复合材料的多尺度建模与仿真（3三）
5.最近的发展和创新
数字工程、多尺度建模、人工智能（AI）和高性能计算（HPC）的结合开创了复合材料建模和仿真的新时代。即使它们很好地用于基本结构，传统的理论或纯数值方法也经常无法捕捉当代复合材料中基体、纤维和相间区域之间的复杂相互作用。
通过将数据驱动的智能与基于物理的概念融合，当前的技术发展克服了这些限制，并实现了更精确、更有效和更可扩展的模拟。由于其优异的机械性能和低重量，复合材料越来越多地被应用于许多不同的行业。混合复合材料提供了更大的性能潜力，它集成了许多形式的增强。预计复合材料的设计和评估，以及尖端信息技术的集成，将降低长计算周期，并鼓励复合数字复制品有效地确定物理条件，并扩展工程应用的新能力。
目前，建模和实验技术通常用于质量预测。然而，这些方法有许多缺点，包括预测周期长、费用高以及未能考虑整个固化过程中的相关物理场，这导致不准确的复合材料质量评估。由于多个相邻尺度的结构特征对材料的宏观行为和质量具有至关重要的作用，因此目前非常需要研究和设计具有复合结构的材料。然而，尽管人们对多尺度建模（包括计算机辅助结构设计和材料数字孪的生产）产生了广泛的兴趣，但它的发展受到了几个基本问题的阻碍。特别是，为了实现计算效率与建模精度和可靠性之间的平衡，必须在质量上更复杂的基于物理的方法和材料建模的简化唯象方法之间找到折衷方案。然而，由于其复杂的微观结构和失效机制，这些材料的评估和设计可能具有挑战性。
本节涵盖了重新定义复合材料建模研究和应用的五个重要进步领域。图8显示了复合材料模拟的当前进展和创新。
5.1 人工智能和机器学习集成
机器学习（ML）和人工智能（AI）已成为复合材料建模和模拟的革命性技术。传统的方法通常依赖于复杂的本构模型，需要大量的实验数据来校准。另一方面，ML算法通过直接从数据中学习微观结构特征和宏观属性之间的相关性，可以快速准确地预测复合行为。纤维增强复合材料的弹性模量、拉伸强度（包括疲劳寿命）都已使用人工神经网络、增强学习或高斯过程回归等方法准确预测。此外，人工智能驱动的优化方法越来越多地被用于确定理想的基体成分、固化周期和纤维方向，以尽可能低的计算成本获得所需的性能。对于计算模拟负担不起的设计探索空间，与替代建模技术一起的强化学习非常有用。
然而，仍然存在问题，特别是在优秀数据集的可访问性和机器学习模型的理解方面。为了提高模型的解释能力和可靠性，研究人员正在创建物理信息机器学习结构，将数据驱动学习与基本材料规则相结合。图9显示了人工智能和机器学习之间的关系。
图9. 人工智能与机器学习之间的关系
5.1.1. 人工智能（AI）
人工智能驱动的技术具有先进的发展，具有更好的表征和独立测试，同时通过结构生成、特征预测、高通量（HT- high-throughput）评估和计算机化设计彻底改变了寻找材料（复合材料）的过程。当量子计算和人工智能相结合时，更快、更精确的发现将成为可能，伦理规则将保证负责任的人类人工智能合作，同时解决决策中的偏见、问责和公开问题。
近几十年来，人工智能（AI）方法在材料性能预测中的使用显著增加。来自数值模拟和实验观测的材料数据的可访问性的提高是这种扩展的原因。通过在航空、农业、纺织、汽车、国防、电子电气、体育、市政基础设施和海洋等各种行业使用人工智能，复合材料正在取代许多传统材料生产建筑材料和其他部件。航空航天和航天部门最困难的工程高性能材料是复合材料。航空航天工业的首要任务是减少质量和提高损伤容限，现在这很容易进行AI的创新。
