《ADVANCED ENGINEERING INFORMATICS》：Deep learning for predicting impact energy and compression after impact strength of composite materials using C-scan images
编辑推荐：
碳纤维复合材料超声C-扫描图像分析，开发基于ResNet18的深度学习框架实现冲击后压缩强度（R2=0.7948±0.0847）和冲击能量（R2=0.9436±0.0098）预测，揭示分层与表面缺陷的物理损伤机制。
杰森·P·麦克（Jason P. Mack）| 法伊赞·米尔扎（Faizan Mirza）| 董中辉（Zhong-Hui Duan）| 长谷部沙纪（Saki Hasebe）| 樋口亮（Ryo Higuchi）| 横关智弘（Tomohiro Yokozeki）| 坦凯特（K.T. Tan）
美国俄亥俄州阿克伦市阿克伦大学机械工程系，邮编44325-3903
摘要
传统上，对碳纤维增强聚合物（CFRP）复合材料冲击后性能的评估依赖于简化的标量指标，这些指标无法捕捉导致材料失效的复杂空间相互作用。本研究通过开发一个自动化、端到端的深度学习框架来克服这一局限，该框架从手动特征提取转向直接解读超声波C扫描得到的原始损伤形态。使用基于ResNet18的卷积神经网络（CNN），并在1,428张增强图像上进行训练，该模型在冲击后的压缩强度（CAI）预测方面的决定系数（R2）为0.7948 ± 0.0847，在冲击能量预测方面的决定系数为0.9436 ± 0.0098。除了预测功能外，这种双用途方法还作为一种分析工具，用于提取物理洞察。特征重要性图显示，模型能够识别出物理上显著的区域，如分层和表面不规则性，这些区域与层间屈曲和基体压碎位置相对应。具体而言，该框架能够区分引发局部不稳定的椭圆形分层和反映稳定载荷重新分布的圆形模式。这项工作提供了一种高保真的评估工具，架起了自动化无损检测与复合材料失效基本力学之间的桥梁。
引言
碳纤维增强聚合物（CFRP）复合材料因其高强重比而在航空航天、汽车和各种结构应用中得到广泛应用。然而，CFRP材料仍易受到低速冲击（LVI）的影响，这种冲击会引发无法检测的损伤，从而降低结构完整性[2]。冲击后的压缩测试（CAI）是评估材料冲击后残余强度的标准方法[3]。无损检测（NDE）技术，如超声波扫描[4]和微计算机断层扫描[5]，被用来识别内部损伤。特别是，超声波C扫描成像可以显示由LVI引起的分层，提供与残余强度相关的损伤特征，从而支持CAI分析[6]。
实验、数值和理论方法已被用于研究CAI失效机制。德弗雷塔斯和雷伊斯（De Freitas and Reis）[7]发现，分层面积与CAI失效的关联程度高于层叠顺序，这突显了分层对屈曲和残余强度的影响。孙和哈莱特（Sun and Hallett）[8]通过数字图像相关性进行了CAI测试，表明分层生长和局部屈曲会引发CAI失效。较低的层间强度会导致分层逐渐扩展并在失效前造成更广泛的损伤，而较高的层间强度则会导致早期脆性失效，裂纹扩展受限[9]。阿比尔等人（Abir et al.）[10]使用一种需要大量校准且对粘合区模型参数敏感的方法模拟了CAI失效。苏蒂斯等人（Soutis et al.）[11]将CAI损伤建模为开口孔洞，与实验结果吻合良好，但在没有穿透孔洞的分层情况下应用有限。
机器学习（ML）在复合材料研究中越来越多地被用于预测机械性能、评估损伤和支持设计[[12], [13], [14]]。帕坦等人（Pathan et al.）[15]证明ML模型可以根据组成成分预测单向CFRP的刚度和强度。张等人（Zhang et al.）[16]利用ML优化了层压设计并减少了仿真时间。刘等人（Liu et al.）[17]探讨了ML如何通过将制造条件与复合材料性能联系起来来支持正向和逆向建模。里贝罗·朱尼奥尔和戈麦斯（Ribeiro Junior and Gomes）[18]回顾了使用声学、超声波和热成像数据识别复合材料损伤（如LVI引起的损伤）的应用。然而，很少有研究关注利用ML预测冲击损伤，更少有研究关注评估冲击后的结构效应。
