本文档属于类型a，即报告了一项原创性研究。以下是该研究的学术报告：
主要作者及机构
本研究的作者为Somnath Ghosh、Saikat Dan和Preetam Tarafder，来自美国约翰霍普金斯大学（Johns Hopkins University）的土木与系统工程系。该研究于2025年发表在《Scientific Reports》期刊上。
学术背景
本研究的主要科学领域为多尺度建模和损伤传感数字孪生（Digital Twin, DT），特别关注压电复合材料结构中的损伤检测。压电复合材料因其优异的力学和电学性能，广泛应用于航空航天、传感和能量收集等领域。然而，这些材料在恶劣环境下容易发生微观损伤，如界面剥离和基体开裂，最终可能导致结构失效。传统的无损检测（NDT）方法缺乏实时监测能力，通常只能在事后进行分析，无法有效预测损伤的演化。因此，本研究旨在开发一种基于机器学习的多尺度建模平台，用于压电复合材料结构的损伤传感数字孪生，以实时预测损伤的演化。
研究流程
本研究分为两个主要步骤，具体流程如下：
第一步：多尺度多物理场建模
- 微观结构表征：首先，研究团队构建了压电复合材料的微观结构模型，包括随机分布的压电纤维和被动环氧基体。通过微观力学模拟，生成了微观电机械响应数据库（MRDB），用于后续的多尺度建模。
- 参数化升级耦合损伤力学模型（PUCCDM）：基于微观结构表征，研究团队开发了参数化升级耦合损伤力学模型（PUCCDM），该模型将微观结构形态和机制纳入宏观本构关系中。PUCCDM模型的参数通过人工神经网络（ANN）从微观电机械数据中推导得出，这些参数是代表性微观结构参数（RAMPs）的函数。
- 多尺度电机械模拟：利用PUCCDM模型，研究团队对压电复合材料试件进行了多尺度电机械模拟，模拟了损伤、变形和电场在试件中的演化过程。
第二步：基于机器学习的损伤传感数字孪生
- 卷积长短期记忆网络（ConvLSTM）：研究团队开发了基于卷积长短期记忆网络（ConvLSTM）的损伤传感数字孪生，用于从有限的表面传感器电信号中预测结构内部的损伤演化。ConvLSTM网络结合了卷积神经网络（CNN）和长短期记忆网络（LSTM），能够处理时空相关的数据。
- 训练与验证：研究团队通过500个压电复合材料面板的有限元模拟生成了训练和验证数据集，利用ConvLSTM网络进行训练和验证，最终实现了对损伤演化的准确预测。
主要结果
- 微观损伤演化：微观力学模拟结果显示，损伤首先在纤维-基体界面处发生剥离，随后在基体中扩展，最终形成主导裂纹路径，导致微观结构的快速退化。
- 宏观损伤预测：PUCCDM模型的模拟结果表明，纤维体积分数对宏观电机械响应有显著影响，而纤维空间分布在损伤发生后对响应的影响更为显著。
- 数字孪生预测：ConvLSTM网络能够准确预测压电复合材料结构内部的损伤演化，验证了该方法的有效性。
结论
本研究成功开发了一种基于机器学习的多尺度建模平台，用于压电复合材料结构的损伤传感数字孪生。该平台能够实时预测损伤的演化，为航空航天等领域的结构健康监测提供了新的解决方案。
研究亮点
- 新颖的多尺度建模方法：本研究首次将参数化升级耦合损伤力学模型（PUCCDM）与机器学习工具结合，实现了对压电复合材料损伤演化的多尺度预测。
- 高效的损伤传感数字孪生：基于ConvLSTM网络的损伤传感数字孪生能够从有限的表面传感器电信号中准确预测结构内部的损伤演化，具有较高的应用价值。
其他有价值的内容
本研究还探讨了不同纤维形状和尺寸对微观和宏观响应的影响，为未来研究提供了新的方向。