例如，纤维增强聚合物（FRP-Fiber-reinforced polymers）复合材料因其特殊的机械强度、寿命和轻质特性而对汽车、飞机和土木工程的生产至关重要。有限元（FE）方法在历史上一直用于FRP材料的模拟和优化。尽管这些方法是有用的，但它们经常无法捕捉在各种情况下表征这些复合材料的复杂行为。随着人工智能（AI）的引入，可以改进FRP材料分析和设计的复杂工具已经可用。图10显示了FRP在建筑、船舶、汽车、电子、消费品、航空航天、家电领域中的市场份额分布。图11说明了成型中FRP的主要常规制造技术。
图10. 玻璃纤维增强塑料在各类应用中的市场份额分布
图11. FRP模塑成型的主要传统制造技术
总体而言，聚合物复合材料行业将从人工智能在数据分析、工艺管理、材料选择、减少操作员操作失误和生产过程中选择参数等领域的应用中获得大量收益。可悲的是，今天制造商在这方面仍在失败。这些研究可以指导优化工作，这对聚合物和复合材料工业至关重要。
5.1.2 机器学习
当代工程应用的最终目标是设计具有改进的定制特性的新材料。具有所需特征的新型材料的预测模型可以通过使用机器学习（ML）和材料信息学来分析材料成分和特性的大型数据集来开发例如，通过优化工作流和加速材料识别和优化程序，在材料发现和程序优化中使用数据驱动策略可以大大提高效率和节省成本。使用机器学习来预测基于热塑性聚合物基质的PCM的特征和组成的算法是这一前瞻性经验在将ML驱动的战略应用于工业用途时的主要重点。
在材料研究中，机器学习（ML）算法的最新发展为数据驱动建模创造了新的机会，计算机可以高精度地预测特性，并从经验数据中了解复杂的相关性。但是，该领域的大多数机器学习应用都有两个缺点：第一，它们没有量化预测的不确定性，这对于风险感知设计是必不可少的；第二，由于数据集不完整或不平衡，它们在各种基体填充系统中的泛化性有限。然而，由于他们假设完全扩散和键合，理论模型，如混合物规则和Halpin Tsai方程，历史上一直用于估计复合材料性能，在纳米复合材料的设置中经常失败。为了识别这些非线性、多变量联系并根据经验数据创建预测模型，研究人员越来越多地求助于机器学习（ML）。
最后，我们可以说，在聚合物复合材料领域，机器学习已经取得了重大进展，为材料开发的几个阶段（如设计、发现、制造或故障预测）提供了创造性的解决方案。此外，机器学习（ML）技术在复合材料的建模和模拟中发挥着至关重要的作用，包括降低成本和实验时间，提高金属行为的准确性，多时间建模，质量控制，可持续性等。
5.2 数字双胞胎和实时模拟
术语“数字孪生”（DT）是系统或物理环境在其存在过程中的虚拟镜像或表示。“数字孪生”是一个聪明的想法，它组织了各种专业领域，以协助与特定资产相关的工程决策；它解释了数学模型、传感器、学习、实时分析、诊断、预测等。我们研究了机器学习和基于物理的模型在该框架内的集成，以最大限度地发挥其潜力。建议的DT实施技术已用于实时监控各种复杂的结构部件，如涡轮叶片和飞机机翼。为了提高生产效率和缩短上市时间，实施了对DTS的更改和升级，如车间自动化和知识构建、模拟车间构建、生产计划模拟或验证以及生产过程实时监控和调度。
通过鼓励在航空航天工程以及汽车、涡轮机中额外研究和使用数字孪生和实时模拟技术，该方法（数字孪生）成为解决飞机部件生命周期以及服务间隔的定义和建模问题的工具。传感器数据与设计模型信息的结合对于改进设计、分析和服务程序具有很大的潜力。因此，飞机操作总体上变得更安全、更高效和更经济。
5.3 多尺度和多物理模拟进展
快速扩展的建模和模拟领域对广泛的行业产生了影响，包括半导体、冶金、陶瓷、聚合物、复合材料以及新技术、软件、实践和方法。由于建模和模拟，现代材料科学正在发生变化，建模和模拟正成为发现新材料和材料现象、理解控制材料行为的机制以及越来越多地产生定量预测的关键工具，这些预测可以作为设计工具的一个组成部分，与实际合成和表征完全合作。将不同的尺度集成到单一的、内聚的模拟框架中是多尺度建模的目标。
