机器学习驱动的间断纤维和连续纤维复合材料工艺优化：综述

摘要整理

本文综述了机器学习在纤维复合材料制造中的应用，重点阐述其在自适应工艺控制、缺陷检测和实时质量保证中的作用。首先阐明了机器学习在复合材料加工中的必要性，随后综述了数据驱动方法——包括预测建模、传感器融合和自适应控制——这些方法有效应对了材料非均质性和工艺变异性问题。深入分析了六个典型案例：基于XPBD的代理模型用于强化学习驱动的机器人铺放、高光谱成像（HSI）结合U-Net分割用于粘接性预测，以及CNN驱动的代理优化用于变几何成形。基于这些研究成果，提出了一种用于天然纤维复合材料的混合人工智能模型架构，集成了物理信息图神经网络（GNN）代理、三维光谱U-Net缺陷分割模块和交叉注意力控制器用于闭环参数调节。在合成数据上的验证——包括HSI分割可视化、图拓扑结构和控制器动作权重的展示——证明了端到端的可操作性。讨论部分涉及可解释性、域随机化和仿真到实际的迁移，并突出了物理信息神经网络和数字孪生等新兴趋势。最后总结了小数据制度和工业可扩展性方面的未来挑战，为机器学习赋能的复合材料制造提供了全面的发展路线图。

相关论文