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

技术摘要：用于预测石墨烯增强玄武岩/环氧树脂复合材料失稳性能与损伤演化的物理启发式机器学习

问题陈述
玄武岩纤维增强聚合物复合材料（BFRCs）为轻量化结构应用提供了一种可持续、高强度的替代方案。然而，其在先进工程领域的应用受到纤维-基体界面粘附力弱、损伤过早萌生以及压缩稳定性有限的制约。具体而言，玄武岩复合材料在压缩载荷下常遭受微屈曲和纤维失稳，从而导致分层并降低损伤容限。虽然纳米材料功能化（特别是还原氧化石墨烯，rGO）在增强基体刚度和界面结合方面已显示出潜力，但现有的研究通常孤立地处理这些改进——要么修改基体，要么涂覆纤维。目前缺乏能够同时探索双相功能化，并将这些纳米级增强效果转化为宏观结构稳定性（特别是在非线性屈曲和渐进损伤条件下）的集成框架。此外，传统的设计优化依赖于计算成本极高的有限元分析（FEA），使得探索庞大的设计空间（几何参数和铺层顺序）变得不切实际。

方法论
本研究提出了一种结合双相 rGO 功能化、多尺度建模和物理启发式机器学习（ML）的集成实验-计算框架。

1. 材料制备与表征：
   采用真空辅助树脂传递模塑（VARTM）技术制备了四种复合材料体系：

• BEC： 玄武岩/环pox（对照组）。
• BREC： rGO 改性环氧树脂基体（0.75 wt.% rGO）。
• CBEC： rGO 包覆玄武岩纤维（通过电泳沉积实现 0.3 wt.% rGO）。
• CBREC： 具有 rGO 改性基体和包覆纤维的混合系统。
  根据 ASTM 标准对机械性能（拉伸、压缩、层间剪切和断裂韧性）进行了表征，以确定最优配置。

2. 多尺度建模：

• 微观力学： 采用代表性体积单元（RVE）方法在 ANSYS 2024 R1 中进行，以均质化复合材料的有效正交各向异性属性，并考虑纳米级增强效应。
• 宏观尺度有限元分析（FEM）： 使用 SHELL181 单元进行非线性有限元分析，以模拟屈曲行为。该模型结合了几何非线性，并基于 Hashin 失效准则耦合连续介质损伤力学（CDM）进行渐进损伤演化分析。
• 数据集生成： 通过改变几何参数（长度、宽度、厚度）和铺层顺序，生成了一个包含 12,852 种层合板配置的综合数据集。

3. 物理启发式机器学习：
   为了克服迭代 FEA 的计算成本，利用 FEM 生成的数据集开发了 ML 代理模型。评估了三种模型：

• 用于捕捉全局线性趋势的线性回归（LR）。
• 用于捕捉非线性刚度-失稳关系的支持向量回归（SVR）。
• 一种通过加权平均和堆叠方式结合 LR 和 SVR 的集成模型，以利用其线性与非线性的预测能力。
• 可解释性： 使用 SHapley Additive exPlanations (SHAP) 进行特征重要性归因，确保模型的预测具有机械可解释性。

关键结果

• 机械性能： 双相功能化（CBREC）产生了最显著的提升。与对照组（BEC）相比，CBREC 复合材料的拉伸强度提高了 23.45%，压缩强度提高了 60%（从 200 MPa 增至 320 MPa），并增强了层间剪切和断裂韧性。这些改进归功于协同应力分布、改善的界面结合以及增加的基体刚度。
• 损伤演化： 渐进损伤分析表明，CBREC 配置延迟了损伤萌生并促进了稳定的载荷重新分布，有效地缓解了与纤维皱褶和分层相关的过早失效模式。
• 机器学习性能： 集成模型在预测临界屈曲载荷方面的决定系数（$R^2$）达到了 0.973，显著优于单个模型。SHAP 分析确定层合板长度和宽度是控制屈曲抗力的主导参数。
• 效率： ML 代理模型成功取代了重复性的 FEA 模拟，实现了在设计空间内快速预测和优化屈曲性能。

意义与主张
作者声称，这项工作代表了首次通过实验-计算综合调查，证明了双相 rGO 功能化在增强玄武岩纤维增强复合材料非线性屈曲响应和渐进损伤行为方面的作用。该研究建立了材料改性（纳米级）、结构响应（宏观级）与数据驱动优化之间直接且可追溯的联系。

所提框架的意义在于其能力：

1. 通过协同双相方法解决界面结合与基体韧性之间的权衡问题。
2. 提供一个物理一致的跨尺度链路，将纳米级界面增强转化为宏观结构稳定性预测。
3. 通过将高保真物理模型与可解释机器学习相结合，为设计轻量化、高损伤容限的复合材料结构提供高效途径，从而在无需为每次迭代进行大规模 FEA 的情况下，实现快速的设计探索。