最近开发了并行多尺度方法，其中连续介质力学模型、分子动力学（MD-molecular dynamics）和微尺度代表性体积元（RVE）在计算过程中并行操作并交换数据。分子动力学（MD）、耗散粒子动力学（DPD）、离散单元法（DEM-discrete element method）、微尺度代表结构单元（RVE）同时运行，多尺度技术都在这一点上详细介绍。图12解释了一种自下而上的策略，包括从头计算、密度泛函理论（DFT）、ReaxFF、MD、经典MD、CGMD、蒙特卡洛（MC）、相场和有限元模拟方法。它还显示了适当的示意图模型以及每个模拟方法的时间和长度比例。
图12. 纤维增强聚合物（FRP）复合材料多尺度模拟框架
5.3.1 分子动力学（MD）
MD模拟对于弥补连续介质力学和量子化学之间的差距至关重要。它是一种基本且适应性强的仪器，可以在原子/分子水平上研究材料的化学、机械和热力学特性，并模拟所示的分子结构。分子动力学模拟用于更好地了解纳米结构材料复合材料的关键机制。此外，许多以前无法通过实验实现的纳米级表征变得可行。然而，分子动力学模拟的大小只能是几微米，其持续时间只能是几微秒。传导分子动力学模拟结合了所获得的纳米填料的特性。当处理大型系统和相对较长的模拟时间时，MD模拟提供了合适和有效的解决方案。
5.3.2 耗散粒子动力学（DPD）
DPD是一种连接宏观和微观领域的非常粗粒度的技术。霍格布鲁格（Hoogerbrugge）和科尔曼（Koelman）首次将该方法发展为流体系统模拟的中尺度方法。在此之后，马什（Marsh）和索尔（Šol）以及沃伦（Warren）根据统计力学为DPD奠定了坚实的理论基础。近年来，随着小规模技术的快速发展，DPD越来越受到关注，其用途迅速扩展到各种研究领域。由于DPD仿真的广泛使用，相关的仿真软件必须满足严格的标准。DPD计算可以使用广泛使用的商业工具如Materials Studio和Lamps来完成。
Lamps主要使用开源代码计算。要创建各种模拟环境，用户可以更改源代码。数百万个原子和分子系统，包括气态、液态或固态、不同的系综和各种可能的函数，都得到了它的支持。由于模拟系统是伽利略不变量和动量守恒的，因此DPD比布朗动力学、晶格气体方法和晶格玻尔兹曼方法更有用，可以用来研究微通道中聚合物运动的中尺度特性。聚合物链影响或决定流场中的速度，并且聚合物溶液通常显示微通道中的Poiseuille流动。有限可扩展的非线性弹性（FENE-finitely extendable non linear elastic）结构通常用于DPD来描述聚合物链。微通道的聚合物溶液流动由外力和进气口和输出口的反复出现的边界条件推动。图13是关于DPD的应用和示意图。
图13. DPD应用与模拟
DPD是一个中尺度模拟过程，用于监测聚合物、双分子、软材料和分子动力学、燃料电池、囊泡、表面活性剂等的行为。
5.3.3 微尺度代表体积元素（RVE）
对于结构分析，知道纤维和基体在复合材料结构中的精确排列是不切实际的。很明显，纤维的分布是非常随机的，而不是均匀的。复合材料的有效特性是在反复出现的代表性体积元件（RVE）上平均的特性。对于被归类为RVE的元素，它必须足够大以描述微观结构，并且与宏观结构尺寸相比足够小。图14中解释了微尺度代表性体积元素（REV）。
图14. 该图展示了复合材料的纤维、基体及微尺度代表性体积单元（RVE）。
通过计算RVE有限元框架的场平均值，确定等效均匀UD层压板的有效值。在强度设计的去均匀化/局部化方法中，将RVE阶段内的应力和应变的地理分布添加到希尔（Hill）对RVE的定义中。RVE中纤维配置的随机性会导致预测的可变性，因此使用任何微观力学分析方法来确定均匀化弹性特性或非均匀化临界强度特性所使用的纤维总量的正确RVE尺寸是重要的。
