基于细观力学建模与机器学习方法预测复合材料有效性能的综合研究报告
本研究由 Hisham Al-Hadidi（第一作者兼通讯作者，谢菲尔德大学，同时隶属于阿曼军事技术学院）、Ibrahim H. Abuzayed（谢菲尔德大学）、Chao Zhang（江苏大学）以及 Jose L. Curiel-Sosa（谢菲尔德大学）共同完成。研究成果以题为《Micromechanical modelling and machine learning approaches for predicting effective properties of composite materials》的论文形式，发表于期刊 Composite Structures 第375卷（2026年），文章识别号为119767。
一、 学术背景与研究目标 本研究属于复合材料力学与计算材料科学的交叉领域。复合材料因其优异的性能（如高比强度、高比刚度）在航空航天、汽车、建筑等关键领域得到广泛应用。然而，准确预测其宏观有效力学性能（如弹性模量、剪切模量、泊松比）一直是一个计算挑战。传统的预测方法主要依赖解析模型（如混合率（Rule of Mixtures, ROM）、Halpin-Tsai、Mori-Tanaka等）和基于代表性体积单元（Representative Volume Element, RVE）的有限元（Finite Element, FE）模拟。解析模型通常基于简化的假设（如纤维均匀分布、完美排列），难以捕捉真实复合材料微观结构的随机性和复杂性。而直接的FE模拟虽然精度高，但计算成本巨大，尤其是在需要进行大量参数化研究或优化设计时。
近年来，机器学习（Machine Learning, ML）为材料性能预测提供了新的范式，能够从数据中学习复杂的非线性关系，从而建立高效的代理模型（Surrogate Model）。然而，如何将高保真的细观力学模拟与高效的机器学习相结合，并进一步通过智能采样策略降低对大规模模拟数据的依赖，是一个前沿课题。
因此，本研究旨在：（1）开发一个集成了周期性边界条件（Periodic Boundary Conditions, PBC）的RVE细观力学建模框架，以生成高质量的训练数据；（2）系统评估多种机器学习模型（随机森林、梯度提升、支持向量回归机）在预测复合材料有效性能方面的表现，并确定最优模型；（3）首次在该领域引入结合主动学习（Active Learning）的代理建模框架，以在保证预测精度的同时，显著降低所需的计算成本；（4）将所提框架的预测结果与传统理论模型及实验数据进行综合验证。
二、 详细研究流程 本研究包含三个核心且环环相扣的流程：RVE生成与数据集构建、机器学习模型训练与评估、以及集成主动学习的代理模型开发与应用。
流程一：RVE生成与数据集构建 本研究的对象是单向碳纤维增强聚合物（UD-CFRP）复合材料。为了生成反映真实微观结构随机性的训练数据，研究采用了基于分子动力学（Molecular Dynamics, MD）原理的算法来生成RVE。该算法克服了传统随机顺序吸附（Random Sequential Adsorption, RSA）算法在纤维体积分数（Vf）较高时（约54.7%以上）遇到的“堵塞极限”问题。MD算法的核心步骤是：首先将纤维（视为圆盘）以零半径随机引入RVE区域，并赋予其随机初速度；随后，在纤维半径逐渐增大的过程中，允许纤维移动和碰撞；当纤维发生碰撞或与RVE边界相互作用时，根据预设的规则更新其速度，并应用周期性边界条件处理边界穿越问题；此过程持续进行，直至达到目标纤维体积分数（本研究涵盖30%至60%）。该方法能高效生成Vf高达80%的密集且无重叠的纤维分布，更接近真实情况。 利用生成的RVE，在商业有限元软件Abaqus中建立了三维细观力学模型。纤维（AS4碳纤维）被视为横观各向同性线弹性材料，基体（3501-6环氧树脂）为各向同性线弹性材料。为了模拟材料在宏观上的周期性，对RVE的所有边界施加了严格的周期性边界条件（PBC），确保位移场在相对边界上连续，从而使得这个微小的RVE能够代表无限大复合材料的一部分。通过施加不同的宏观应变载荷，进行了一系列线性弹性有限元模拟，以计算出复合材料的五个独立有效弹性常数：纵向杨氏模量（E11）、横向杨氏模量（E22）、面内剪切模量（G12）、横向剪切模量（G23）以及主泊松比（ν12）。研究共进行了50组模拟，变量为RVE尺寸（20至100微米）和纤维体积分数（30%至60%），由此构建了用于机器学习训练的数据集。
