机器学习与数字孪生集成用于湿热条件下碳纤维增强复合材料/铝胶粘接头强度预测

摘要整理

本研究探讨了机器学习模型与数字孪生（DT）框架集成应用于预测碳纤维增强复合材料（CFRP）与铝胶粘接头在湿热老化条件下性能的方法。通过结合实验方法与机器学习技术，旨在弥合自然老化与加速老化对胶粘接头影响的差异。接头经制造后进行1~3年自然老化，加速老化条件下样品暴露于湿热环境4~50天。采用三点弯曲试验评估接头性能。为利用加速老化数据评估自然老化周期，采用了五种机器学习算法：支持向量回归（SVR）、人工神经网络（ANN）、线性回归、随机森林回归（RF）和XGBoost。扫描电子显微镜（SEM）分析表明，水分吸收导致铝粘接面表面形貌发生显著变化，包括粗糙度增加和晶体析出。结果表明XGBoost模型提供了几乎完美的预测效果，所有迭代中均方误差（MSE）均为0，突出了其准确性和可靠性。相比之下，SVR和线性回归模型准确度较低，预测结果存在明显差异。数字孪生与机器学习方法的集成被证明是实现模型实时自适应和准确性能预测的最有效方法，增强了复合材料结构的耐久性和可靠性。

相关论文