5.4 新型复合材料类型和建模策略
为了使未来航天器的TPS适应进入条件，研究人员开始关注新的热防护复合材料，如三维编织复合材料（3DWC），以取代传统的材料。此外，这一点集中在混合复合材料上，通过将纳米管添加到碳基或酚醛复合材料中，以保持机械强度并提高隔热能力。表9显示了新的复合类型和建模策略。
表9. 展示了新型复合类型及建模策略
5.4.1 Nan复合材料
由于对高性能和可持续材料的需求增加，出现了挑战传统建模框架的新复合材料类别。纳米颗粒：通过添加纳米级填料（如石墨烯、碳纳米管（CNT）和纳米薄膜），可以大大提高电气、机械和热性能。组合中使用了具有玻璃、碳以及凯夫拉基体的不同天然纤维。结果表明，韧性、抗弯强度、弹性模量和抗拉强度、抗冲击性、疲劳强度和表面之间的粘合得到了改善。碱处理的复合材料在机械和耐化学性方面表现出显著的改进。这些数据强调了混合材料在为一系列用途定制特定质量方面的灵活性，同时也强调了考虑纤维种类和处理技术等元素以最大限度地提高复合材料性能的重要性。
5.4.2 生物基复合材料
生物基复合材料使用生物可降解成分，在其生命周期结束时最大限度地减少环境影响，并采用减少、重复使用和回收的循环经济概念。通过上循环或下循环生物基纤维复合材料，将进一步减少对新资源的需求。因此，使用生物基纤维复合材料作为生物经济或循环经济的一部分，意味着在可持续做法、保护自然资源、减少温室气体排放和促进更具恢复性的经济模式方面迈出了实质性的一步。然而，缺乏对生物基复合材料如何在维护性能标准的同时解决这些问题的全面评估。例如，当代设计最重要的建筑材料之一是混凝土，随着建造更多的结构和需要开发周围的基础设施，对其制造的需求与日俱增。世界上8%的二氧化碳排放是由水泥的生产造成的，水泥是混凝土的关键组成部分。
5.4.3 智能和自我修复复合材料
传统的复合材料通常具有金属、陶瓷或聚合物基体，将材料固定在一起，或者包含增强体，如纤维或颗粒，以增加材料的强度和刚度。压电材料、磁致伸缩材料、形状记忆合金和聚合物、反射材料、水凝胶、电致变色或热反射材料、导电聚合物、磁流变以及电流变材料、碳纳米管、石墨烯和自愈聚合物都是智能材料的例子。虽然自愈复合材料使用血管网络或微胶囊来自动修复裂缝，但智能复合材料能够感知应力、温度或损伤的变化。
5.5 高性能计算和高级模拟工具
由于多尺度和多物理模拟的计算要求很高，复合材料的研究需要高性能计算（HPC）。大型系统可以通过在具有多个核心和GPU的CPU的HPC平台上使用同时有限元、分子运动和蒙特卡洛模拟来显著减少计算时间。模拟HPC系统需要模拟影响应用程序性能的许多系统元素。发现计算系统和应用程序的表示不能视为完全独立的活动；也就是说，计算系统的表示必须考虑应用的特征，因为现有的模拟器无法准确地复制HPC系统的所有复杂特征，以便产生独立于应用系统表示的通用表示。
高度可配置的用户定义材料子程序现在由ANSYS、ABAQUS、Digimat COMSOL、LAMPS以及OpenFOAM等程序支持，允许研究人员包括独特的复合材料本构关系和损伤模型。随着大规模计算机集群、GPU加速器和多核CPU的发展，计算能力也显著增加。某些基本的并行技术，如负载平衡、GPU加速、通信优化和并行编程模型（如MPI和OpenMP），仍在研究中。矢量处理单元，通常被称为阵列处理器，曾经主导超级计算机设计，其操作与GPU非常相似。它们是“主机”系统的额外部分，用于传输内核，而内核基本上是CPU。C和C+ + 可用于编程GPU。打开CL，HIP，C+ +,AMP、Direct Compute和OpenACC只是众多GPU编程API中的几个。这些API通过提供高级函数、指令和硬件抽象，使GPU的使用更加容易接近。目前最先进的仿真平台有ANSYS、ABAQUS、COMSOL、LAMPS、Digimat等。
