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

Technische Samenvatting: Physics-Informed Machine Learning voor het Voorspellen van Buckling-prestaties en Schadeontwikkeling in Grafeenversterkte Basalt/Epoxy Composieten

Probleemstelling
Basaltvezelversterkte polymeercomposieten (BFRC's) bieden een duurzaam, hoogwaardig alternatief voor glas- en koolstofvezels voor lichtgewicht structurele toepassingen. Hun bruikbaarheid in geavanceerde techniek wordt echter beperkt door zwakke hechting tussen de vezel en de matrix, voortijdige schade-initiatie en beperkte compressiestabiliteit. Met name lijden basaltcomposieten onder micro-buckling en vezelinstabiliteit onder compressieve belastingen, wat leidt tot delaminatie en verminderde damptolerantie. Hoewel nanomateriaal-functionalisatie, met name met gereduceerd grafeenoxide (rGO), veelbelovend is gebleken voor het verbeteren van de matrixstijfheid en de interfacebinding, richt bestaand onderzoek zich doorgaans op deze verbeteringen in isolatie—ofwel door de matrix te modificeren, ofwel door de vezels te coaten. Er is een gebrek aan geïntegreerde kaders die gelijktijdig dual-phase functionalisatie verkennen en deze nanoschaalverbeteringen vertalen naar macrostructurele stabiliteit, met name onder niet-lineaire buckling- en progressieve schadeomstandigheden. Bovendien is traditionele ontwerpoptimalisatie afhankelijk van computationeel kostbare eindige-elementenanalyse (FEA), waardoor het verkennen van uitgebreide ontwerpparameters (geometrische parameters en stapelvolgordes) onpraktisch is.

Methodologie
De studie stelt een geïntegreerd experimenteel–computationeel kader voor dat dual-phase rGO-functionalisatie, multiscale modellering en physics-informed machine learning (ML) combineert.

1. Materiaalfabricage en Karakterisering:
   Vier composiet-systemen werden vervaardigd met behulp van de Vacuum Assisted Resin Transfer Molding (VARTM) techniek:

• BEC: Basalt/epoxy (controle).
• BREC: rGO-gemodificeerde epoxy-matrix (0,75 wt.% rGO).
• CBEC: rGO-gecoate basaltvezels (0,3 wt.% rGO via elektroforetische depositie).
• CBREC: Hybride systeem met zowel rGO-gemodificeerde matrix als gecoate vezels.
  Mechanische eigenschappen (treksterkte, compressie, interlaminair afschuiven en breuktaaiheid) werden gekarakteriseerd volgens ASTM-normen om de optimale configuratie te identificeren.

2. Multiscale Modellering:

• Micromechanica: Een Representative Volume Element (RVE) benadering werd toegepast in ANSYS 2024 R1 om de effectieve orthotrope eigenschappen van de composieten te homogeniseren, waarbij rekening wordt gehouden met de nanoscale versterkingseffecten.
• Macroscale FEM: Niet-lineaire eindige elementenanalyse werd uitgevoerd met behulp van SHELL181-elementen om het buckling-gedrag te simuleren. Het model incorporeerde geometrische niet-lineariteit en progressieve schadeontwikkeling op basis van de Hashin-faalcriteria gekoppeld aan Continuum Damage Mechanics (CDM).
• Dataset Generatie: Een uitgebreide dataset van 12.852 laminaatconfiguraties werd gegenereerd door geometrische parameters (lengte, breedte, dikte) en stapelvolgordes te variëren.

3. Physics-Informed Machine Learning:
   Om de computationele kosten van iteratieve FEA te overwinnen, werden ML-surrogaatmodellen ontwikkeld met behulp van de door FEM gegenereerde dataset. Drie modellen werden geëvalueerd:

• Lineaire Regressie (LR) voor globale lineaire trends.
• Support Vector Regression (SvR) voor het vastleggen van niet-lineaire stijfheid–instabiliteitsrelaties.
• Een Ensemble Model dat LR en SVR combineert (via gewogen middeling en stacking) om zowel lineaire als niet-lineaire voorspellende capaciteiten te benutten.
• Interpreteerbaarheid: SHapley Additive exPlanations (SHAP) werden gebruikt om de belangrijkheid van kenmerken toe te schrijven, wat ervoor zorgt dat de voorspellingen van het model mechanistisch interpreteerbaar zijn.

Belangrijkste Resultaten

• Mechanische Prestaties: De dual-phase functionalisatie (CBREC) leverde de meest significante verbeteringen op. Vergeleken met de controle (BEC) vertoonde de CBREC-composiet een toename van 23,45% in treksterkte, een toename van 60% in compressiekracht (van 200 MPa naar 320 MPa), en verbeterde interlaminair afschuiving en breuktaaiheid. Deze verbeteringen worden toegeschreven aan synergetische spanningsverdeling, verbeterde interfacebinding en verhoogde matrixstijfheid.
• Schadeontwikkeling: Progressieve schadeanalyse toonde aan dat de CBREC-configuratie de initiatie van schade vertraagt en een stabiele lastherverdeling bevordert, waardoor voortijdige faalmodi gerelateerd aan vezelkinking en delaminatie effectief worden gemitigeerd.
• Machine Learning Prestaties: Het ensemble model bereikte een determinatiecoëfficiënt ($R^2$) van 0,973 bij het voorspellen van kritieke buckling-belastingen, waarmee het individuele modellen aanzienlijk overtrof. SHAP-analyse identificeerde laminaatlengte en -breedte als de dominante parameters die de weerstand tegen buckling bepalen.
• Efficiëntie: Het ML-surrogaatmodel verving succesvol repetitieve FEA-simulaties, wat snelle voorspelling en optimalisatie van de buckling-prestaties over de ontwerpparameterruimte mogelijk maakte.

Significantie en Claims
De auteurs beweren dat dit werk de eerste uitgebreide experimentele-computationele onderzoek is die aantoont hoe dual-phase rGO-functionalisatie de niet-lineaire buckling-respons en het progressieve schadegedrag van basaltvezelversterkte composieten verbetert. De studie legt een direct, traceerbaar verband tussen materiaalmodificatie (nanoschaal), structurele respons (macroschaal) en datagestuurde optimalisatie.

De significantie van het voorgestelde kader ligt in het vermogen om:

1. De trade-off tussen interfacebinding en matrixtaaiheid op te lossen door middel van een synergetische dual-phase benadering.
2. Een fysisch consistente koppeling over schalen te bieden, waarbij nanoscale interfaceverbeteringen worden vertaald naar macrostructurele stabiliteitsvoorspellingen.
3. Een efficiënt pad te bieden voor het ontwerp van lichtgewicht, damptolerante composietstructuren door hoogwaardige physics-gebaseerde modellering te integreren met interpreteerbare machine learning, wat snelle ontwerpexploratie faciliteert zonder de prohibitieve computationele kosten van volledige FEA voor elke iteratie.