Physics-Informed Machine Learning for Predicting Buckling Performance and Damage Evolution in Graphene Reinforced Basalt/Epoxy Composites

Résumé Technique : Apprentissage Automatique Informé par la Physique pour la Prédiction de la Performance de Flambement et de l'Évolution des Dommages dans les Composites de Basalte Renforcés par le Graphène

Énoncé du Problème
Les composites à matrice polymère renforcés par des fibres de basalte (BFRC) offrent une alternative durable et à haute résistance aux fibres de verre et de carbone pour les applications structurelles légères. Cependant, leur utilité dans l'ingénierie avancée est limitée par une faible adhérence interfaciale fibre-matrice, une initiation prématurée des dommages et une stabilité en compression limitée. Spécifiquement, les composites de basalte souffrent souvent de micro-flambement et d'instabilité des fibres sous des charges de compression, entraînant un délaminage et une réduction de la tolérance aux dommages. Bien que la fonctionnalisation par des nanomatériaux, particulièrement l'oxyde de graphène réduit (rGO), ait montré des promesses pour améliorer la rigidité de la matrice et la liaison interfaciale, les recherches existantes traitent généralement ces améliorations de manière isolée — soit en modifiant la matrice, soit en revêtant les fibres. Il existe un manque de cadres intégrés explorant simultanément la fonctionnalisation biphasique et traduisant ces améliorations à l'échelle nanométrique en stabilité structurelle à l'échelle macroscopique, particulièrement sous des conditions de flambement non linéaire et de dommage progressif. De plus, l'optimisation de la conception traditionnelle repose sur une analyse par éléments finis (FEA) coûteuse en calcul, rendant l'exploration de vastes espaces de conception (paramètres géométriques et séquences d'empilement) impraticable.

Méthodologie
L'étude propose un cadre intégré expérimental-computationnel combinant la fonctionnalisation biphasique par rGO, la modélisation multi-échelle et l'apprentissage automatique informé par la physique (ML).

1. Fabrication et Caractérisation des Matériaux :
   Quatre systèmes composites ont été fabriqués en utilisant la technique de moulage par transfert de résine assisté sous vide (VARTM) :

• BEC : Basalte/époxy (contrôle).
• BREC : Matrice époxy modifiée par rGO (0,75 % en masse de rGO).
• CBEC : Fibres de basalte revêtues de rGO (0,3 % en masse de rGO via dépôt électrophorétique).
• CBREC : Système hybride avec à la fois une matrice modifiée par rGO et des fibres revêtues.
  Les propriétés mécaniques (traction, compression, cisaillement interlaminaire et ténacité à la rupture) ont été caractérisées selon les normes ASTM afin d'identifier la configuration optimale.

2. Modélisation Multi-échelle :

• Micromécanique : Une approche par Élément Représentatif de Volume (RVE) a été employée dans ANSYS 2024 R1 pour homogénéiser les propriétés orthotropes effectives des composites, en tenant compte des effets de renforcement à l'échelle nanométrique.
• FEM Macro-échelle : Une analyse par éléments finis non linéaire a été réalisée en utilisant des éléments SHELL181 pour simuler le comportement de flambement. Le modèle intègre la non-linéarité géométrique et l'évolution progressive des dommages basée sur les critères de défaillance de Hashin couplés à la Mécanique des Milieux Continus (CDM).
• Génération de Jeu de Données : Un jeu de données complet de 12 852 configurations de stratifiés a été généré en faisant varier les paramètres géométriques (longueur, largeur, épaisseur) et les séquences d'empilement.

3. Apprentissage Automatique Informé par la Physique :
   Pour surmonter le coût computationnel de l'itération par FEA, des modèles de substitution ML ont été développés à l'aide du jeu de données généré par FEM :

• La Régression Linéaire (LR) pour les tendances linéaires globales.
• La Régression par Vecteurs de Support (SVR) pour capturer les relations non linéaires entre rigidité et instabilité.
• Un Modèle d'Ensemble combinant LR et SVR (via une moyenne pondérée et un empilement/stacking) pour exploiter les capacités prédictives linéaires et non linéaires.
• Interprétabilité : Les explications SHapley Additive exPlanations (SHAP) ont été utilisées pour attribuer l'importance des caractéristiques, garantissant que les prédictions du modèle sont mécaniquement interprétables.

Résultats Clés

• Performance Mécanique : La fonctionnalisation biphasique (CBREC) a produit les améliorations les plus significatives. Par rapport au contrôle (BEC), le composite CBREC a démontré une augmentation de 23,45 % de la résistance à la traction, une augmentation de 60 % de la résistance à la compression (passant de 200 MPa à 320 MPa), ainsi qu'une amélioration du cisaillement interlaminaire et de la ténacité à la rupture. Ces améliorations sont attribuées à une distribution synergique des contraintes, une meilleure liaison interfaciale et une augmentation de la rigidité de la matrice.
• Évolution des Dommages : L'analyse des dommages progressifs a révélé que la configuration CBREC retarde l'initiation des dommages et favorise une redistribution stable de la charge, atténuant efficacement les modes de défaillance prématurés associés au flambement des fibres (kinking) et au délaminage.
• Performance de l'Apprentissage Automatique : Le modèle d'ensemble a atteint un coefficient de détermination ($R^2$) de 0,973 pour la prédiction des charges critiques de flambement, surpassant de manière significative les modèles individuels. L'analyse SHAP a identifié la longueur et la largeur du stratifié comme les paramètres dominants régissant la résistance au flambement.
• Efficacité : Le modèle de substitution ML a réussi à remplacer les simulations répétitives par FEA, permettant une prédiction et une optimisation rapides de la performance de flambement à travers l'espace de conception.

Signification et Revendications
Les auteurs affirment que ce travail représente la première investigation expérimentale-computationnelle complète démontrant le rôle de la fonctionnalisation biphasique par rGO pour améliorer la réponse de flambement non linéaire et le comportement de dommage progressif des composites renforcés par des fibres de basalte. L'étude établit un lien direct et traçable entre la modification des matériaux (échelle nanométrique), la réponse structurelle (échelle macroscopique) et l'optimisation basée sur les données.

La signification du cadre proposé réside dans sa capacité à :

1. Résoudre le compromis entre la liaison interfaciale et la ténacité de la matrice grâce à une approche biphasique synergique.
2. Fournir un lien physiquement cohérent à travers les échelles, traduisant les améliorations interfaciales nanométriques en prédictions de stabilité structurelle macroscopique.
3. Offrir une voie efficace pour la conception de structures composites légères et tolérantes aux dommages en intégrant une modélisation physique de haute fidélité avec un apprentissage automatique interprétable, facilitant ainsi une exploration rapide de la conception sans le coût computationnel prohibitif d'une FEA complète pour chaque itération.