通过在ANSYS工作台-静态结构模块中构建Digimat接口模块并进行结构研究，定义了通过Digimat-MF模块获得的材料特性，用于宏观尺度上的复合材料拉伸或弯曲试验。ANSYS软件用于使用有限元法进行数值模拟。另一方面，最常用的用于复合材料模拟的ANSYS模块仍然称为APDL（ANSYS参数化设计语言）。APDL比Workbench用户界面更灵活，后者集成了ACP，即使它需要更好地理解模拟思想。工作台界面提供了更用户友好和直观的体验，因为它的材料数据库或根据问题分析自动选择元素类型。此外，还提供了一个有效的ABAQUS插件工具，用于在结构设计阶段查找具有重复功能（如机身）的大型复合材料建筑中的热点。
由于其强大的建模和编程能力，二次开发基于ABAQUS平台，该平台用于模拟裂纹扩展过程。MATLAB、COMSOL或Python等软件工具现在对于从事数学建模和模拟领域的研究人员和专业人员至关重要。这些工具中的每一个都有特殊的功能，可以解决建模和模拟的不同方面，为用户提供基于其自身需求的各种选择。对新型非材料的物理化学特性的研究越来越集中在原子模拟上。由于其许多功能、响应性社区支持和良好的适应性，GROMACS和LAM MPS现在是分子动力学模拟最受欢迎的开源程序。总体而言，HPC软件使更快地运行大规模高保真模拟成为可能。
6.挑战和限制
尽管取得了重大进展，但复合材料的建模和模拟具有固有的局限性，限制了其预测性能、可扩展性、跨物理和数据域集成。在许多尺度上测量行为，一端是原子相互作用，另一端是结构性能，涉及计算密集、复杂的计算。此外，当涉及在单个框架中结合热、机械和化学现象时，往往会出现收敛和兼容性问题。缺乏标准化的实验数据也使模型的校准和验证变得更加困难，使其在使用时不太可靠。所有这些限制都不利于创建工业应用和先进材料设计所需的通用、可扩展和预测模型。
6.1 准确性和验证问题
模拟的准确性是复合材料建模中最具挑战性的问题之一。大多数分析和数值模型都依赖于理想化的假设，如纤维的均匀分布、完美的界面结合或完美的微观结构。但在现实世界的使用中，碳纤维增强聚合物（CFRP）材料被用于制造，例如，波音787梦想飞机的机身，缺陷是不可避免的，例如以空洞、分层或纤维错位的形式，并且对机械强度有重大影响。现有的模拟模型无法解决这种随机缺陷，导致预测性能和实际性能之间的差异。
由玻璃纤维增强复合材料制成的风力涡轮机叶片也出现了同样的问题。在循环风载荷下，这种大型制造中的任何小空洞或纤维错位都可能扩展到疲劳裂纹，从而严重降低使用寿命。然而，由于有限的实验校准数据和计算能力，目前的模拟模型不能完全捕获这些损伤开始和扩展的局部过程。此外，即使是实验验证也是具有挑战性的，因为复合材料具有高度的层次性。X射线显微摄影、扫描声学显微镜或数字图像相关（DIC-digital image correlation）等技术可能提供部分微观结构信息，但昂贵且具有低分辨率或尺度。实验室中没有标准化的基准数据集也限制了调查结果的再现性和交叉验证。
6.2 计算挑战
多尺度模型，如高保真并行有限元和分子动力学（FEM-MD）耦合，计算成本很高，因此不能在工业规模上使用。举一个例子，模拟玻璃纤维增强风力涡轮机叶片的疲劳行为需要分解数百万个网格元素，并捕捉纤维-基体脱粘或分层等微观损伤机制。这些分析可能需要几天甚至几周的时间，即使它们在高性能计算（HPC）集群上运行也是如此。