长谷部等人（Hasebe et al.）[19]利用从表面轮廓中提取的手工特征来预测CAI强度，将表面损伤特征（如凹陷深度和凸起高度）与残余性能联系起来。赵等人（Zhao et al.）[20]预测了多次冲击后的CAI强度，确定冲击能量是一个关键因素，而赖纳等人（Reiner et al.）[21]利用模拟损伤模型准确预测了CFRP的压缩响应。尽管这些研究建立了损伤指标与强度之间的明确联系，但它们通常依赖于简化的标量特征或模拟几何形状，可能无法完全捕捉实验样品中的复杂内部损伤状态。
深度学习为复合材料建模提供了强大的框架，尤其是在基于图像数据进行预测时。卷积神经网络（CNN）非常适合这项任务，因为它们专门设计用于捕捉图像中的关键空间特征和复杂模式，如微观结构或无损检测扫描结果，从而能够预测复杂的材料行为。杨等人（Yang et al.）[22]和金等人（Kim et al.）[23]的最新研究成功地使用CNN预测了复合材料的应力-应变曲线。类似地，塔比安等人（Tabian et al.）[24]首先将机电信号转换为图像格式，然后应用CNN对冲击参数进行分类。柳等人（Lyu et al.）[25]和王等人（Wang et al.）[26]利用深度学习预测损伤并预测CAI强度；然而，他们的框架主要是基于有限元分析生成的数据集进行替代建模的。虽然这些研究展示了CNN的预测能力，但它们依赖于数值模拟而非实验图像。
本研究的目的是通过一个自动化的深度学习框架，弥合实验无损检测与预测性结构力学之间的差距。尽管之前的研究使用工程测量或合成数据集预测了冲击响应或CAI强度，但本工作的创新之处在于它采用了一个端到端的框架，直接解读来自实验超声波C扫描的原始损伤形态。这种方法解决了简化标量指标的局限性，这些指标无法捕捉导致复合材料失效的复杂空间相互作用和几何不稳定性。该框架既可作为残余强度的预测工具，也可作为法医结构分析的诊断工具。通过从冲击后数据重建初始冲击能量，该模型提供了一种区分标准服务载荷和超出设计规范的异常事件的重要手段。这一能力验证了模型学习能量耗散与内部退化之间物理关系的能力，有助于长期完整性管理和疲劳寿命的重新评估。最终，这项研究的价值在于开发了一种高保真工具，能够提供准确的强度预测，并深入理解控制冲击后性能的物理机制。
数据收集、准备和增强
本研究使用了长谷部等人[1]提供的238张C扫描图像，这些图像是在对具有准各向同性（QI）和交叉层压（CP）结构的CFRP层压板进行LVI测试后获得的，层压板包含8层、16层和24层。测试使用了不同的半球形和圆锥形撞击器，在不同的冲击能量水平下进行。图1展示了典型的C扫描图像，通过颜色强度显示内部损伤：蓝色表示未受损区域，黄色到红色表示分层区域，白色表示表面
数据分析
图3展示了CAI强度与冲击能量的散点图，并叠加了从C扫描数据集衍生的核密度估计（KDE）图，以表示不同的CAI强度水平。高CAI强度保留区域用蓝色表示，中等强度区域用绿色表示，低强度区域用红色表示。KDE图揭示了局部聚集区和广泛的重叠区域。冲击能量范围从2.4 J到15.5 J，而CAI强度值介于109 MPa到568 MPa之间。
结论
本研究开发并验证了一个CNN框架，可以直接从超声波C扫描图像预测CFRP层压板的CAI强度和冲击能量。训练有素的模型表现出高预测性能，CAI强度的R2为0.7948，冲击能量的R2为0.9436，表明C扫描中捕获的空间损伤特征对残余性能具有很高的信息量。SHAP分析显示，网络对分层形态的重视程度最高
CRediT作者贡献声明
杰森·P·麦克（Jason P. Mack）：撰写——原始草稿，调查，正式分析。法伊赞·米尔扎（Faizan Mirza）：验证，方法论。董中辉（Zhong-Hui Duan）：监督，项目管理。长谷部沙纪（Saki Hasebe）：资源，数据管理。樋口亮（Ryo Higuchi）：可视化，软件。横关智弘（Tomohiro Yokozeki）：概念化。坦凯特（K.T. Tan）：撰写——审稿与编辑，资金获取。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
作者感谢美国国家科学基金会（NSF）的研究培训奖学金（资助编号2152210）和国际学生研究体验（IRES）奖学金（资助编号2503801）的支持。
