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

Sintesi Tecnica: Apprendimento Automatico Informato dalla Fisica per la Predizione delle Prestazioni di Instabilità e dell'Evoluzione del Danno in Compositi di Basalto/Epossidica Rinforzati con Grafene

Definizione del Problema
I compositi rinforzati con fibre di basalto (BFRC) offrono un'alternativa sostenibile e ad alta resistenza alle fibre di vetro e carbonio per applicazioni strutturali leggere. Tuttavia, la loro utilità nelle applicazioni ingegneristiche avanzate è limitata da una debole adesione interfacciale fibra-matrice, dall'iniziazione prematura del danno e da una stabilità compressiva limitata. Nello specifico, i compositi di basalto soffrono spesso di micro-instabilità (micro-buckling) e instabilità delle fibre sotto carichi di compressione, portando a delaminazione e riduzione della tolleranza al danno. Sebbene la funzionalizzazione con nanomateriali, in particolare con l'ossido di grafene ridotto (rGO), abbia mostrato potenziale nel migliorare la rigidezza della matrice e il legame interfacciale, la ricerca esistente affronta tipicamente questi miglioramenti in isolamento — modificando o la matrice o rivestendo le fibre. Manca un quadro integrato che esplori simultaneamente la funzionalizzazione a doppia fase e traduca tali miglioramenti su scala nanometrica in stabilità strutturale su scala macroscopica, in particolare sotto condizioni di instabilità non lineare e danno progressivo. Inoltre, l'ottimizzazione del design tradizionale si basa sull'analisi degli elementi finiti (FEA) computazionalmente costosa, rendendo impraticabile l'esplorazione di vasti spazi di progettazione (parametri geometrici e sequenze di impilamento).

Metodologia
Lo studio propone un quadro integrato sperimentale-computazionale che combina la funzionalizzazione a doppia fase con rGO, la modellazione multiscala e l'apprendimento automatico informato dalla fisica (ML).

1. Fabricazione e Caratterizzazione dei Materiali:
   Sono stati fabbricati quattro sistemi compositi utilizzando la tecnica Vacuum Assisted Resin Transfer Molding (VARTM):

• BEC: Basalto/epossidica (controllo).
• BREC: Matrice epossidica modificata con rGO (0,75 wt.% rGO).
• CBEC: Fibre di basalto rivestite con rGO (0,3 wt.% rGO tramite deposizione elettroforetica).
• CBREC: Sistema ibrido con sia matrice modificata con rGO che fibre rivestite.
  Le proprietà meccaniche (trazione, compressione, taglio interlaminare e tenacità alla frattura) sono state caratterizzate secondo gli standard ASTM per identificare la configurazione ottimale.

2. Modellazione Multiscala:

• Micromeccanica: È stato impiegato un approccio basato su Elemento di Volume Rappresentativo (RVE) in ANSYS 2024 R1 per omogeneizzare le proprietà ortotrope efficaci dei compositi, tenendo conto degli effetti di rinforzo su scala nanometrica.
• FEM Macroscala: L'analisi degli elementi finiti non lineare è stata condotta utilizzando elementi SHELL181 per simulare il comportamento di instabilità (buckling). Il modello ha incorporato la non-linearità geometrica e l'evoluzione del danno progressivo basata sui criteri di rottura di Hashin accoppiati con la Meccanica del Danno Continuo (CDM).
• Generazione del Dataset: Un dataset completo di 12.852 configurazioni di laminato è stato generato variando i parametri geometrici (lunghezza, larghezza, spessore) e le sequenze di impilamento.

3. Apprendimento Automatico Informato dalla Fisica (Physics-Informed Machine Learning):
   Per superare il costo computazionale della FEA iterativa, sono stati sviluppati modelli surrogati di ML utilizzando il dataset generato tramite FEM. Sono stati valutati tre modelli:

• Regressione Lineare (LR) per i trend lineari globali.
• Support Vector Regression (SV) per catturare le relazioni non lineari tra rigidezza e instabilità.
• Un Modello Ensemble che combina LR e SVR (tramite media ponderata e stacking) per sfruttare sia le capacità predittive lineari che quelle non lineari.
• Interpretabilità: SHapley Additive exPlanations (SHAP) sono stati utilizzati per attribuire l'importanza delle caratteristiche, garantendo che le predizioni del modello siano meccanicisticamente interpretabili.

Risultati Chiave

• Prestazioni Meccaniche: La funzionalizzazione a doppia fase (CBREC) ha prodotto i miglioramenti più significativi. Rispetto al controllo (BEC), il composito CBREC ha dimostrato un aumento del 23,45% nella resistenza alla trazione, un aumento del 60% nella resistenza alla compressione (da 200 MPa a 320 MPa) e un potenziamento del taglio interlaminare e della tenacità alla frattura. Questi miglioramenti sono attribuiti alla distribuzione sinergica degli sforzi, al miglioramento del legame interfacciale e all'aumento della rigidezza della matrice.
• Evoluzione del Danno: L'analisi del danno progressivo ha rivelato che la configurazione CBREC ritarda l'iniziazione del danno e promuove una ridistribuzione stabile del carico, mitigando efficacemente i modi di cedimento prematuri associati al kinking delle fibre e alla delaminazione.
• Prestazioni del Machine Learning: Il modello ensemble ha raggiunto un coefficiente di determinazione ($R^2$) di 0,973 nella predizione dei carichi critici di instabilità, superando significativamente i modelli individuali. L'analisi SHAP ha identificato la lunghezza e la larghezza del laminato come i parametri dominanti che governano la resistenza all'instabilità.
• Efficienza: Il modello surrogato di ML ha sostituito con successo le ripetitive simulazioni FEA, consentendo una rapida predizione e ottimizzazione delle prestazioni di instabilità attraverso lo spazio di progettazione.

Significato e Rivendicazioni
Gli autori affermano che questo lavoro rappresenta la prima investigazione sperimentale-computazionale completa che dimostra il ruolo della funzionalizzazione a doppia fase con rGO nel potenziare la risposta di instabilità non lineare e il comportamento di danno progressivo dei compositi rinforzati con fibre di basalto. Lo studio stabilisce un collegamento diretto e tracciabile tra la modifica del materiale (nanoscala), la risposta strutturale (macroscala) e l'ottimizzazione basata sui dati.

La significatività del quadro proposto risiede nella sua capacità di:

1. Risolvere il compromesso tra legame interfacciale e tenacità della matrice attraverso un approccio sinergico a doppia fase.
2. Fornire un collegamento fisicamente coerente tra le scale, traducendo i miglioramenti interfacciali su scala nanometrica in predizioni della stabilità strutturale su scala macroscopica.
3. Offrire un percorso efficiente per la progettazione di strutture composite leggere e tolleranti al danno, integrando la modellazione ad alta fedeltà basata sulla fisica con l'apprendimento automatico interpretabile, facilitando così una rapida esplorazione del design senza il costo computazionale proibitivo di una FEA completa per ogni iterazione.