《Journal of Materials Research and Technology》：Neural Surrogate Modeling of Thermophysical Properties in SiC-Reinforced A356 Aluminum Composites for Thermal Management in Brake Applications
编辑推荐：
研究人员针对SiC增强A356铝合金基复合材料（AMMCs）在制动应用中的热管理需求，提出了一种物理信息驱动的浅层前馈人工神经网络（ANN）框架，用于预测其热导率（k）与热膨胀系数（αt）。原始实验数据集涵盖0%–40% SiC质量分数的多组分样本，由于样本量
研究人员针对SiC增强A356铝合金基复合材料（AMMCs）在制动应用中的热管理需求，提出了一种物理信息驱动的浅层前馈人工神经网络（ANN）框架，用于预测其热导率（k）与热膨胀系数（αt）。原始实验数据集涵盖0%–40% SiC质量分数的多组分样本，由于样本量有限且热物理响应呈强非线性，研究人员采用物理引导的数据增强策略，结合相邻组分插值、不确定性感知噪声注入（±2%–5%）及热力学与力学约束筛选，将数据集扩充至约120–150个物理一致样本。模型输入特征为SiC增强比例、密度及弹性模量，输出为热导率与热膨胀系数，使用Python实现。结果显示模型收敛性良好，预测值与实验值高度吻合，R2达0.985，RMSE=0.29，MAE=0.21，优于传统ANN及混合方法。与传统数据驱动模型不同，该框架在增强与训练流程中嵌入了热力学一致性、混合律约束及增强相–性能单调关系，使神经网络成为受物理边界限制的代理预测器，适用于有限实验条件下的制动相关热物理性能评估。
该研究由E. Aravindaraj与Natrayan Lakshmaiya完成，发表于《Journal of Materials Research and Technology》。研究背景指出，现代交通工具制动系统在高热负荷与机械应力下的可靠性需求不断提升，传统灰铸铁制动盘虽可靠但重量大、磨损颗粒排放高，SiC增强铝基复合材料因高强度重量比、优异导热性和耐磨性成为潜在替代材料。然而，其热导率与热膨胀系数等热物理性能的精准预测仍面临挑战，原因包括实验数据集稀缺、性能与成分间非线性强、传统经验公式无法全面描述复杂相互作用。现有机器学习方法多依赖大规模数据且仅关注力学性能，缺乏针对制动工况的热物理响应集成与物理约束嵌入。为此，研究人员开发了物理信息浅层前馈ANN模型，并结合物理引导数据增强技术，实现了在小样本条件下对热物理性能的高精度预测，为制动材料的优化设计提供了高效计算工具。
关键技术方法方面，研究人员首先采集公开实验数据集，包含0%–40% SiC质量分数的五组热物理样本与四组力学性能样本；随后进行物理信息数据增强，采用相邻组分线性插值生成中间样本，加入±2%–5%高斯噪声模拟实验不确定性，并通过混合律密度约束与单调性过滤剔除非物理样本；特征选择阶段保留SiC质量分数、密度与弹性模量作为输入，热导率与热膨胀系数为输出；模型采用最多两层隐藏层的浅层前馈ANN结构，激活函数为ReLU，优化器为Adam，配合L2正则化与早停策略防止过拟合，训练集、验证集与测试集按70%、15%、15%划分。
研究结果部分，首先在热物理趋势分析中，研究人员发现随SiC含量增加，热导率呈下降趋势，归因于陶瓷颗粒较低的导热率与界面声子散射增加；热膨胀系数显著降低，弹性模量上升，符合经典复合材料理论。物理信息数据增强的有效性验证表明，增强样本保持了原有单调趋势与物理合理性，扩充了样本空间，提高了模型的泛化能力。神经网络训练收敛性分析显示，训练与验证损失在500轮内稳定下降并趋于饱和，R2最终接近0.98，无显著过拟合现象。预测精度评估中，热导率与热膨胀系数的预测值与实验值高度一致，R2=0.985，RMSE=0.29，MAE=0.21，误差分布无明显系统性偏差。特征敏感性分析表明，SiC质量分数对热物理性能影响最大（约占65%），其次为密度（约25%）与弹性模量（约10%），符合材料科学原理。制动适用性评估中，研究人员确认高导热与低热膨胀的SiC含量区间为最优设计窗口，可在高温制动工况兼顾散热效率与尺寸稳定性。与现有模型对比，该方法在RMSE、MAE与R2指标上均优于GA-BPNN、传统ANN、DSW Model-4与随机森林回归等方法。
讨论部分，研究人员指出模型结果与经典混合律及热传导理论一致，物理信息数据增强有效缓解了小样本问题，提升了预测的物理可信度。但仍需在更广泛实验条件与独立数据集上验证，并考虑温度依赖性、循环热机械载荷等实际制动因素。特征敏感性结果进一步验证了模型的可解释性，SiC含量、密度与弹性模量的作用机制与材料学原理相符。该框架可用于制动材料早期筛选，减少实验次数，加速高性能铝合金制动部件开发。
结论部分翻译：本研究提出的物理信息ANN模型可高精度预测SiC增强A356铝合金基复合材料的热物理性能，并在制动设计中实现可靠的材料筛选与优化。物理约束的数据增强与单调性过滤减少了非物理预测风险，模型表现出良好的稳定性与泛化能力。R2=0.985，RMSE=0.29，MAE=0.21，优于传统方法。特征重要性分析表明SiC含量是决定散热与尺寸稳定性的主导因素，密度与弹性模量分别调节热扩散与膨胀抑制。当前模型在训练所用的SiC含量范围内验证有效，超出范围可能因微观结构变化导致预测偏差。未来工作将引入更多微观结构参数、温度依赖特性及多目标优化方法，以进一步提升制动材料的设计效率与性能可靠性。