尽管GPU加速求解器和自适应网格策略提高了计算效率，但实现模拟精度和处理时间之间的最佳平衡仍然是一个关键挑战。同样，航空航天工业中碳纤维-环氧树脂飞机机翼在动态载荷条件下的抗冲击建模需要精细的时间和空间分辨率来解决冲击波传播和裂纹萌生。在真实尺度上运行这些模拟需要大量的计算资源和内存。因此，工程师通常使用简化模型或降阶模型作为完整模型预测的替代方案，尽管在计算上可行，但会影响模型的预测精度。准确性和实用性之间的这种权衡仍然限制了多尺度模拟工具在工业界的实时和大规模使用。
6.3 集成挑战
在物理领域和长度尺度之间结合模型的能力仍然是复合材料模拟中的一个主要挑战。将微尺度机制缩放到宏观性能参数的过程，例如：纤维基体脱粘、空洞形成和树脂流动，需要仍在开发的缩比桥接框架。这种集成差距经常导致材料建模、结构分析和产品设计的顺序过程不连续，这阻碍了工业应用中性能预测的有效性。
在航空航天部门可以观察到一个真实的案例，即复合材料机身面板的多物理模拟必须能够同时结合热膨胀、吸湿和机械应力行为。内部应力也可能由飞行过程中的温度和湿度变化引起，并导致分层或基体开裂。尽管如此，目前的模型不能精确地耦合这些热机械化学现象，通常导致对疲劳和耐久性问题的低估。同样，各种软件平台（例如，用于撞击前分析的Abaqus和用于撞击事件的LS-DYNA）上的自动碰撞模拟通常会在汽车行业中遇到数据交换、材料定律和边界条件不兼容的情况。这些集成问题降低了模拟可靠性的整体水平，并禁止基于物理的完全耦合复合材料结构设计的优化。
6.4 数据和泛化限制
训练数据的质量、多样性和可访问性是数据驱动和人工智能辅助复合建模的关键。大多数可访问的数据集被缩小到特定类型的复合材料、加工条件或测试参数，这一特征限制了推广人工智能模型的可能性。例如，当与亚麻或黄麻基生物复合材料一起使用时，经过训练以预测碳-环氧树脂层压板的拉伸强度的神经网络可用于提供不可靠的结果，因为这些材料不表现出相同的界面粘附和吸湿特性。此外，由于专有限制，航空航天和国防部门产生的许多实验信息仍然是保密的，这使得很难实现公开的科学工作。
另一个有趣的例子是没有为喷气发动机提供动力的高温陶瓷基复合材料（CMC）的标准化数据集。由于每个制造商使用的配方和测试制度不同，已经在小数据集上进行训练的人工智能模型很难在材料上进行推广。缺乏大型标准化存储库限制了基准测试、再现性和数据驱动复合设计的广泛采用。
除了上述挑战和限制外，对现有文献的进一步分析表明，一些更深层次的研究差距仍然限制了复合材料建模的可预测性。绝大多数现有文献分别讨论了分析、数值、原子和机器学习方法，并且没有提供关于每种方法在哪里表现良好和在哪里表现不佳的比较观点。这种缺乏关键比较的情况限制了具有忠实提供界面力学、微观结构不均匀性和增量损伤的能力的综合多尺度模型的制定。此外，数据集质量、验证过程和微观结构表征的差异提供了模拟和实验观测行为之间的明显差异。研究中的这些差距表明，需要混合、物理信息和以数据为中心的建模模型，以及通用数据和受控验证。在未来的研究中，有必要克服这些限制，提出一种更强大、可扩展和行业就绪的复合模拟方法。
7.未来方向
复合材料建模正在转向混合、智能和可持续的范例，有效地实现基于物理的知识和数据驱动的智能之间的集成方法。传统模拟与人工智能（AI）、机器学习（ML）和数字孪生技术的结合将允许实时预测性能、优化设计和故障诊断。此外，自由获取材料基础和标准化数据框架的发展将有助于提高模型的可靠性和全球合作。与此同时，日益增长的环境意识促进了围绕生物基和可回收复合材料的研究，在这些复合材料中，先进的多尺度模型可以指导可持续材料设计，并加快向更绿色、高性能工程系统的过渡。
7.1 用于复合材料模拟的高级AI/ML
