一、導讀

碳纖維增強聚合物（CFRP）復合材料以其卓越的強重比和機械性能，在各類工程領域中得到了廣泛應用。然而，由于CFRP具有多相特性和復雜的微觀結構相互作用，精確預測其中的裂紋擴展路徑依然是一個充滿挑戰的任務。盡管有限元模擬在模擬CFRP裂紋行為方面表現出色，但它們通常需要大量計算資源和較長的運行時間，這限制了其在高計算需求應用中的可行性。因此，如何在保持高預測精度的同時顯著降低計算成本，成為當前研究的一個關鍵方向。

近日，同濟大學復合材料結構件設計與制造教育部重點實驗室提出了一種全新的多模態融合深度學習方法。該方法基于端到端的編碼器-解碼器架構，將裂紋預測問題轉化為像素級二分類任務，實現了僅通過CFRP的微觀結構和損傷早期的應力場圖像即可精準預測最終裂紋路徑，為復合材料的裂紋預測提供了一種全新的解決方案。文章發表于國際知名期刊《Composites Science and Technology》，論文標題為“Multimodal Data Fusion Enhanced Deep Learning Prediction of Crack Path Segmentation in CFRP Composites”。

二、內容簡介

該研究聚焦于碳纖維增強復合材料的裂紋路徑預測。利用Abaqus軟件對二維CFRP代表性單元進行了模擬，采用底部固定、上端施加位移荷載的方式，模擬了導致材料失效的橫向貫穿裂紋。在加載過程中，記錄了裂紋萌生前的應力場圖像以及最終形成的裂紋路徑圖像。為解決裂紋與非裂紋區域像素不平衡的問題，研究還通過局部放大裂紋區域的方法對掩碼圖進行了處理。圖1展示了整個數據集準備及預處理的流程。

圖 1. 用于深度學習訓練的數據集的準備流程。

研究團隊提出了一種端到端的深度學習框架，如圖2所示。該方法受語義分割模型的啟發，采用EfficientNet分別對微觀結構圖像和裂紋萌生前的應力場圖像進行特征提取，通過融合模塊將這兩種模態的高維特征進行整合。隨后，利用解碼器生成裂紋路徑的分割結果。此外，特征融合模塊中引入了自注意力機制，能夠在訓練過程中動態調整不同特征的權重分配。鑒于先驗知識無法確定哪些特征對裂紋路徑預測更為關鍵，這種自適應權重分配機制有助于模型自主學習最優的特征組合，從而提高預測的準確性和魯棒性。

圖 2. 用于裂紋路徑預測的深度學習模型的架構。

圖3展示了模型對不同代表性體積單元（RVE）預測結果的示例，每個RVE均具有獨特的隨機分布纖維結構。圖中呈現了應力場分布以及經過100個訓練周期后模型生成的裂紋路徑。結果表明，模型能夠有效預測裂紋的起始和擴展，成功捕捉到復合材料內部復雜的損傷模式。展示的結果包括位于上、中、下區域的主要裂紋路徑，顯示出模型在不同位置的裂紋路徑上均有出色的識別能力。相比之下，有限元模擬每次預測需耗時數十分鐘，而經過訓練的模型僅需0.2秒即可完成預測，在保持較高精度的同時，大幅提高了效率。

圖 3. 部分預測結果與仿真結果對比。

此外，圖4展示了融合模態與單一模態特征預測結果的對比。與僅使用單一模態特征相比，特征融合技術能顯著提升預測的準確性和細節捕捉能力。多模態特征融合不僅能更精確地識別裂紋的長度和斷裂模式，還能有效捕獲單一模態特征容易忽略的細微裂紋和關鍵損傷點。

圖 4. 融合模態與單一模態特征預測結果的對比。

三、小結

該研究提出了一種端到端的深度學習架構，該架構結合多模態數據融合和自注意力機制，采用受語義分割啟發的圖像分割技術，將裂紋預測問題轉化為像素級二分類問題。該方法僅利用微觀結構信息和裂紋起始前的初始應力場，即可高效率準確預測CFRP復合材料中的最終裂紋路徑，為復合材料的裂紋預測提供了一種新的高效解決方案。

原始文獻：

Zhang, P., Tang, K., Chen, G., Li, J., & Li, Y. (2024). Multimodal Data Fusion Enhanced Deep Learning Prediction of Crack Path Segmentation in CFRP Composites. Composites Science and Technology, 257, 110812.

原文鏈接：

https://doi.org/10.1016/j.compscitech.2024.110812