利用3D卷积神经网络优化双相复合材料抗冲击性能

在航空航天和交通领域，结构材料常同时面临高速冲击（如鸟撞、碎片撞击）与剧烈温升的考验。传统复合材料虽具高比强度与能量吸收能力，但在超过10^3 s⁻¹的高应变率下，应力波传递与局部温升会引发强烈的非线性变形与应力/应变局域化，甚至导致失效。此外，含软相的体系在分离式霍普金森压杆（SHPB）测试中，由于波阻抗下降与惯性影响，难以达到应力平衡，影响动态力学性能的准确表征。多尺度仿真虽然能还原不同载荷下的力学行为，但计算代价高，难以用于材料的逆向设计。因此，需要一种能快速、精确地将微观结构与动态响应关联并实现目标导向逆向设计的方法。

针对这些问题，中国科学技术大学的研究团队提出了一个基于三维卷积神经网络（3D-CNN）的机器学习框架，融合SHPB动态实验与有限元（FE）模拟数据，实现双相复合材料微观结构到动态力学性能的高精度预测与逆向优化。通过该框架，优化后的微观结构将动态应力均匀性从21.54%提升到97.45%；在相同硬相体积分数下，动态承载能力比随机设计提升约22%至57%。研究还引入热传导模块，通过缓解绝热温升导致的局部剪切失效，实现冲击抗性与热管理的协同优化。

在样本制备上，团队用刚性光聚合物（硬相）与橡胶状光聚合物（软相）作为两种相块，在三维空间交替排列。每个材料单元由3×3×3共27个体素构成，整体包含125个这样的单元，组合成边长7.5 mm、15×15×15体素的立方体，共3375个体素。用二值矩阵对体素化结构编码（硬相=1，软相=0），作为机器学习输入。为了生成无偏的空间排列，采用Knuth洗牌算法，并以4%为步长调节硬相体积分数φ。所有随机生成的构型先通过有限元分析在动态载荷下得到应变—时间曲线，进而导出动态应力—应变曲线，从中提取峰值应力、应变能密度等关键指标，构成训练标签。 龙8头号玩家

所设计的3D-CNN包含两层三维卷积、两层池化和一层全连接层。输入为15×15×15的体素数组，每个材料单元内部以3×3×3张量表示。卷积核尺寸为3×3×3，第一卷积层采用32个滤波器，第二层为64个；池化层使用2×2×2的最大池化（步长为2）。为加速训练并提升泛化能力，网络加入了批归一化层，激活函数选用ReLU以防止梯度消失。该网络在空间特征提取与计算效率之间取得了平衡，能够从体素化的软—硬相排布中直接预测微观结构依赖的动态响应。

为验证模型性能，团队对若干规则微观结构的3D打印试样进行了SHPB冲击试验（冲击速度10 m/s）。实验结果显示：在相同硬相体积分数下、垂直于冲击方向的对称排布表现出最高的峰值应力，而另一类结构则呈现最低峰值，应力更均匀的对称布局有助于缓解动态载荷下的应力非均匀性。当硬相与冲击方向平行分布时，增加硬相比例显著提升复合材料的应力响应与抗冲击性能。进一步研究表明，层次对称性与材料混合方式协同调控动态力学行为，在一系列对称构型中存在强度优越的模式，这些规律为后续通过机器学习进行应力均匀性与承载能力的逆向优化提供了重要指导。

机器学习流程中，有限元生成的大规模样本被划分为训练集、验证集和测试集；训练完成后，模型可快速预测不同体素化构型的峰值应力与应变能密度，进而在设计空间中进行逆向搜索以识别最优微观结构。结合热传导模块的分析，优化设计不仅提升了动态力学性能，还能缓解绝热升温引起的局部失效，实现抗冲击性能与热管理能力的双重优化。 龙8头号玩家

总体而言，该研究展示了将高通量有限元仿真、实验验证与3D卷积神经网络结合用于双相复合材料设计的可行路线，显著加速了微观结构—动态响应的映射与逆向设计过程，为在高应变率环境下同时追求力学强度与热管理的复合材料开发提供了新的工具和思路。