織物層壓復合材料在安全防護和監控領域應用廣泛，其沖擊行為預測對于提升安全性至關重要。該研究致力于構建機器學習模型，以預測碳纖維和凱夫拉纖維等織物層壓復合材料的沖擊行為。研究人員進行了具有不同參數的低速沖擊試驗，并利用沖擊能量和層壓板厚度等信息對機器學習模型進行訓練，以預測沖擊力、位移和吸收能量等沖擊特性。

實驗結果表明，碳纖維層壓纖維的沖擊力提升了 118.5%，凱夫拉纖維層壓纖維的沖擊力提升了 175.8%，而混合層壓板在 16J 沖擊下的沖擊力提升了 101.4%。位移對層狀結構的穩定性影響較大，混合層壓結構比具有相同堆疊序列的結構更穩定。在吸收能量方面，隨著層壓板層數的增加，碳纖維層壓板吸收的能量增加了 4.8 倍，凱夫拉纖維和混合層壓結構在更高沖擊能量下吸收的能量增加了 3 倍。

為了進一步研究織物層壓復合材料的沖擊行為，研究使用了四種機器學習模型，包括線性回歸、多項式回歸、支持向量機和多層感知器。實驗結果表明，多項式回歸模型在預測沖擊力和位移方面表現出更高的準確率，分別達到了 80% 和 89%。支持向量機在預測吸收能量方面表現出色，準確率約為 96%。實驗結果與其他研究中使用的機器學習模型做出的預測高度吻合。

此外，研究還使用特征重要性轉置和依賴圖等方法，分析了不同特征對機器學習模型性能的影響，并確定了織物層壓復合材料中的多種失效模式，為提升堆疊纖維材料的性能提供了重要參考。

一、引言

纖維層合復合材料因其輕質、高比強度和高比剛度等優點，在安全監控領域得到廣泛應用。碳纖維和凱夫拉纖維是兩種常用的增強材料，可用于制造防彈衣、運動安全裝備、頭盔和屏蔽材料等。然而，層合復合材料易受到沖擊損傷，因此研究其抗沖擊性能對于提高其性能和耐久性至關重要。層合復合材料的沖擊行為的相關研究取得了進展，但仍有一些問題尚未解決，例如層結構、厚度和混合配置等因素對沖擊行為的影響。此外，實驗測試通常需要大量時間和資源，因此需要開發更有效的方法來預測層合復合材料的沖擊行為。

近日，《Results in Engineering》期刊發表了一篇由韓國漢陽大學和延世大學的研究團隊完成的基于機器學習的纖維層合復合材料沖擊行為評估的研究成果。該研究利用機器學習方法預測纖維層合復合材料在低速沖擊下的行為，并評估不同層合結構、厚度和混合配置對沖擊性能的影響，有助于深入了解層合復合材料的沖擊行為，并為開發高性能復合材料提供理論指導。論文標題為“Machine learning approach to evaluating impact behavior in fabric-laminated composite materials”。

二、 研究內容

該研究采用商業化碳纖維和凱夫拉纖維，通過手工鋪層和環氧樹脂固化工藝制備了碳纖維、凱夫拉纖維和混合纖維（碳/凱夫拉）層壓板。使用落錘沖擊試驗機和圓錐形沖擊頭對制備的層壓板進行低速沖擊試驗，并記錄了不同沖擊能量下的沖擊力、位移和吸收能量等數據。

圖1.三種纖維層合復合材料：(a) 碳纖維層合復合材料，(b) 凱夫拉纖維層合復合材料，(c) 混合纖維層合復合材料。

研究使用四種機器學習模型（線性回歸、多項式回歸、支持向量機和多層感知器）來預測沖擊行為，使用收集到的數據進行模型訓練和測試，并使用決定系數（R-squared）、均方誤差（MSE）和平均絕對誤差（MAE）等指標評估模型的性能。

圖2.四種不同的機器學習算法的示意圖：(a) 線性回歸，(b) 多項式回歸，(c) 支持向量機 (SVM)，(d) 多層感知器 (人工神經網絡)。

圖3.機器學習流程

結果表明，多項式回歸模型在預測沖擊力方面表現最佳，支持向量機模型在預測位移方面表現最佳，而支持向量機模型和多項式回歸模型在預測吸收能量方面表現相當。

此外，該研究還使用特征重要性和部分依賴性分析來解釋模型的影響因素，并探討了不同堆疊順序對層壓板沖擊行為的影響。該研究結果表明，機器學習技術可以有效地預測織物層壓復合材料的低速沖擊行為。

該研究表明，碳纖維和凱夫拉纖維層壓板的沖擊力隨著沖擊能量的增加而顯著增加，而混合纖維層壓板的沖擊力則有所降低?；旌侠w維層壓板的位移小于純纖維層壓板，這可能是因為混合纖維層壓板內部各層之間存在一定的滑動，從而抵抗了沖擊力造成的位移。碳纖維和凱夫拉纖維層壓板的吸收能量隨著層壓板厚度的增加而顯著增加，而混合纖維層壓板的吸收能量則略有增加。

圖 4.纖維層合復合材料中出現的不同失效模式。

三、小結

該研究利用機器學習方法成功地預測了纖維層合復合材料在低速沖擊下的行為，并評估了不同層合結構、厚度和混合配置對沖擊性能的影響。該研究結果表明，機器學習模型可以有效地預測層合復合材料的沖擊行為，并識別不同的失效模式。該研究成果對于開發高性能復合材料和設計安全可靠的防護裝備具有重要意義。

原始文獻：

Shivashankar Hiremath, Yu Zhang, Lu Zhang, Tae-Won Kim. Machine learning approach to evaluating impact behavior in fabric-laminated composite materials. Results in Engineering, 2024, 23, 102576.

原文鏈接：

https://doi.org/10.1016/j.rineng.2024.102576