导读
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
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
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。
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)
【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。
联系客服