从纤维结构到数字孪生:短纤维增强聚合物复合材料的表征、取向建模与人工智能

《Polymers》:From Fiber Architecture to Digital Twins: Characterization, Orientation Modeling, and Artificial Intelligence in Short Fiber-Reinforced Polymer Composites

【字体: 大 中 小 】 时间:2026年10月22日 来源:Polymers 5.8

编辑推荐:

  短纤维增强聚合物复合材料(SFRPCs)因兼具低密度、良好力学性能和高体积加工性而广泛用于轻量化构件。然而,其局部性能受加工过程中形成并在每个模塑件内部变化的纤维结构——纤维长度、取向、分散和缺陷——所支配。本文综述考察该结构如何被测量、预测并纳入制造过程的数

  
短纤维增强聚合物复合材料(SFRPCs)因兼具低密度、良好力学性能和高体积加工性而广泛用于轻量化构件。然而,其局部性能受加工过程中形成并在每个模塑件内部变化的纤维结构——纤维长度、取向、分散和缺陷——所支配。本文综述考察该结构如何被测量、预测并纳入制造过程的数字化表示。内容涵盖注塑过程中取向状态形成的机制;二维和三维表征,重点为X射线显微计算机断层扫描(μCT);从Jeffery和Folgar–Tucker方程到各向异性旋转扩散和慢动力学公式的取向模型;以及多尺度均质化。随后评估人工智能(AI)在图像分割、取向预测、微观力学代理模型和物理信息学习中的应用。最后,按数据集成水平对已发表的复合材料与聚合物制造数字孪生(DT)实现进行分类,并提出面向SFRPCs的分层架构。大多数现有系统是数字模型或数字影子,而非双向耦合孪生。主要障碍是成对的工艺–微观结构–性能数据集稀缺、跨尺度不确定性传播缺乏,以及数据驱动模型可迁移性有限。
本文主体以工艺–结构–性能链为线索,将纤维结构作为SFRPCs制造数字孪生(DT)的潜在状态变量,依次评述表征、取向建模、多尺度均质化、人工智能(AI)应用与DT实现。

1 引言:SFRPCs兼具加工性和力学性能,注塑使纤维取向和长度空间变化;集成模拟链需μCT验证,机器学习(ML)和DT提供新工具。1.1 相对于现有综述的定位:现有综述多分别讨论取向模型、断层扫描、ML或DT;本文以DT所需纤维结构信息如何测量、建模或学习及精度为主线,并把纤维结构显式作为潜在状态。1.2 文献检索、筛选与质量评估:采用叙事性批判综述,按主题块检索主要数据库,基础文献不限年代,AI与DT侧重2018年以来,按验证、透明性、不确定性和泛化性定性评价。

2 作为状态变量的纤维结构:2.1 纤维类型与几何:玻璃纤维为主,碳纤维用于高比刚度或导电,天然纤维受热稳定性和吸湿限制;长径比影响应力传递和旋转动力学,曲率、团聚和局部含量少纳入模拟。2.2 纤维–基体界面:上浆或表面处理决定载荷传递,界面剪切强度(IFSS)由单纤维试验测量,模拟链常隐含处理,是未量化不确定源。2.3 加工诱导的纤维断裂:断裂主要发生在混配和塑化,最终长度分布不同于名义值;挤出映射和注塑离散长度模型可预测长度场但验证少。2.4 数字表示用描述符:组分属性为输入,取向和长度分布为工艺输出并成为结构分析输入,是DT自然状态变量;空隙、熔接线和团簇常只能测量。2.5 混杂与回收纤维体系:混杂纤维需各自取向和长度描述符,混杂效应与断裂顺序相关;回收纤维长度分布宽、上浆缺失或损伤,界面和断裂更难预测。

3 注塑过程中纤维取向的发展:3.1 机制:流体动力旋转、纤维–纤维相互作用随机化和浓悬浮液慢动力学对应取向模型项。3.2 喷泉流动与层状取向结构:喷泉流动和厚度方向剪切率形成壳层沿流动、芯层受面内梯度控制、表皮层快速冻结的层状结构;实际为连续厚度取向场,模型常低估芯层。3.3 加工条件与零件几何的影响:注射速度、温度、浇口和几何、纤维含量和长径比通过流变学和流场影响取向;效应耦合,模型需材料特定标定。

