关键词：热塑性复合材料;力学性能;
在航空航天和汽车制造领域，热塑性碳纤维复合材料因其轻质高强、可回收利用等优势备受青睐。然而，其缠绕成型工艺复杂，如何精准预测制品力学性能并优化工艺参数，一直是行业痛点。合肥工业大学最新研究提出创新解决方案：通过虚拟样本生成技术结合机器学习，仅用少量实验数据就能实现热塑性缠绕NOL环拉伸强度的高精度预测。这项突破为复合材料智能制造开辟了新路径。
一、热塑性复合材料的优势与工艺挑战
相比传统热固性材料，热塑性CF/PPS复合材料具有更高的耐温性和可回收性，其缠绕成型过程无需后固化，效率显著提升。但激光功率、缠绕速率、芯模温度和缠绕张力等工艺参数的耦合作用复杂，轻微变化就可能导致树脂降解或层间粘结不良，直接影响制品力学性能。
研究表明，不同工艺参数下
NOL环的拉伸强度差异巨大，从1652.48 MPa到2798.09 MPa不等，破坏模式也从分散爆炸断裂到单端断裂各不相同。传统优化依赖大量实验，成本高昂且周期长。正是这一瓶颈，催生了虚拟样本与机器学习融合的新方法。
图1 激光辅助热塑性缠绕原位成型装置
二、创新试验平台：从小样本数据起步
团队自主搭建的激光辅助缠绕装置集成五轴缠绕机、激光加热系统和精密温控装置，能模拟真实成型环境。通过响应曲面法设计29组实验，系统变化工艺参数制备NOL环试样。拉伸测试显示，工艺参数与力学性能关联紧密：激光功率过高会导致树脂降解，缠绕速率过快则影响层间粘结。优化参数下，NOL环呈现均匀脆性断裂，强度达2798.09 MPa；而参数不当时，强度骤降且出现不规则破坏。
图2 碳纤维/聚苯硫醚(CF/PPS)的三种典型样件的强度-位移曲线及破坏模式
三、虚拟样本生成：数据扩增的智能之道
面对仅29组样本的“小数据”困境，研究采用趋势相似性评估法(TSA)生成虚拟样本。该方法通过分析工艺参数与强度间的内在关联，构建特征趋势矩阵，利用三角隶属函数合成符合物理规律的新数据。TSA无需复杂假设，仅凭数据分布特征就能智能扩充样本量。将29组原始数据扩展至上百组虚拟样本，有效解决了机器学习模型训练中的数据稀缺问题，为高精度预测奠定基础。
图3基于虚拟样本生成的机器学习模型研究流程
四、机器学习模型：GA-BP神经网络精准预测
研究选用遗传算法(GA)优化反向传播神经网络(BP)，构建混合预测模型。GA全局搜索最优初始权重，BP网络则通过4个输入节点(工艺参数)、2个隐藏层(各30神经元)和1个输出节点(拉伸强度)进行非线性拟合。
这种组合既避免局部最优，又提升收敛速度。模型使用Log-Sigmoid和Purelin激活函数，平衡非线性处理与输出灵活性，实现对拉伸强度的准确映射。
图4 GA-BP 神经网络算法的流程图
五、预测精度：虚拟样本的关键作用通过调整训练集组成，研究验证了虚拟样本的价值。当原始样本从10组增至20组(虚拟样本固定100组)，平均绝对误差(MAE)从15.2降至9.8，决定系数R²从0.8提升至0.85。更显著的是，固定25组原始样本，虚拟样本从10组增至200组时，MAE降至2.48，R²高达0.9。
图5 训练集样本数为120个时,基于机器学习模型的碳纤维/聚苯硫醚(CF/PPS)复合材料NOL环拉伸强度预测精度: (a)验证数据集初始值与预测值; (b)预测偏差
结果表明，虚拟样本不仅能弥补数据不足，还能增强模型泛化能力。预测值与真实值最大偏差仅116 MPa，最小偏差11.9 MPa，完全满足工程应用需求。
六、应用前景：智能制造的新引擎
该技术可推广至剪切强度、层间性能等多项指标预测，形成复合材料全性能评估体系。工业应用中，企业只需少量实验就能快速优化工艺，降低90%以上研发成本。结合数字孪生技术，更能实现生产流程实时优化。
[1]王华毕,柳翔,潘和林,等.基于虚拟样本生成技术与机器学习的热塑性缠绕NOL环拉伸力学性能预测[J/OL].复合材料学报,1-11[2025-12-10].https://doi.org/10.13801/j.cnki.fhclxb.20251120.003.
