一、导读

碳纤维增强聚合物（CFRP）复合材料以其卓越的强重比和机械性能，在各类工程领域中得到了广泛应用。然而，由于CFRP具有多相特性和复杂的微观结构相互作用，精确预测其中的裂纹扩展路径依然是一个充满挑战的任务。尽管有限元模拟在模拟CFRP裂纹行为方面表现出色，但它们通常需要大量计算资源和较长的运行时间，这限制了其在高计算需求应用中的可行性。因此，如何在保持高预测精度的同时显著降低计算成本，成为当前研究的一个关键方向。

近日，同济大学复合材料结构件设计与制造教育部重点实验室提出了一种全新的多模态融合深度学习方法。该方法基于端到端的编码器-解码器架构，将裂纹预测问题转化为像素级二分类任务，实现了仅通过CFRP的微观结构和损伤早期的应力场图像即可精准预测最终裂纹路径，为复合材料的裂纹预测提供了一种全新的解决方案。文章发表于国际知名期刊《Composites Science and Technology》，论文标题为“Multimodal Data Fusion Enhanced Deep Learning Prediction of Crack Path Segmentation in CFRP Composites”。

二、内容简介

该研究聚焦于碳纤维增强复合材料的裂纹路径预测。利用Abaqus软件对二维CFRP代表性单元进行了模拟，采用底部固定、上端施加位移荷载的方式，模拟了导致材料失效的横向贯穿裂纹。在加载过程中，记录了裂纹萌生前的应力场图像以及最终形成的裂纹路径图像。为解决裂纹与非裂纹区域像素不平衡的问题，研究还通过局部放大裂纹区域的方法对掩码图进行了处理。图1展示了整个数据集准备及预处理的流程。

图 1. 用于深度学习训练的数据集的准备流程。

研究团队提出了一种端到端的深度学习框架，如图2所示。该方法受语义分割模型的启发，采用EfficientNet分别对微观结构图像和裂纹萌生前的应力场图像进行特征提取，通过融合模块将这两种模态的高维特征进行整合。随后，利用解码器生成裂纹路径的分割结果。此外，特征融合模块中引入了自注意力机制，能够在训练过程中动态调整不同特征的权重分配。鉴于先验知识无法确定哪些特征对裂纹路径预测更为关键，这种自适应权重分配机制有助于模型自主学习最优的特征组合，从而提高预测的准确性和鲁棒性。

图 2. 用于裂纹路径预测的深度学习模型的架构。

图3展示了模型对不同代表性体积单元（RVE）预测结果的示例，每个RVE均具有独特的随机分布纤维结构。图中呈现了应力场分布以及经过100个训练周期后模型生成的裂纹路径。结果表明，模型能够有效预测裂纹的起始和扩展，成功捕捉到复合材料内部复杂的损伤模式。展示的结果包括位于上、中、下区域的主要裂纹路径，显示出模型在不同位置的裂纹路径上均有出色的识别能力。相比之下，有限元模拟每次预测需耗时数十分钟，而经过训练的模型仅需0.2秒即可完成预测，在保持较高精度的同时，大幅提高了效率。

图 3. 部分预测结果与仿真结果对比。

此外，图4展示了融合模态与单一模态特征预测结果的对比。与仅使用单一模态特征相比，特征融合技术能显著提升预测的准确性和细节捕捉能力。多模态特征融合不仅能更精确地识别裂纹的长度和断裂模式，还能有效捕获单一模态特征容易忽略的细微裂纹和关键损伤点。

图 4. 融合模态与单一模态特征预测结果的对比。

三、小结

该研究提出了一种端到端的深度学习架构，该架构结合多模态数据融合和自注意力机制，采用受语义分割启发的图像分割技术，将裂纹预测问题转化为像素级二分类问题。该方法仅利用微观结构信息和裂纹起始前的初始应力场，即可高效率准确预测CFRP复合材料中的最终裂纹路径，为复合材料的裂纹预测提供了一种新的高效解决方案。

原始文献：

Zhang, P., Tang, K., Chen, G., Li, J., & Li, Y. (2024). Multimodal Data Fusion Enhanced Deep Learning Prediction of Crack Path Segmentation in CFRP Composites. Composites Science and Technology, 257, 110812.

原文链接：

https://doi.org/10.1016/j.compscitech.2024.110812