基于物理引导的符号回归开发拉挤 FRP 复合材料湿热耐久性的显式设计方程

《COMPOSITE STRUCTURES》:Developing explicit design equations for hygrothermal durability of pultruded FRP composites using physics-guided symbolic regression

【字体: 大 中 小 】 时间:2026年09月25日 来源:COMPOSITE STRUCTURES 7.8

编辑推荐:

   **摘要** 拉挤纤维增强聚合物(PFRP)复合材料在土木工程中的应用日益广泛。然而,其在湿热老化下的长期性能仍然难以进行定量预测。现有的经验方法缺乏物理可解释性,而基于物理的模型往往过于复杂,难以直接用于工程实践。尽管机器学习能提供高精度预测,但其"黑箱"特性限制了其在规

  

**摘要**

拉挤纤维增强聚合物(PFRP)复合材料在土木工程中的应用日益广泛。然而,其在湿热老化下的长期性能仍然难以进行定量预测。现有的经验方法缺乏物理可解释性,而基于物理的模型往往过于复杂,难以直接用于工程实践。尽管机器学习能提供高精度预测,但其"黑箱"特性限制了其在规范化标准中的采纳。为弥补这一缺口,本研究采用物理引导的符号回归(Symbolic Regression, SR)方法,开发了显式、可解释的设计方程,用于预测PFRP复合材料的湿热耐久性。利用一个全面的数据库,并嵌入物理约束条件,SR推导出闭式公式,将残余力学性能表示为初始性能、老化时间、老化温度和材料厚度的函数。在此基础上建立了一个统一的数学框架,其中性能相关的指数 α 量化了材料的退化敏感性。研究导出了两种模型形式:一种用于追求预测精度的最佳拟合模型(α?),另一种用于简化实际应用的统设设计模型(强度取 α? = 1.33,模量取 1.22)。通过与自然风化数据的验证,确认了所提方程的可靠性,为设计耐久的PFRP结构提供了易于规范化的实用设计工具。

**引言**

拉挤纤维增强聚合物(PFRP)复合材料在土木工程领域得到了越来越广泛的应用,这主要得益于其相较于传统建筑材料所具备的高比强度和刚度、优异的耐环境性、出色的疲劳性能以及更低的碳足迹等优势[1]、[2]、[3]、[4]。在这些优势中,长期环境耐久性尤为突出,是PFRP在恶劣环境中(如风力涡轮机叶片、建筑、桥梁、冷却塔及海洋结构等)推广应用的关键使能因素[5]、[6]、[7]、[8]、[9]、[10]。然而,与所有聚合物基复合材料一样,PFRP在恶劣环境下也容易发生力学性能的退化[11]。湿热暴露——即水分侵入与高温的共同作用——是导致陆地结构退化的最常见环境因素之一[12]、[13]、[14]、[15]、[16]。因此,准确理解和预测这种退化对于确保PFRP结构体系的长期安全性、可靠性和经济性至关重要。

PFRP的湿热老化过程复杂,涉及多种相互作用的物理和化学路径[17]。水分通过扩散和毛细作用渗入材料,导致聚合物基体的塑化和水解、界面脱粘、纤维溶胀以及微裂纹的产生。高温会加速这些过程,加剧力学性能的退化。基体塑化通常被认为是湿热诱导PFRP退化的最主要组成部分[14]、[16]、[18]。尽管对上述机理已有较为完善的定性认识,但退化后残余力学性能的定量预测仍然难以实现。这一挑战源于PFRP固有的复杂性和高度可定制性。PFRP通过拉挤工艺制造,可以使用大量的纤维类型组合(如玻璃纤维、碳纤维、玄武岩纤维)、纤维形态(如纱束、线束、连续短切毡)、树脂基体(如聚酯、乙烯基酯、环氧)、纤维体积分数以及加工条件[19]、[20]。每个变量都协同影响材料的湿热响应[21]、[22]、[23],导致文献中出现显著的性能差异,有时甚至出现相互矛盾的结论[17]。例如,已知纤维类型(如玻璃与玄武岩)[15]、[16]、[24]、树脂化学性质(如聚酯与环氧)[25]、固化程度[26]以及纤维含量[27]都会影响耐久性。因此,开发一种普适可靠的设计方法来考虑湿热耐久性,一直是该领域尚未解决的核心问题。

为应对这一挑战,研究人员探索了两种主要的耐久性预测方法:经验方法和基于物理的理论模型。经验方法,尤其是阿伦尼乌斯(Arrhenius)方程的应用[28],已被广泛用于各种纤维增强聚合物(FRP)的应用场景[18]、[24]、[26]、[29]、[30]、[31]、[32]。虽然其指数形式能有效拟合观测到的退化趋势,但阿伦尼乌斯方程本质上是一种化学反应动力学模型,将其应用于PFRP复合材料的退化主要是一种数学拟合手段,对于异质PFRP材料系统中复杂的损伤机理缺乏直接的物理依据。因此,当材料异质性、结构非均匀性和多场耦合效应主导退化过程时,阿伦尼乌斯方程的有效性便会失效[2]。另一方面,基于物理引导的理论模型(包括微观力学模型[33]、分子动力学模拟[34]以及综合加速测试法[35])通过纳入特定的老化机理,能够提供更深入的见解。这些方法可以考量组分性能退化、界面失效以及残余应力的发展等因素。然而,基于物理的模型通常针对特定的材料体系和环境条件,需要进行大量的表征和复杂的计算。其复杂性和缺乏普适性阻碍了其在常规工程设计中的实施,而工程设计更看重简便性、稳健性和广泛的适用性。

