织物层压复合材料在安全防护和监控领域应用广泛，其冲击行为预测对于提升安全性至关重要。该研究致力于构建机器学习模型，以预测碳纤维和凯夫拉纤维等织物层压复合材料的冲击行为。研究人员进行了具有不同参数的低速冲击试验，并利用冲击能量和层压板厚度等信息对机器学习模型进行训练，以预测冲击力、位移和吸收能量等冲击特性。

 

实验结果表明，碳纤维层压纤维的冲击力提升了 118.5%，凯夫拉纤维层压纤维的冲击力提升了 175.8%，而混合层压板在 16J 冲击下的冲击力提升了 101.4%。位移对层状结构的稳定性影响较大，混合层压结构比具有相同堆叠序列的结构更稳定。在吸收能量方面，随着层压板层数的增加，碳纤维层压板吸收的能量增加了 4.8 倍，凯夫拉纤维和混合层压结构在更高冲击能量下吸收的能量增加了 3 倍。

 

为了进一步研究织物层压复合材料的冲击行为，研究使用了四种机器学习模型，包括线性回归、多项式回归、支持向量机和多层感知器。实验结果表明，多项式回归模型在预测冲击力和位移方面表现出更高的准确率，分别达到了 80% 和 89%。支持向量机在预测吸收能量方面表现出色，准确率约为 96%。实验结果与其他研究中使用的机器学习模型做出的预测高度吻合。

 

此外，研究还使用特征重要性转置和依赖图等方法，分析了不同特征对机器学习模型性能的影响，并确定了织物层压复合材料中的多种失效模式，为提升堆叠纤维材料的性能提供了重要参考。

 

一、引言

 

纤维层合复合材料因其轻质、高比强度和高比刚度等优点，在安全监控领域得到广泛应用。碳纤维和凯夫拉纤维是两种常用的增强材料，可用于制造防弹衣、运动安全装备、头盔和屏蔽材料等。然而，层合复合材料易受到冲击损伤，因此研究其抗冲击性能对于提高其性能和耐久性至关重要。层合复合材料的冲击行为的相关研究取得了进展，但仍有一些问题尚未解决，例如层结构、厚度和混合配置等因素对冲击行为的影响。此外，实验测试通常需要大量时间和资源，因此需要开发更有效的方法来预测层合复合材料的冲击行为。

 

近日，《Results in Engineering》期刊发表了一篇由韩国汉阳大学和延世大学的研究团队完成的基于机器学习的纤维层合复合材料冲击行为评估的研究成果。该研究利用机器学习方法预测纤维层合复合材料在低速冲击下的行为，并评估不同层合结构、厚度和混合配置对冲击性能的影响，有助于深入了解层合复合材料的冲击行为，并为开发高性能复合材料提供理论指导。论文标题为“Machine learning approach to evaluating impact behavior in fabric-laminated composite materials”。

 

二、 研究内容

该研究采用商业化碳纤维和凯夫拉纤维，通过手工铺层和环氧树脂固化工艺制备了碳纤维、凯夫拉纤维和混合纤维（碳/凯夫拉）层压板。使用落锤冲击试验机和圆锥形冲击头对制备的层压板进行低速冲击试验，并记录了不同冲击能量下的冲击力、位移和吸收能量等数据。

 

图1.三种纤维层合复合材料：(a) 碳纤维层合复合材料，(b) 凯夫拉纤维层合复合材料，(c) 混合纤维层合复合材料。

 

研究使用四种机器学习模型（线性回归、多项式回归、支持向量机和多层感知器）来预测冲击行为，使用收集到的数据进行模型训练和测试，并使用决定系数（R-squared）、均方误差（MSE）和平均绝对误差（MAE）等指标评估模型的性能。

 

图2.四种不同的机器学习算法的示意图：(a) 线性回归，(b) 多项式回归，(c) 支持向量机 (SVM)，(d) 多层感知器 (人工神经网络)。

 

图3.机器学习流程

 

结果表明，多项式回归模型在预测冲击力方面表现最佳，支持向量机模型在预测位移方面表现最佳，而支持向量机模型和多项式回归模型在预测吸收能量方面表现相当。

 

此外，该研究还使用特征重要性和部分依赖性分析来解释模型的影响因素，并探讨了不同堆叠顺序对层压板冲击行为的影响。该研究结果表明，机器学习技术可以有效地预测织物层压复合材料的低速冲击行为。

 

该研究表明，碳纤维和凯夫拉纤维层压板的冲击力随着冲击能量的增加而显著增加，而混合纤维层压板的冲击力则有所降低。混合纤维层压板的位移小于纯纤维层压板，这可能是因为混合纤维层压板内部各层之间存在一定的滑动，从而抵抗了冲击力造成的位移。碳纤维和凯夫拉纤维层压板的吸收能量随着层压板厚度的增加而显著增加，而混合纤维层压板的吸收能量则略有增加。

 

图 4.纤维层合复合材料中出现的不同失效模式。

 

三、小结

该研究利用机器学习方法成功地预测了纤维层合复合材料在低速冲击下的行为，并评估了不同层合结构、厚度和混合配置对冲击性能的影响。该研究结果表明，机器学习模型可以有效地预测层合复合材料的冲击行为，并识别不同的失效模式。该研究成果对于开发高性能复合材料和设计安全可靠的防护装备具有重要意义。

 

原始文献：

Shivashankar Hiremath, Yu Zhang, Lu Zhang, Tae-Won Kim. Machine learning approach to evaluating impact behavior in fabric-laminated composite materials. Results in Engineering, 2024, 23, 102576.

原文链接：

https://doi.org/10.1016/j.rineng.2024.102576

 

 

来源：复合材料力学

关键词： 复合材料冲击行为