AI+复合材料（3）：采用机器学习预测3D打印纤维增强复合材料的弹性性能《CST》

采用机器学习方法预测3D打印纤维增强复合材料的弹性性能

短纤维增强聚合物(Short-fiber reinforced polymers，SFRP)具有易加工的特点，被广泛应用于材料挤压增材制造(Material Extrusion Additive Manufacturing，MEAM)和注射成型等复合材料制造工艺中。

对于短纤维增强复合材料增材制造而言，发展其数字化孪生模型需要广泛的材料表征，对于各向异性材料力学性能表征涉及大量的试样制备和测试。尤其是对于细观力学分析模型，除了需要知道纤维、基体等组分材料的性能之外，还需要测量短切纤维的取向状态。常规通过试验测量纤维取向状态是异常繁琐和耗时的，光学方法仅限于解析圆柱形纤维或非圆柱形纤维簇的取向，而计算机断层扫描(CT)方法可扫描范围有限。

鉴于此，普渡大学的研究人员提出了一种基于机器学习的加速方法来预测各向异性材料的力学性能。该项研究工作致力于通过最少的实验测试同时测定短纤维增强聚合物复合材料的弹性常数和纤维取向状态。可以通过复合材料试片拉伸测试来反向确定纤维取向状态和原位聚合物性能。结果表明，只要进行三次拉伸试验，就可以推断纤维的取向和复合材料的性能。选择细观力学模型和可靠的实验组合可以得到9个弹性常数以及纤维的取向状态。

文章发表在复合材料领域顶刊《Composites Science and Technology》中，论文标题为“A machine learning approach to determine the elastic properties of printed fiber-reinforced polymers”。

拉伸试样的制备

拉伸试样尺寸及DIC检测区域

1向、2向、3向弹性模数的实验测量值

预测值与试验平均值的对比

原始文献：

Akshay J. Thomas, Eduardo Barocio, R. Byron Pipes, A machine learning approach to determine the elastic properties of printed fiber-reinforced polymers, Composites Science and Technology, Volume 220, 2022, 109293, ISSN 0266-3538, https://doi.org/10.1016/j.compscitech.2022.109293.

原文链接：

https://www.sciencedirect.com/science/article/abs/pii/S0266353822000355?via%3Dihub

专注于复合材料力学领域的知识创作与分享，国内复合材料领域颇具影响力的技术交流平台之一，第一时间更新复合材料方向前沿技术，所发布的前沿资讯、仿真案例、技术方法、代码插件助力了无数学子专业素养和专业技能的提升，深受广大学生群体及青年科技工作者喜爱。“聚焦前沿，引领未来”，复合材料力学公众平台期待您的关注！