流程二：机器学习模型训练与评估 将上述有限元模拟获得的数据集（输入特征：RVE尺寸和Vf；输出目标：五个有效弹性属性）用于训练和评估三种经典的监督学习回归模型：随机森林回归器（Random Forest Regressor）、梯度提升回归器（Gradient Boosting Regressor）和支持向量回归机（Support Vector Regressor, SVR）。数据集被划分为训练集和测试集。模型性能通过均方误差（Mean Squared Error, MSE）和决定系数（R² Score）进行量化评估。 结果表明，随机森林模型表现最佳，其MSE最低（0.0019），R²分数最高（95.63%），显示出其卓越的捕获数据中复杂非线性关系的能力，且能有效防止过拟合。梯度提升模型次之（MSE=0.0040， R²=92.36%），而SVR模型表现相对较差（MSE=0.0156， R²=65.78%）。预测值与实际值（有限元结果）的对比图进一步证实，随机森林模型在预测E11、E22和ν12时非常准确，数据点紧密分布在理想的对角线附近；对于G12和G23的预测存在稍多的离散，但整体趋势正确。特征重要性分析揭示，纤维体积分数（Vf）是决定所有有效性能的最主要因素（重要性约0.95），而RVE尺寸的影响微乎其微（重要性约0.05）。这一发现与经典理论模型的隐含假设一致，也为后续结果分析中按Vf聚合预测数据提供了依据。
流程三：集成主动学习的代理建模框架 为了构建一个既高效又高精度的预测系统，本研究创新性地将表现最佳的随机森林模型发展为代理模型，并集成了主动学习策略。其工作流程是一个闭环迭代过程： 1. 初始化：使用初始有限元模拟数据集训练随机森林代理模型。 2. 预测与不确定性量化：对于新的、未模拟的输入参数组合（如新的RVE尺寸和Vf），使用训练好的代理模型进行预测。关键的一步是，利用随机森林模型的内在特性——即其多棵决策树预测结果的方差——来量化模型对该预测的不确定性。 3. 主动学习决策：设定一个方差阈值（本研究为0.01）。如果模型对新输入的预测方差高于此阈值，表明模型在此区域（参数空间）的认知不足，预测置信度低。 4. 定向数据扩充：针对这些“高不确定性”区域，触发新的有限元模拟。这些模拟提供了该点的真实“标签”数据。 5. 模型更新：将新获得的高价值仿真数据加入原有训练集，重新训练（更新）随机森林代理模型。 6. 迭代与收敛：重复步骤2-5，直到模型在整个关注的参数空间内的预测不确定性都低于阈值，或达到预定的迭代次数。 通过这种策略，计算资源被智能地引导至最能提升模型性能的区域，避免了在模型已确信的区域进行不必要的昂贵仿真，从而用更少的仿真次数实现了更高的整体预测精度。
三、 主要研究结果 1. 机器学习模型优选结果：随机森林模型被确定为预测复合材料有效性能的最佳模型，其优异的R²分数（95.63%）和低MSE证明了其拟合能力。特征重要性分析明确了Vf的主导作用，这指导了后续与理论模型的比较方式——将所有相同Vf下不同RVE尺寸的ML预测结果取平均值进行聚合，以消除RVE尺寸的微小波动影响，便于与不考虑尺寸效应的理论模型进行公平比较。
与传统理论及实验的验证结果：将聚合后的ML预测结果与多种经典理论模型（ROM, Halpin-Tsai, Mori-Tanaka, Chamis等）以及Vf=60%时的实验数据进行了全面对比。
