《Composites Science and Technology》：From X-ray CT to finite element models: A fully automated pipeline for mesoscale modelling of as-manufactured textile composites
编辑推荐：
本文推荐一项创新研究，针对3D纺织复合材料弹性性能精确预测的难题，研究团队开发了一套从X射线计算机断层扫描到有限元模型的全自动分析流程。该工作利用机器学习辅助的3D U-net架构实现材料相分割，结合微观力学模型映射纤维取向与体积分数，通过计算均匀化方法成功预测了材料的全三维弹性性能。结果显示其预测值与实验偏差小于6.5%，为复合材料性能评估提供了高效可靠的数字化解决方案。
随着航空航天领域对轻量化结构需求的日益增长，3D纺织增强复合材料因其优异的抗冲击性和抗分层性能而备受关注。然而，这类材料在制造过程中会产生复杂的细观结构变化，传统实验方法难以全面表征其力学性能。由于材料异质性尺度较大，标准测试方法需要调整测量区域以容纳足够大的代表体积，这使得实验成本高昂且效率低下。数值模拟虽能弥补实验不足，但基于理想几何的模型无法准确反映实际制造状态下的材料性能。虽然近年来通过X射线计算机断层扫描获取真实几何的方法逐渐普及，但大视场扫描带来的低对比度问题使传统分割方法面临挑战。
在这项发表于《Composites Science and Technology》的研究中，由Johan Friemann领衔的研究团队提出了一种全新的解决方案——开发从XRCT到有限元模型的完全自动化流程，用于预测3D纺织复合材料的全三维弹性性能。该研究的创新之处在于能够从单个大视场XRCT扫描中提取多个代表体积单元，从而获得材料性能的统计信息。
研究团队采用了几项关键技术方法：首先利用基于合成训练数据的3D U-net神经网络架构实现自动分割；其次开发了纤维取向映射技术，通过结构张量分析确定纱线局部方向；再者建立了纤维体积分数映射方法，结合微观力学模型计算纱线性能；最后采用周期性边界条件进行有限元均匀化分析。所有分析均基于从实际样品获取的XRCT扫描数据。
材料样品及其XRCT扫描
研究材料为通过树脂传递模塑成型的层间角互锁碳纤维增强聚合物。经纱和纬纱分别采用24k和12k的IM7纤维，基体为RTM6环氧树脂。样品由三层堆叠而成，通过大视场扫描获取包含多个单元晶胞的数据。
机器学习基纺织增强复合材料分割
研究团队开发了基于3D卷积U-net架构的分割模型，使用完全合成的自动标记训练数据集。该网络采用Jaccard指数损失函数进行训练，在测试集上达到了0.958的平均Jaccard指数，证明其分割准确性。对物理样本的扫描分割结果显示，纬纱的连续性较之前研究有显著改善。
计算RVE均匀化
采用非共形结构化网格，将每个体素映射为八节点六面体单元。通过周期性边界条件施加宏观应变，使用Chamis微观力学模型计算纱线的横观各向同性性能。纤维和基体的力学性能参数来自制造商数据表和已有文献。
纤维取向映射
通过结构张量分析确定局部纤维取向。对距离变换图像添加随机噪声并进行高斯滤波后分析，利用特征向量确定纱线方向。结果显示纬纱的平均面外分量幅值为0.135，经纱为0.047，表明纤维取向具有良好一致性。
纤维体积分数映射
通过切片分析估算局部纤维体积分数，考虑纱线方向与截面的夹角进行补偿。纤维体积分数被分为20个区间，纬纱和经纱的纤维体积分数分别在64%-78%之间。
结果、讨论与实验结果比较
从分割数据中手动识别出六个非重叠的代表体积单元进行有限元分析。通过六个独立的载荷案例计算完整的刚度张量。结果显示，预测的弹性模量与实验值偏差小于6.5%，表明该流程能准确预测实际制造状态下的材料性能。有趣的是，尽管细观几何存在明显差异，但不同代表体积单元的弹性性能变异很小。
研究结论表明，这套全自动开源流程能高效准确地预测3D纺织复合材料的弹性性能。从重建体积到有限元输入文件的生成时间不足一分钟，且完全自动化。该方法的优势在于能从一个扫描中生成多个代表体积单元模型，为研究材料性能变异提供了可能。值得注意的是，尽管材料细观结构存在差异，但弹性性能变异很小，说明该材料的制造工艺具有良好的一致性。
未来研究方向包括扩展至大变形、塑性和损伤分析，以及开发共形网格划分方法。此外，直接从神经网络模型推断几何描述而非通过分割中间步骤，也是值得探索的方向。这项研究为复合材料性能预测提供了高效可靠的数字化工具，对推动复合材料在航空航天等领域的应用具有重要意义。