近年来,机器学习(ML)技术作为处理高维非线性问题(如耐久性预测)的有力工具应运而生[36]、[37]、[38],在FRP-混凝土系统等领域展现了出色的预测精度[39]、[40]、[41]、[42]、[43]、[44]、[45]。XGBoost和人工神经网络等技术也已被成功应用于预测PFRP在湿热暴露下的残余性能,识别出老化时间、老化温度和纤维体积分数等关键影响因素[46]。尽管精度较高,但主流ML模型常因其可解释性有限而被批评为"黑箱"[36]。更为关键的是,它们无法提供显式的闭式数学方程,而这恰恰是纳入规范化设计标准和供工程人员日常使用的基本要求。高精度预测与实际设计实用性之间的这一差距,构成了将先进计算成果转化为工程实践的瓶颈。

为弥补这一差距,本研究引入并采用了一种与常规黑箱模型根本不同的稳健机器学习技术——符号回归(SR)。SR能够自主搜索数学表达式的空间,发现最能描述数据集内在关系且可解释的显式公式[47]、[48]、[49]、[50]、[51]。SR的新颖之处在于其能够同时兼具高精度预测和数学透明度。SR可以整合物理约束(如输入与输出之间的单调关系)并利用已知的函数形式(如阿伦尼乌斯方程)作为起点,确保所得模型不仅准确,而且在物理上合理且可解释。这使得SR在克服经验方法和ML模型局限性方面独具优势。

本研究的方法框架如图1所示。其主要目标是利用SR技术的强大能力,开发一套用于预测PFRP复合材料湿热耐久性的显式设计方程。本工作建立在两大基础之上:(1)作者编译的、包含超过1900个数据点的最全面实验数据库,收录了老化PFRP复合材料残余力学性能的实测值[17];(2)通过先进的机器学习分析识别出的、影响PFRP耐久性的关键因素及其物理效应的先前认知[46]。通过将该SR方法应用于此综合数据集,可以为残余力学性能(包括拉伸、压缩、弯曲、剪切强度和模量)推导出简单而准确的公式,将其表示为初始性能、老化时间、老化温度和材料厚度的函数。本研究从两个方面为该领域做出贡献:首先,它超越了单纯的预测,提供了可供设计直接使用的工具——所推导的显式方程形式为工程师所熟悉,便于直接进行手算或集成到电子表格中;其次,它成功地将数据驱动的预测能力与物理可解释性结合起来,这种结合在PFRP复合材料耐久性研究中极为罕见。因此,所得到的设计方程为耐久性评估提供了一种实用且准确的方法,可直接纳入设计指南和标准中,从而加速PFRP复合材料在可持续基础设施中的安全、优化应用。本研究证明,实验数据库与先进的SR技术的协同效应,能够释放复合材料实现可靠的、基于定量的耐久性设计的潜力。

**分节摘要:符号回归建模**

本节描述了应用符号回归(SR)方法为PFRP复合材料湿热耐久性开发显式预测方程的框架,如图2所示。

**广义数学形式**

通过应用符号回归框架,推导出了一套用于预测湿热老化PFRP复合材料残余力学性能的显式设计方程。最终,整套预测方程可以综合为等式(2)所示的广义数学形式:

P_R = P_0 · exp(-0.001 · d^(1/5) · T · t^(1/2) / α)

其中,P_R 为残余力学性能(强度或模量,单位为 MPa);P_0 为初始力学性能(单位为 MPa);d 为……

**局限性与未来工作**

本研究通过提供PFRP复合材料湿热耐久性的显式、可解释设计方程,取得了一项重大进展。文中承认数据集、材料范围和环境条件方面存在某些固有局限。这些局限直接指向可在本研究框架基础上展开的未来研究方向。

首先,横向弯曲强度和模量的预测模型所依托的数据集极为有限(即,仅有8个数据点……)

**结论**

在本研究中,建立了一个物理引导的符号回归框架,用于推导PFRP复合材料湿热耐久性预测的显式、可解释设计方程。通过将全面的实验数据库与物理约束相结合,推导出了准确的预测公式,为工程师提供了实用且可规范化的设计工具。基于本研究的发现,得出以下结论:

(1)SR 技术能够有效生成显式的……

**生成式AI及AI辅助技术在论文撰写过程中的声明**

在论文最初的撰写过程中,作者使用了 DeepSeek 来提升语言表达和可读性。在使用该工具之后,作者对内容进行了审阅和编辑——并由具有母语英语能力的合著者进行了最终审阅和编辑。作者对所发表文章的内容承担全部责任。

**CRediT作者贡献声明**

TianQiao Liu:原稿撰写、项目管理、研究方法、资金获取、形式化分析、概念构思。
Xinmiao Guo:原稿撰写、可视化、软件、研究方法、调查、形式化分析。
Kent A. Harries:审阅与编辑、研究方法、概念构思。
Chao Wu:审阅与编辑、研究方法。
Su Chen:审阅与编辑、研究方法。
Weichen Xue:项目管理、研究方法。
Xiuli Du:项目……

**利益冲突声明**

作者声明不存在任何可能影响本文所报告工作的已知竞争性经济利益或个人关系。

**致谢**

本研究得到重庆市自然科学基金(项目编号:CSTB2023NSCQ-MSX0158)的资助。

TianQiao Liu | Xinmiao Guo | Kent A. Harries | Chao Wu | Su Chen | Weichen Xue | Xiuli Du
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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