随着材料科学和工程的快速发展，复合材料因其优异的性能（如轻量化设计、高强度和环境耐腐蚀性）在航空航天领域得到了广泛应用。根据ASTM D30标准对复合材料力学性能的系统性评估，其采用率已成为评估飞机结构设计进步的关键指标（Test Methods for Deep Foundations, 2007）。在现代飞机结构中，复合材料占比已超过50%（Anthony and Extension, 2024; Lava Kumar et al., 2022; Lemos et al., 2024）。这些先进材料被用于关键承重部件，如主框架和空气动力表面，并在复杂几何形状中得到广泛应用，包括大型薄壁加强结构、夹层板和变曲率截面（Mingze et al., 2024）。这种材料系统的创新不仅显著提高了飞机的刚度和疲劳寿命，还通过集成成型技术推动了结构效率的变革。
材料创新持续推动工程结构向轻量化和智能化设计发展。然而，复合材料力学行为的高度非线性、多尺度特性以及制造过程的敏感性给传统建模方法带来了三大挑战：首先，基于均质化的跨尺度相关性无法充分捕捉微观缺陷的随机演化；其次，本构模型参数校准需要大量实验数据，导致设计周期延长和成本增加；第三，多物理场耦合问题的物理建模复杂性呈指数级增长。在这种情况下，ML技术通过数据驱动的建模范式，提供了可用的工具来预测复合材料力学性能并进行设计优化，为非专业人士也能使用的全自动分析工具奠定了基础。
近年来，ML已深入整合到复合材料的多尺度力学研究中，建立了从材料微观结构到组件级宏观响应的统一框架。在微观尺度上，基于DL的本构反演方法能够准确建立超弹性复合材料的微观-宏观参数映射，实现层压板等效模量、极限强度和纤维/基体界面兼容性的跨尺度预测。在层压板级别，数据驱动的替代模型有效表征了非线性应力-应变响应、多模态损伤演化和层间脱粘现象，而迁移学习策略显著提高了有缺陷层压板屈曲失效的预测效率。在结构尺度上（例如加强板），基于物理的RL框架成功评估了冲击下的结构稳定性，量化了渐进损伤，并识别了动态失效模式，为材料-结构跨尺度耦合机制提供了新的解耦分析方法。这种跨越纳米到宏观尺度的智能方法正在推动复合材料设计向数字孪生驱动的协同优化方向发展。
许多学者对ML在复合材料中的应用进行了全面综述。在微观尺度上，人工神经网络（ANN）通过非线性替代建模实现了本构参数反演和跨尺度映射，有效预测了层压板等效模量、纤维/基体界面兼容性和极限强度（Liu et al., 2021; Sharma et al., 2022）。Gu等人（2018）开发了一个基于DL的框架，实现了复合材料微观结构的逆向设计，突破了传统试错方法的效率瓶颈。除了参数反演和跨尺度耦合外，以CNN为代表的DL方法在直接建立随机微观结构图像与宏观力学性能之间的复杂非线性映射方面具有独特优势（Ding et al., 2024）。在层压板和层压板级别，结合统计指标和迁移学习的混合模型显著提高了非线性应力-应变响应、多模态损伤演化和层间脱粘行为的预测精度（Dev et al., 2024; Liu et al., 2024; Sorour et al., 2024）。Zhang等人的开创性工作为在复合材料损伤表征中应用ANN奠定了理论基础（Zhang and Friedrich, 2003）。在制造过程-性能耦合问题上，Cassola等人（2022）系统总结了ML在聚合物复合材料过程模拟方面的最新进展，而Dev等人（2024）提出的贝叶斯优化框架为过程参数与力学性能之间的关联提供了新的建模范式。在增强板等复杂结构层面，结合物理约束的RL算法不仅实现了结构稳定性和冲击损伤的协同评估（Okafor et al., 2023; Wang et al., 2024），还通过整合增材制造过程数据提高了失效机制建模的可靠性（Awd et al., 2023）。值得注意的是，Liu等人（2021）和Argatov（2019）分别从内在建模和界面力学的角度揭示了数据-物理融合模型的独特优势，而Wang等人（2024）系统展示了AI在高性能复合材料多目标优化工程应用中的潜力。这些进展表明，ML正在重塑复合材料“设计-分析-验证”的传统研究范式，建立了“材料微观结构-制造过程-结构性能”的多层次关联网络（Liu et al., 2024; Pattnaik et al., 2021; Sharma et al., 2022），为数字孪生驱动的材料-结构协同优化开辟了新可能性（Gu et al., 2018; Okafor et al., 2023; Wang et al., 2024）。ML技术在复合材料多尺度力学建模和设计领域取得了重大突破，其研究范围涵盖了从微观和纳米尺度材料设计到宏观结构性能预测的整个链条。
大约在2015年，以DL和RL为代表的现代ML范式在硬件计算能力、核心算法和开源生态系统方面取得了根本性突破。这使得数据驱动的方法能够系统地解决复合材料中的复杂非线性、多尺度科学问题。特别是在过去十年中，ML在各个领域取得了快速发展，相关学术论文数量逐年增长。特别是在复合材料领域，相关论文数量呈稳定增长趋势（见图1）。同时，ML在复合材料力学性能预测方面取得了一系列重要突破，不仅促进了复合材料力学性能预测技术的创新，也为复合材料的最佳设计和工程应用提供了重要的理论支持和技术手段。
本文系统回顾了2015年至2025年间ML在复合材料应用中的核心算法框架，深入分析了ML在多尺度力学建模中的广泛应用，重点关注复合材料的多层次和多尺度特性。进一步总结了ML在复合材料工程中的扩展应用，包括损伤演化、健康监测以及多物理场和多尺度建模。本文综合了当前的研究成果和成就，分析了存在的问题，并提出了未来的研究方向。论文的概念框架如图2所示。