人工智能（AI）正在改变复合材料的建模，并使发现微观结构特性和宏观结构特性之间的复杂相关性成为可能，而这些相关性在传统模型中无法有效表示。物理信息神经网络（PINN）将物理控制方程纳入机器学习系统，提供更好的预测能力和解释能力。例如，美国国家航空航天局（NASA）先进复合材料项目（Advanced Composites Project）的科学家已经成功地实施了深度学习模型，这些模型在有限元（FEM）模拟数据集上进行了训练，以估计复合材料的刚度及其在飞机结构中的损伤开始，其结果比传统模拟模型快100倍。
同样，纤维的结构可以通过图神经网络（GNN- graph neural networks）以互连节点的形式映射，这允许精确预测局部应力集中和失效区。另一个出现在现实生活中的例子是汽车行业，通用汽车（General Motors）和西门子数字工业（Siemens Digital Industries）正在使用人工智能辅助模拟来优化轻型电动汽车碳纤维部件的铺设顺序和方向。通过将强化学习算法与过程模拟数据相结合，它们可以自动识别纤维方向，从而最大限度地减轻重量，同时保持碰撞安全。在这些应用中提出的示例表明，基于人工智能的建模可以从根本上缩短设计周期，提高结构效率，并为可转移的跨材料人工智能模型铺平道路，该模型能够推广到不同的复合材料系统。
典型的人工智能集成多尺度仿真框架显示了使用制造数据、材料特性和纤维特性进行预测分析的机器学习模型的开发方式，如下图15所示。通过转移学习和在线预测，该框架在了解纤维方向、残余应力和结构性能方面不断取得进展。该方法展示了人工智能增强复合材料建模的未来方向，能够为高级工程应用提供更快、数据驱动的设计周期和实时优化。
图15. 复合材料人工智能集成多尺度模拟框架。该示意图展示了一种面向未来的复合材料模拟工作流程。该框架将实验数据与大型离线训练数据（模块2）通过机器学习（ML）方法（模块3），如迁移学习和深度材料网络（DMNs）进行整合，从而高效地为最终的在线多尺度模拟（模块4）提供关键的高分辨率材料性能。这种混合方法旨在克服传统多尺度建模的计算成本问题。
7.2 数字孪生实施
数字孪生是物理系统的实时、数据驱动的虚拟示例，它们正在重塑复合材料工程的世界，因为它们允许连续监控、预测维护和性能优化。数字孪生已经被应用于航空航天工业，以监测主要复合材料部件的结构完整性。例如，空中客车公司和西门子公司正在开发复合材料机翼的数字孪生模型，该模型将现场应变传感器数据与有限元（FE）模拟相结合。这些模型在飞行过程中不断更新，以监控应力、疲劳预测和维护计划优化的发展，从而提高安全性并最大限度地减少停机时间。这种发展的另一个例子是风能部门，通用电气（GE）已经实施了数字孪生概念，以跟踪大型复合材料风力涡轮机叶片。
GE系统能够使用实时传感器数据和多尺度模拟模型来识别由于风载荷变化而产生的疲劳或分层的早期迹象。然后，数字孪生将更新性能预测，并建议纠正措施，以避免故障。这些主动的自我教育系统非常有效地关闭了制造、操作和维护之间的循环，为工程师提供了无与伦比的预测值，并允许延长使用寿命、降低运营成本和任何行业基于复合材料的资产的更高可靠性。实时数字双框架的示意图如下图16所示。它展示了物理系统及其虚拟对应物如何通过连续数据交换和自适应计算保持互连。这种集成能够精确映射真实世界的性能、实时模拟更新和预测决策，这反映了复合材料工程中数字孪生应用的未来方向。
图16. 具有自适应计算和动态同步的实时数字孪生系统框架。该图示展示了数字孪生的核心架构，其中物理系统（底层，类比于运行中的复合结构）通过实时更新和多尺度模拟，持续映射到自适应计算域中的孪生实体（顶层）。该虚拟模型用于做出优化性能、预测故障并制定物理资产维护计划的战略决策。
7.3 可持续和生物基复合材料