4 纤维结构的实验表征:4.1 二维与近表面方法:截面光学显微椭圆法快速但破坏性且不能区分面外角符号,共聚焦激光扫描可消除歧义,扫描电子显微镜(SEM)用于断口和界面。4.2 X射线计算机断层扫描:μCT重建三维衰减场,玻璃纤维在约1 μm体素可分辨,碳纤维较难;分辨率–视野权衡限制感兴趣区域(ROI)代表性,需多分辨率采样。4.3 从重建体积到描述符:纹理法用结构张量快速稳健,单纤维法分割接触纤维并追踪中心线以得长度和曲率;不同算法结果不同,需报告分析参数和不确定度。4.4 对DT的启示:μCT应作为标定和验证仪器而非在线传感器,信息受分析最弱步骤限制,自动化与验证是ML最明确影响。

5 纤维取向的数值建模:5.1 取向状态描述:用单位向量p和概率分布ψ(p),实际用二阶和四阶取向张量a、??;a对称单位迹,需闭合近似,闭合误差独立于取向模型。5.2 Jeffery与Folgar–Tucker模型:Jeffery给出孤立椭球旋转率,Folgar–Tucker加入各向同性旋转扩散和相互作用系数CI,可再现壳–芯结构但常低估芯层。5.3 慢取向动力学与各向异性旋转扩散:减速应变闭合(RSC)以κ缩放特征值增长率,减速主率(RPR)减去特征值率分数α;各向异性旋转扩散(ARD)以张量替代各向同性扩散,ARD-RSC和iARD-RPR改进预测但需材料标定。5.4 流动–纤维耦合与取向相关黏度:多数注塑模拟解耦,告知各向同性(IISO)黏度模型以中等成本捕捉沿纤维方向抗拉伸;厚件或三维流动至少需顺序弱耦合。5.5 与纤维长度的耦合:模型常假设单一长径比,实际长度分布经断裂演化,长度场可与取向结合,但同时空间分辨测量稀少。5.6 比较评估:更复杂模型需μCT标定,网格和参数集影响大;模型仍现象学,不预测团簇、局部含量或曲率,参数不确定性少报告。

6 多尺度建模与工艺–结构–性能集成:6.1 从取向张量到局部刚度:两步均质化先算全对齐刚度CUD(Mori–Tanaka,MT/Tandon–Weng),再按取向平均;二次闭合低估a1111和主方向刚度,建议正交拟合、不变基最优拟合(IBOF)或精确闭合;强度/疲劳精度低。6.2 映射与集成模拟:将充模网格取向场映射到结构网格,分量插值不保性质,需专用插值;片状模塑料(SMC)完整虚拟工艺链经μCT和力学试验逐步验证,是DT计算核心。6.3 不确定性传播:链各环节引入不确定且源间相关,线性化方差含相关系数;采样法需代理,本征正交分解(POD)或多项式代理可传播不确定到取向;分层传播适合DT更新。6.4 表征与建模方法选择指南:选择取决于纤维类型、零件或ROI尺寸、流动和目标量;薄壁剪切流可用Folgar–Tucker/RSC,复杂流动需ARD、三维网格和耦合;刚度/翘曲用两步MT/Lielens,在线DT需带不确定度的代理。

