基于深度算子网络的碳纤维/环氧树脂复合材料工艺诱导变形概率预测
计算工程、金融与科学
2026-05-04 v5 材料科学
机器学习
摘要
纤维增强体和聚合物基体因热膨胀系数不匹配以及热固性材料固化过程中的基体收缩而对制造条件产生不同响应。这些非均质性在多个长度尺度上产生残余应力，其部分释放导致工艺诱导变形（PID），需要准确的预测和缓解，并通过优化的非等温固化循环实现。本研究考虑单向 AS4 碳纤维/胺基双官能环氧树脂预浸料，并采用双机制框架建模 PID，该框架考虑了热膨胀/收缩和固化收缩。该模型经过制造试验验证以确定初始和边界条件，然后用于生成多样化非等温固化循环（时间-温度曲线）的 PID 响应。在此物理基础上，我们开发了基于深度算子网络（DeepONet）的数据驱动代理模型。DeepONet 在结合高精度模拟与 PID 靶向实验测量的数据集上进行训练。我们将其扩展为特征线性调制（FiLM）DeepONet，其中分支网络特征由外部参数（包括初始固化度）调制，从而实现对固化度、粘度和变形时间历程的预测。由于实验数据仅在有限时间点可用（例如最终变形），我们采用迁移学习：基于模拟训练的 trunk 和分支网络被固定，仅使用测量的最终变形更新最后一层。最后，我们通过集成卡尔曼反演（EKI）增强框架，以量化实验条件下的不确定性并支持减少复合材料 PID 的固化工艺优化。
引用
@article{arxiv.2512.13746,
title = {Probabilistic Predictions of Process-Induced Deformation in Carbon/Epoxy Composites Using a Deep Operator Network},
author = {Elham Kiyani and Amit Makarand Deshpande and Madhura Limaye and Zhiwei Gao and Zongren Zou and Sai Aditya Pradeep and Srikanth Pilla and Gang Li and Zhen Li and George Em Karniadakis},
journal= {arXiv preprint arXiv:2512.13746},
year = {2026}
}
备注
21 pages, 13 figures