基于低应力循环电学行为的复合材料剩余强度AI诊断方法

摘要：纤维增强复合材料广泛应用于风力涡轮叶片、汽车和航空器等动态结构，其疲劳载荷下的耐久性评估具有挑战性。复合材料疲劳损伤是一个复杂的多阶段过程，涉及基体开裂、纤维断裂、分层和纤维/基体脱粘等机制，伴随疲劳累积材料的剩余静态强度（残余强度）逐渐降低直至失效。传统模型

一、引言

纤维增强复合材料广泛应用于风力涡轮叶片、汽车和航空器等动态结构，其疲劳载荷下的耐久性评估具有挑战性。复合材料疲劳损伤是一个复杂的多阶段过程，涉及基体开裂、纤维断裂、分层和纤维/基体脱粘等机制，伴随疲劳累积材料的剩余静态强度（残余强度）逐渐降低直至失效。传统模型可预测平均残余强度但无法针对单个样本提供独特预测，因其忽略了个体缺陷的随机性。现有损伤检测方法主要包括结构健康监测（Structural Health Monitoring，SHM）和非破坏性测试（Non-Destructive Testing，NDT）：结构健康监测依赖持续监测导致成本高且可能增加结构重量；非破坏性测试通过可控诊断检测损伤但需结合有效传感技术。近年来基于压阻效应的电学行为监测技术因实时性、易实施性备受关注，然而该技术在非破坏性测试中预测未知疲劳损伤历史样本残余强度的应用迄今未见报道。

近日，Composites Science and Technology 期刊发表了一篇由加拿大康考迪亚大学复合材料中心（CONCOM）和高效能聚合物与复合材料系统研究中心（CREPEC）的研究团队完成的有关复合材料剩余强度预测的研究成果。该研究提出了一种基于低应力循环电学行为与机器学习集成的非破坏性测试方法，有效克服了传统模型无法针对个体样本预测的局限性。论文标题为“AI-driven residual strength diagnostics of composites using their electrical behavior under low-stress cyclic loading”。

二、实验方法与数据采集

研究人员使用平纹玻璃纤维织物（7.5 oz/yd²）和环氧树脂（Hexion Epon 862）基体，通过三辊研磨机将单壁碳纳米管（SWCNT，0.1%重量分数）均匀分散于树脂中制备导电复合材料；层压板经真空袋压和热压罐固化后切割成一维试样（厚度1.44±0.05 mm，纤维体积分数59.8%）。

实验包含三个阶段：疲劳损伤引入阶段将95个样本分为5组施加不同疲劳载荷，部分样本保持未损伤；诊断测试阶段对样本施加5000次低应力循环载荷（最大应力15%名义强度）并监测电学响应；剩余强度测量阶段通过准静态拉伸至失效测定剩余强度。

验证实验显示诊断测试对样本强度影响可忽略，差异小于1%。

图1 制造过程概述：(a) 使用三辊研磨工艺将碳纳米管分散到树脂中；(b) 进行铺层；(c) 将组件真空袋封装；(d) 在高压釜中固化层压板；(e) 将玻璃环氧片材粘接到板上；(f) 从复合材料板中提取一维试样；(g) 使用模板和银膏环氧树脂粘接探头；(h) 在烤箱中固化银膏环氧树脂

图2 (a) 在低应力循环加载测试（诊断测试）中测量电阻的测试装置； (b) 使用四探针法测量样品同一表面和对面表面电阻的示意图

图3 (a) 针对不同加载条件（如表格 1 所示）的试样的剩余强度； ( b) 95 个测试试样的剩余强度分布

三、数据处理与残余强度预测

文章采用K近邻（KNN）、决策树（DT）、随机森林（RF）、支持向量回归（SVR）等机器学习算法并引入堆叠集成学习框架，经前向特征选择优化特征集确定ΔER_T（100%）为关键特征。

基于交叉验证，堆叠模型（KNN元模型集成DT、SVR和KNN基模型）表现最佳，测试集平均绝对百分比误差（MAPE）为5.7%。结果显示，对侧表面电学响应的测量更敏感，因其对分层等损伤模式捕捉更优。

图4 提出的堆叠集成学习方法的示意图

图5 在测试集中预测未见过的样本的剩余强度时，所实施模型的性能

四、结果与讨论

增加诊断测试循环次数（1000至5000次）可提升预测精度，需平衡测试时间与成本；堆叠模型测试集平均绝对百分比误差（MAPE）5.7%、最大误差8.8%，显著优于单一模型。

图6 在诊断测试期间，相对于初始加载峰值处的电阻的电阻变化，以及相应的剩余强度。当通过以下方式测量电阻时：(a) 同一表面；(b) 对面表面

该研究提出基于低应力循环电学行为的非破坏性诊断方法，结合机器学习技术有效预测未知疲劳损伤历史的复合材料剩余强度；经95个样本验证，堆叠集成模型达到5.7%的平均绝对百分比误差（MAPE）展现高精度与稳定性，为复合材料健康监测提供了高效低成本新途径。

原始文献：

Ebrahimi, A., Shadmehri, F., & Van Hoa, S. (2025). AI-driven residual strength diagnostics of composites using their electrical behavior under low-stress cyclic loading. *Composites Science and Technology, 265*, 111133.

原文链接：