7 人工智能沿工艺–结构–性能链:7.1 基于图像的表征:深度学习在μCT纤维分割优势最明确,U-Net和Transformer用于体数据;验证薄弱,合成数据集可基准但接触纤维分离误差影响长度分布。7.2 工艺–取向与工艺–质量代理模型:神经网络学习工艺和几何到取向场或质量指标,长短期记忆(LSTM)网络比模拟快约四个数量级;代理继承训练模拟偏差,迁移学习可减少新模具实验。7.3 微观力学代理模型:深度材料网络(DMN)以层合块层级网络表示代表性体积单元(RVE)响应,内置均质化结构并可预测非线性;有限元–DMN已用于空间变化取向构件。7.4 物理信息与混合学习:物理信息神经网络(PINN)将控制方程残差纳入损失,但尚未见用于注塑纤维取向演化;完整充模PINN受移动前沿和双曲输运限制,近期可行标定混合、学习闭合、偏差模型和算子学习。7.5 可信性:不确定性、有效域和可解释性决定ML能否用于DT,需置信估计、域外检测和SHAP、LIME、Grad-CAM等解释,但不能替代物理验证。7.6 数据需求、可迁移性与模拟偏差:数据需求跨应用数量级差异,成对实验数据最少;可迁移性沿材料、几何、机器/模具和工艺条件四轴评估,需分组划分防数据泄漏;模拟训练代理继承模拟偏差,需标定模拟、偏差模型和多保真训练。

8 SFRPC制造的数字孪生:8.1 定义与集成水平:DT术语不一致,Kritzinger分数字模型、数字影子和数字孪生三级,美国国家科学院强调验证、确认与不确定性量化(VVUQ)和决策适用性;SFRPC需工艺孪生和材料孪生。8.2 实施现状:多数为数字模型或数字影子,将离线代理与工艺数据结合;尚无实现自动更新每件取向场并调工艺的SFRPC闭环,陈述限于检索文献。8.3 提出的SFRPC架构:五层加数字线程:物理层、测量层、物理模型层、学习模型层、状态估计与决策层;核心是状态估计层,融合工艺信号和μCT,可分阶段从数字影子到闭环。8.4 数字线程与数据管理:DT依赖数字线程记录设计、工艺、检测和测试数据;μCT数据需追溯批次、机器、循环、位置和分析参数,采用可查找、可访问、可互操作和可重用(FAIR)原则。8.5 相对于参考架构的定位:与ISO 23247和五维模型兼容;SFRPC特化点包括纤维结构潜在需状态估计、观测速率差异、多尺度模型版本化、工艺孪生与材料孪生时间尺度不同及跨层不确定度传播。8.6 纤维结构状态估计:状态向量含取向场或降维表示和不确定参数,观测含工艺信号和μCT描述符;集合卡尔曼滤波(EnKF)最实用,粒子滤波仅低维,变分法适合批重分析,马尔可夫链蒙特卡洛(MCMC)适合少参数;需保持取向张量可容许性和降维,稀疏μCT可用贝叶斯标定、gappy POD和高斯过程(GP)残差。8.7 VVUQ与决策准则:按层开展VVUQ,验证与独立测量比较,不确定度须校准;调整需|Δ|>k·u(Δ)且调整效应不确定小于容差,接收决策用后验违规概率;未满足前影子模式人工审核。8.8 计算成本与可扩展性:按周期、批次/班次、材料/模具变更三时间尺度;周期内需代理或降阶模型秒级评估,批次内重标定小时级,材料/模具变更离线数天至数周;多机扩展共享离线模型和边缘计算。8.9 示例应用:以注塑短玻纤Venturi形件为例,离线贝叶斯标定iARD-RPR、训练代理并留出μCT验证;生产中用腔压/温度信号经集合更新得每件取向和刚度场及不确定度;漂移显著时提议调整并由工程师审核;定期μCT回顾同化更新参数和偏差模型。

9 挑战与未来方向:数据缺乏成对工艺–μCT–力学数据集;取向模型需材料标定且不预测团簇、局部含量和曲率,强度/疲劳需缺陷;跨链不确定量化缺失;ML需内置力学、物理信息和迁移学习;DT需状态估计、实时代理、互操作数据和决策定义。

10 结论:纤维结构是连接工艺与性能的状态变量,应作为场;μCT是三维表征参考方法,需报告分析参数和不确定度;取向模型从Folgar–Tucker发展到RSC/RPR、ARD/iARD和IISO耦合,标定后更准但仍现象学;刚度均质化成熟,强度疲劳和不确定传播不足;AI在分割和内置物理微观力学代理最有效;现有DT多为数字模型或影子,无闭环;提出含状态估计层的分层架构和分阶段路径。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号