精炼解读：机器学习在航空航天复合材料结构分析与设计中的应用

作者单位：南京航空航天大学

DOI: https://doi.org/10.1016/j.tws.2025.113914

摘要核心要点

本文系统评述了机器学习（ML）在航空航天复合材料（层压板/编织复合材料）领域的应用进展，涵盖力学性能预测、损伤失效分析、疲劳建模、结构优化及不确定性量化五大方向。ML通过构建高效代理模型，解决了传统方法（如有限元分析）在计算成本、非线性问题及多尺度建模中的瓶颈，显著提升设计效率。

1. 复合材料基础与ML算法框架

1.1 复合材料分类

• • 树脂基复合材料：线性力学性能，制造工艺成熟（如飞机蒙皮）。
• • 陶瓷基复合材料：高温性能优异，适用发动机极端环境（如SiC/SiC）。
• • 层压复合材料：可调铺层角度，设计灵活性高。

• • 编织复合材料：抗冲击性强，纺织构型可调。
  

1.2 ML算法体系

算法类型	代表方法	适用场景
监督学习	ANN, CNN, SVM, RF	力学性能回归、损伤分类
无监督学习	PCA, K-means, 自编码器	数据降维、损伤聚类
半监督学习	变分自编码器（VAE）	小样本训练
强化学习	Q-learning	控制优化（航空航天应用少）
生成对抗网络	GAN	微结构生成、铺层序列优化

1.3 物理信息驱动ML（PIML）

• • 原理：将物理约束（如能量守恒）嵌入损失函数。
• 

• • 优势：
• • 数据不足时提升泛化能力（如仅需200样本预测层压板弹性参数）。
• • 避免违反物理机制（如正定刚度矩阵约束）。
  

2. 力学性能预测

2.1 结构化参数驱动的预测

2.2 图像驱动的预测

• • 方法：PCA降维 + CNN/U-Net。
• 

• • 应用：
• • 微结构应力分布预测（Bhaduri等）：误差 < 4.74%。
• • 编织构型编码（Hsu等）：二进制矩阵表征织法

2.3 关键挑战与策略

• • 小样本学习：迁移学习（如Xu等减少50%数据需求）。
• • 3D结构建模：CT图像分割（FCN/DCNN，误差 < 5%）。

3. 损伤与失效分析

3.1 失效模型

• • 准则构建：稀疏回归（Tao等）优于传统Hashin准则。
• 

• • 多模式分类：CNN识别声发射信号，准确率 > 92.7%（Barile等）。
• 

3.2 冲击损伤评估

4. 疲劳问题建模

核心挑战：疲劳分散性难量化，需发展概率ML模型。

5. 结构优化与制造控制

5.1 结构优化

• • 传统算法结合：ANN + 遗传算法优化铺层序列（Wang等），减重18%。
• • 生成式设计：GAN生成铺层方案（Qiu等），满足多目标约束。
• 
  

5.2 制造工艺优化

• • 固化工艺：RBF神经网络预测温度场，NSGA-II多目标优化（Hou等）。
• • 缺陷控制：CNN检测预成型褶皱（准确率76%，Djavadifar等）。
• • 变形预测：小样本GPR模型（4个实验标定）。
• 

6. 不确定性量化（UQ）

7. 总结与未来方向

现有成果

• • 高效代理模型：RF/ANN在力学预测中  ，计算加速   倍。
• • 跨尺度融合：物理信息ML破解小样本难题，图像驱动模型替代微观仿真。

挑战与展望