖的空间中具有较高的预测准确率，但其是否具有良好的外推性能仍需加以验证，因此在构建数据集时应保证数据信息尽可能的覆盖目标设计空间.
2.3 复合材料智能制造
在实际工程应用中，内部的缺陷和损伤会显著降低复合材料的力学性能，使其无法达到预期的设计目标. 在复合材料的成型及加工过程中，借助传感器得到复合材料在不同工艺条件下的状态，并调整相应的工艺参数，可以有效地减少复合材料的缺陷和损伤. 在复合材料装配、服役的过程中，利用传感器获取数据进行健康监测，定期对复合材料健康状态进行检测，实现复合材料的损伤识别及预警，准确把握复合材料结构的健康状态，制定优化维护策略，可以有效提升复合材料结构件的使用安全性. 相较于复合材料的性能预测与设计，成型、制造、健康监测及检测中传感器得到的数据规模更大，维度更广，更有利于同人工智能方法相结合. 目前，采用无监督学习可以实现对于不同的缺陷及损伤是否存在的判断，监督学习则被应用于缺陷及损伤的分类及量化. 如图5所示，将人工智能应用于复合材料的制造及健康方面可以实现对检测信息的只能处理，并具有以下优势：（1）减少复合材料成型及加工过程中的缺陷及损伤，获得设计预期的力学性能. （2）提升复合材料健康监测及检测精度，实现对微小损伤的捕捉. （3）缩减复合材料无损检测时间，大幅提升检测规模. 此外，还可根据应用场景布置处理器、致动器和修复元件于复合材料内部，形成如图6所示的智能复合材料，以人工智能方法进行判断处理达到自感知、自驱动、自学习、自修复的目标.
图5 人工智能与压电材料结合的分层损伤检测
图6 智能复合材料
复合材料在服役过程中通常面临复杂的工作环境，具有应力场、温度场、湿度场、电场等多场相互耦合的特点. 因此，目前面临的主要挑战是如何准确地从庞杂的传感器信号中清理噪声信号，抽取、分离关键特征，明确各个因素对复合材料状态的影响及时变特性，建立响应数据到材料状态甚至结构性能的关系模式，实现时间、空间上的连续感知.
3.总结
近些年来，基于人工智能方法的材料性能预测，已逐渐形成以实验结果为基础，以数值模拟方法生成数据集，以人工智能方法进行建模预测的成熟范式. 多精度深度神经网络可以由大量低成本、低精度的数据捕捉趋势特征后，对少量的高成本、高精度数据进行精确拟合，在复合材料的多尺度、高保真性能预测中有着巨大的应用潜力. 人工智能赋能下的“性能预测-材料设计”这一迭代优化设计模式也已有雏形，强化学习在材料的精准逆向设计中也有着广阔的前景. 将复合材料设计制造、状态监测与人工智能、大数据、新型制造方法相结合，势必成为复合材料发展的新趋势. 目前，人工智能在复合材料的设计、制造和健康监测等方面仍处于相对初步的阶段，但已经展现出非凡的潜力. 有理由期待在未来，以人工智能技术为桥梁，将力学、材料、机器人、计算机等学科在复合材料领域紧密连接，为复合材料技术注入新的生机与活力.
原始文献：张峻铭, 杨伟东, 李岩. 人工智能在复合材料研究中的应用[J]. 力学进展, 2021, 51(3):1-36.
联系客服
