实验和数值调查与机器学习 (ML) 集成,用于DP590/CFRP复合板材的预测策略

科学领域:

• 材料科学 材料科学 材料科学
• 机械工程 机械工程
• 计算科学 计算科学

背景情况:

• 碳纤维增强聚合物 (CFRP) /金属复合材料提供先进的机械性能.
• 优化它们的堆叠顺序和方向对于性能至关重要,但复杂.
• 现有的方法往往缺乏对实验和模拟数据的全面整合.

研究的目的:

• 开发和验证一种机器学习 (ML) 辅助的框架,用于优化CFRP/金属复合板材.
• 为了提高机械性能,特别是拉力和曲强度的预测.
• 整合实验,数值和ML方法用于新型复合材料设计.

主要方法:

• 开发了一个ML辅助的框架,集成实验结果和有限元模拟.
• 评估了9个ML模型,包括XGBoost,梯度提升,决策树,KNN和随机森林.
• 使用组合方法研究了布置序列对机械性能的影响.

主要成果:

• XGBoost和梯度增强模型在预测拉伸强度方面表现出高准确性和可解释性.
• 决策树,KNN和随机森林模型在预测曲强度方面表现出卓越的准确性.
• 基于树的模型在各种指标上表现出了卓越的性能,尤其是CFRP/DP590层材.

结论:

• 机器学习模型,特别是基于树的算法,对于优化CFRP/金属复合材料性能是有效的.
• 综合框架为复合材料设计和预测提供了一种新而强大的方法.
• 这项研究开创了ML的应用,以优化CFRP/金属复合材料的性能.