哥伦比亚大学《CST》：一种用于预测织物复合材料微结构与性能关系高度可解释的材料信息化方法

导读

       材料结构会影响到材料的整体性能。目前，关于材料结构与性能关系的研究已经成为材料科学和工程中日益重要的研究领域，而机织织物因其优异的比刚度和比强度等机械性能广泛应用于海、陆、空等轻型结构中。

       以往的材料信息学研究中，输入数据是通过简化几何模型生成的，输出数据是通过有限元模拟得到。然而，在实际生产过程中，纺织微结构如纤维束中的纤维，织物中的纤维束，或层合板中的层布并不是完美的，这导致了材料微结构性能的不均匀性。

        为此，英属哥伦比亚大学的Tina Olfatbakhsh（第一作者），Abbas S. Milani（通讯作者）在《Composites Science and Technology》上发表了题为“A highly interpretable materials informatics approach for predicting microstructure-property relationship in fabric composites”的文章，该研究的目的是将Kalidindi的材料信息学框架应用于织物复合材料，通过使用无损检测收集的真实数据对材料进行性能预测。为此，利用微计算机断层扫描技术扫描了编织玻璃纤维增强聚合物的微观结构，表征了复合材料样品的局部细观形貌。在此基础上，利用两点空间关联和主成分分析法实现了材料微结构的低维表征。将材料微观结构与其实验所测弹性模量关联，并捕捉局部微/中尺度特征变化对有效力学性能的影响。该研究结果对航空航天和交通运输领域关于材料智能设计和机织复合材料优化方面有着潜在的应用价值。

内容简介

       由于机织织物结构的异质性和层次性，对其结构-性能关系进行建模需要从多尺度模拟。在宏观层面上，考虑了材料的结构特征，如纤维体积分数，忽略了结构中的卷曲现象。微观层面上，考虑了纤维在纱线和基体中的排列，以及它们之间的相互作用。最后，在最低尺度水平上（比如在纳米水平上），考虑了纤维与基体的界面属性。本研究采用的数据驱动均质工作流程图如图1所示。首先，使用微计算机断层扫描（无损检测）的射线片生成输入数据来描述复合材料织物的细观结构。在力学测试过程中提取输出参数相同的试样的杨氏模量。然后，利用两点空间关联和主成分分析，分两步建立织物微观结构的降阶量化。最后，应用机器学习模型预测织物的微观结构-性能关系。

图1　基于材料知识系统的机织复合材料层间结构-性能关联的计算同质化工作流程图

       该研究所用的材料类型为Twintex®，由混合的聚丙烯（40%）/玻璃纤维（60%）组成的平纹布。复合材料通过压缩成型工艺制备，每个试样的完整图像通过拼接18张小图像所得（3×6），使裁剪结果变成25 mm×65 mm，如图2所示。

图2　不同长度尺度下输入微结构的可视化。（a）使用ImageJ中的网格拼接选项，拼接18张尺寸为10.8 mm×10.8 mm的照片，构建25 mm×65 mm的整个样品微观结构图像；（b）通过三维X射线显微计算机断层扫描对Twintex®单胞的三维重建；（c）不同长度尺度下固化试样的SEM结果。利用SEM图像测量的玻璃纤维的平均直径为18.5μ

       将试验的应变速率设定为2 mm/min。图3为四组不同纤维取向试样的平均应力-应变曲线θ=0°，0°<θ≤15°，15°<θ≤30°，30°<θ≤45°，分别用红色、绿色、灰色和紫色进行比较。纤维取向是指纤维方向与单轴加载方向之间的最小夹角。

图3　4组试样的拉伸应力-应变响应曲线。红、绿、灰、蓝线属于具有同一纤维取向样品的平均值，θ=0°，0°<θ≤15°，15°<θ≤30°，30°<θ≤45°

       图4为三个代表性试样黑色相（纤维）的两点自相关性。在该图中，微结构a为取向为0°且经纱波纹较小的情况，微结构b为取向为0°且经纱方向波纹较大的情况，微结构c为取向为45°且波纹较小的情况。

图4　三种不同样品微观结构的简化图。（a）和（b）是图3中显示的两个试样；（c）是θ=45°的试样。图中的亮线为主纤维的方向。（b）中的经纱（垂直）方向存在严重的波浪，导致该方向的亮线缩短和褪色

       图5a以散点图形式表示了整个数据集前的两个主成分的系数。训练数据点和测试数据点分别用圆形和三角形表示。每个数据点的颜色对应于使用两点统计得到的纤维方向。为了更好地说明得到的主成分的物理意义，图5b和5c分别显示了PC1与体积分数、PC2与纤维取向的关系。

图5　前两个主成分系数与两个微观结构属性之间的相关图。（a）图中的颜色对应纤维取向。（b）PC1与体积分数之间存在显著的相关性。这种相关性解释了第一主成分的物理意义。（c）PC2和纤维取向之间有很好的相关性

       作者使用线性回归对输入图像和感兴趣的输出属性进行降阶来训练学习算法。通过构建主成分，然后在线性回归模型中使用这些成分作为预测因子，称为主成分回归(PCR)。图6给剔除异常值前后的交叉验证及最终回归结果图。图6a为训练集和测试集的均方误差，分别用蓝线和红线表示。

图6　剔除异常值前后的交叉验证及最终回归结果。（a）不同模型的训练、测试的均方误差;（b）预测与实测杨氏模量;（c）剔除（a）中异常值后的等值;（d）剔除（b）中异常值后的等值

小结

       该研究旨在建立基于micro-CT图像的机织复合材料微观结构-性能关系数据驱动元模型框架。结合主成分分析的两点统计可以将扫描图像的大维度从超过1100万像素降低到5个像素。微观结构的简化保留了与织物拉伸性能相关的微观结构特征，如纤维取向、体积分数和特定样品的局部不对称。在去除异常值之后，使用简单的回归算法构建基于PCR的机器学习框架，用两点统计法预测样本的杨氏模量。该预测模型在小训练数据集的情况下具有显著的准确性。

复合材料力学平台开通复合材料制品加工及试验测试项目需求对接业务

原始文献：Olfatbakhsh T, Milani AS. A highly interpretable materials informatics approach for predicting microstructure-property relationship in fabric composites[J]. Composites Science and Technology, 2022, 217:109080..

稿件整理：Sophia  （感谢投稿）

【前沿追踪征稿】助力论文阅读量和引用量的提升

↑↑↑ 点击上方链接了解详情

【前沿追踪】：重点关注近一两年内发表的有关复合材料力学方面前沿动向，稿件应简要介绍研究背景、内容、方法和主要结论。

【来稿要求】：翻译准确，简短精炼，图文并茂，文中须注明原始文献。

【投稿方式】：有意投稿者请将原始文献发送至管理员（jm19961996微信或zhang5931956，请备注“前沿追踪投稿”）审核，审核通过后可开展稿件整理工作。

【稿费领取】：稿件发布后联系管理员（微信jm19961996）领取稿费，稿费细则见上述征稿启事。