基于机器学习的纤维增强聚合物复合材料高温拉伸强度预测模型
基于机器学习的纤维增强聚合物复合材料高温拉伸强度预测模型
纤维增强聚合物（FRP）复合材料因其轻质、高强和耐腐蚀等特性，在土木工程领域得到了广泛应用。然而，FRP复合材料由增强纤维和聚合物基体组成，其性能受到多种因素的影响，包括纤维类型、树脂类型、纤维取向、制造工艺等。在高温环境下，这些因素对材料性能的影响更加复杂。传统的预测模型往往基于有限的试验数据，难以全面考虑各种影响因素，导致预测精度有限。近年来，随着机器学习技术的快速发展，数据驱动的方法为材料性能预测提供了新的思路。
近日，复合材料领域Top期刊《Composites Part B》期刊发表了查尔斯达尔文大学、悉尼大学、昆士兰大学等多个研究机构的研究团队在基于机器学习预测暴露在高温下的纤维增强聚合物复合材料拉伸强度的研究，该模型考虑了多种潜在影响因素，并利用更大的数据集进行预测，展示了更高的准确性。论文标题为“Tree-based machine learning approach to modelling tensile strength retention of Fibre Reinforced Polymer composites exposed to elevated temperatures”。
研究内容及方法
文章主要研究了基于机器学习的FRP复合材料高温拉伸强度预测模型。通过收集大量的试验数据，建立了包含暴露温度、树脂玻璃化转变温度、样品厚度/直径、暴露持续时间、环境冷却、纤维与树脂比率、纤维取向、树脂类型、纤维类型和制造工艺等多种影响因素的数据库，并利用机器学习算法训练了预测模型。
图 1. 高温下 FRP 样品拉伸试验设置示意图
研究团队设计了一系列严格的试验方案，选择了不同类型的FRP复合材料样本，并在不同的温度条件下进行了拉伸强度测试。这些试验不仅考虑了单一因素的影响，还探讨了多个因素之间的交互作用。通过对比试验结果，能够更准确地评估各种因素对TSR的影响。
图2. 拉伸强度保留的实验测量与现有方程的估计之间的相关性
在数值分析模型的建立上，研究人员利用决策树、M5P和随机森林等机器学习算法，构建了预测模型。这些模型能够综合考虑多个输入参数，如温度、树脂玻璃化转变温度、样品厚度等，以预测拉伸强度保持率（tensile strength retention，简称TSR）。为了提高模型的预测性能，还采用了贝叶斯优化和10折交叉验证等技术来优化模型参数和评估模型泛化能力。
图 3.决策树方法示意图
图 4. 随机森林模型示意图
图 5. 用于预测 TSR 的 M5P 树图
研究团队对收集到的试验数据进行了详细的处理和分析，利用统计学方法对数据进行了清洗、标准化和特征工程处理，以确保数据的准确性和一致性。此外，还通过特征重要性分析揭示了各输入特征对TSR的相对贡献度，为深入理解影响机制提供了有力支持。
图 6. 数据集中输入特征的分布
研究结果表明，基于机器学习的预测模型能够更准确地预测FRP复合材料在高温下的TSR。与传统模型相比，该模型考虑了多种潜在影响因素，并利用更大的数据集进行预测，因此具有更高的准确性。特征重要性分析表明，温度对FRP复合材料的TSR影响最大，其次是树脂类型和纤维取向等因素。
总结
该研究提出了一种基于机器学习的FRP复合材料高温拉伸强度预测模型，通过收集大量的试验数据和利用机器学习算法训练预测模型，提高了预测精度和通用性。该研究对于指导FRP复合材料的设计和应用具有重要意义，也为其他类似材料的性能预测提供了新的思路。
原始文献：
Machello, C., Aghabalaei Baghaei, K., Bazli, M., Hadigheh, A., Rajabipour, A., Arashpour, M., ... & Rad, H. M. (2024). Tree-based machine learning approach to modelling tensile strength retention of Fibre Reinforced Polymer composites exposed to elevated temperatures. Composites Part B: Engineering, 270, 111132. [https://doi.org/10.1016/j.compositesb.2023.111132]