主动学习增强效果：引入主动学习后，代理模型的预测精度和一致性得到显著提升。通过与新增的有限元模拟结果对比发现，ML预测与仿真值在所有Vf和所有性能参数上均表现出高度一致性。例如，对于E11，在Vf=45%和60%时，ML预测与仿真值的差异分别仅为0.67%和1.73%。对于更复杂的E22和剪切模量，差异也普遍保持在1-2%以内。这表明主动学习策略成功引导仿真资源填补了知识空白，使代理模型能够非常精确地复现高保真仿真的结果。表6详细展示了主动学习循环的行为：在RVE尺寸较小（40-45 μm）的中高Vf区域，模型因不确定性高而触发了新的仿真；随着数据集的丰富，对于更大RVE尺寸（55-60 μm）的所有Vf，模型已能自信地直接预测，无需额外仿真，证明了该框架的智能性和高效性。
不确定性降低的可视化证明：通过绘制主动学习实施前后，预测值标准偏差在RVE尺寸-Vf参数空间上的分布图，直观展示了主动学习的效果。对于E11和G23，初始高不确定性的区域（例如RVE尺寸45μm、Vf=50%附近）在引入针对性仿真数据后，预测的标准差显著下降（例如E11某区域下降达6.4个单位），整个参数空间的预测置信度变得均匀且更高。
四、 研究结论与价值 本研究成功开发并验证了一个融合周期性边界条件细观力学建模、机器学习及主动学习的创新框架，用于高效、精准预测单向纤维复合材料的有效弹性性能。主要结论如下： 1. 基于分子动力学算法生成的RVE结合PBC，能够有效表征复合材料的微观结构并产生可靠的训练数据。 2. 在对比的机器学习模型中，随机森林回归器在预测复合材料有效性能方面表现最优。 3. 首次在该领域引入的主动学习增强型代理建模框架，能够通过智能迭代、定向增加仿真数据，显著降低预测不确定性，在极大减少计算成本的同时，实现了与高保真有限元仿真高度一致的预测精度。 4. 该框架的预测结果与多种经典理论模型及实验数据吻合良好，尤其在预测纵向和横向模量时展现出优越性，在预测剪切性能时也与主流理论模型精度相当。
本研究的科学价值在于为复合材料性能预测提供了一种新的、数据驱动与物理模型深度融合的研究范式。它证明了主动学习在材料计算领域的巨大潜力，能够打破“精度”与“效率”之间的传统权衡。其应用价值显著，该框架可作为复合材料设计与优化的强大工具，快速探索材料参数空间（如纤维体积分数、纤维分布），加速新材料的研发进程，降低对大量昂贵实验和耗时仿真的依赖。
五、 研究亮点 1. 方法创新性：本研究最具特色的亮点在于首次将主动学习策略与细观力学-机器学习代理模型相结合，用于复合材料性能预测。这不仅是简单的技术应用，而是构建了一个能够自我完善、高效学习的智能预测系统。 2. 先进的RVE生成：采用基于分子动力学的算法生成高纤维体积分数的随机RVE，克服了传统方法的“堵塞极限”，更真实地模拟了实际复合材料的微观结构。 3. 系统的性能验证：不仅对比了多种机器学习算法，还将最终框架的预测结果与广泛的经典解析模型（ROM, Halpin-Tsai, Mori-Tanaka, Chamis等）以及实验数据进行了多层次、多指标的交叉验证，论证充分。 4. 明确的工程洞察：通过特征重要性分析，定量化地证实了纤维体积分数是影响有效性能的主导因素，而RVE尺寸的影响可忽略，这为简化分析模型提供了理论依据。 5. 框架的普适性与扩展性：作者在讨论中指出，该框架不仅限于弹性性能预测，可扩展至热学性能、热-力耦合分析乃至非线性损伤预测，只需替换相应的RVE仿真即可，展现了其作为通用多尺度、多物理场建模工具的潜力。
六、 其他有价值内容 论文还对RVE生成算法（如RSA, MD-based方法）进行了详尽的综述和比较，为读者提供了该领域的背景知识。同时，研究明确指出了当前框架的局限性，例如在预测剪切模量（G12, G23）时虽然可靠，但精度仍有提升空间，这主要源于剪切行为对纤维-基体界面相互作用的敏感性。这些坦诚的讨论为未来研究指明了方向，例如引入更复杂的界面模型或更多样的损伤机制数据来进一步增强模型。文末也展望了未来工作，包括将框架应用于多相/混杂复合材料、采用更先进的机器学习模型（如深度学习）、进行更广泛的实验验证以及系统性的计算耗时对比分析。