总体而言，全球对碳中和和绿色生产的日益关注导致了生物基复合材料的普及，包括亚麻、黄麻、竹子和红麻纤维增强聚合物。尽管这些材料在环境背景下具有明显的好处，但它们的自然可变性和吸收水分的趋势以及复杂的粘弹性行为产生了新的建模问题。未来的模拟模型必须包含包括纤维降解动力学、生物聚合物结晶度和水扩散在内的参数，以预测机械和热性能随时间的变化。在汽车行业，宝马（BMW）等公司已将亚麻纤维复合材料用于宝马i3的内饰板，并正在改进预测模拟工具，以评估在波动的湿度和温度下的尺寸稳定性和强度。
同样，体育用品行业也看到了迪卡侬（Decathlon）和皮划艇法国公司（Canoe Kayak France）使用亚麻和大麻纤维基复合材料生产环保自行车框架和船艇部件的情况。为了对这些天然复合材料进行建模，需要将机械行为和环境老化模型相结合，以考虑水分吸收、生物降解和疲劳。这些发展强调了具有基于多物理的、可持续性驱动的建模体系结构的必要性，这将促进下一代绿色复合材料的高置信度开发。
7.4 先进的多尺度和多物理框架
下一代模拟模型必须允许模型的平滑多尺度和多物理耦合，以实现复合材料的整体行为—从原子相互作用到完整的结构性能。先进的模型现在将用于纳米尺度界面表征的分子动力学（MD）与粗颗粒有限元方法（FEM）相结合，以分析宏观尺度的应力和变形。例如，苏黎世理工学院（ETH Zurich）的科学家创建了一个多尺度框架，以预测受到热机械载荷的碳-环氧树脂层压板中的分层，并能够建立纳米尺度界面脱粘与宏观裂纹扩展和裂纹演化之间的相关性。类似的例子是一个组织的高温复合材料结构项目，在该项目中，基于多物理的模拟平台已被用于模拟喷气发动机涡轮叶片中的陶瓷基复合材料（CMC）。
这些模拟结合了几个尺度上的热、机械和氧化过程，以预测极端操作环境下的耐久性。该框架使工程师能够了解原子级氧化机制如何影响大尺度蠕变和裂纹扩展行为。这些跨尺度建模技术对于设计轻型电动车辆、高超音速飞机和下一代空间系统是必要的，其中系统的可靠性、性能和安全性需要精确预测跨尺度的耦合物理效应。
7.5 开放访问数据库和基准测试工具
迫切需要复合材料的标准开放获取数据库，以确保再现性、透明度和多机构合作。建立一个类似于美国材料基因组计划（MGI）的全球“复合基因组项目”，将集中验证的实验和模拟数据，用于人工智能训练、基准测试和模型验证。NASA兰利复合材料数据库是一项创新计划，其中包含有关聚合物基复合材料的综合实验数据，如机械性能、疲劳行为和环境影响。该项目已成为航空航天研究和数字双胞胎验证的权威来源。
另一个值得注意的有趣案例是日本国立材料科学研究所（NIMS）聚合物复合材料数据库，该数据库收集有关纤维-基体界面、断裂韧性和动态力学性能的信息。这些全球网络不仅能够在人工智能的帮助下发现材料，而且能够直接比较不同实验室的建模方法。将这些数据库扩展到包括生物基、热塑性和混合复合材料，以及多尺度模拟输出（例如，应力-应变曲线、裂纹扩展路径），将加速材料标准化，促进全球数据共享，并最终导致可持续复合材料技术中更快的数据驱动创新。
一般来说，复合建模的未来是更集成和智能的框架，将基于物理的建模与数据驱动方法相结合。一方面，行动计划需要创建混合人工智能辅助模型和增强原子和结构尺度之间的多尺度连接，另一方面，需要开发标准数据集以增强验证和再现性。此外，还可以将高级模拟和实时传感以及数字孪生技术连接起来，这将允许对其进行自适应优化，并在长期内更可靠地预测其性能。总之，这些说明正在形成下一代复合材料建模系统的明显上升趋势，该系统在现实世界的工业应用中更快、更具预测性和更合适。
尽管在复合材料的多尺度建模方面取得了重大进展，但可靠的工业使用仍然受到许多限制。虽然计算效率很高，但基于经典分析和均匀化的方法通常不代表制造引起的缺陷、微观结构可变性、界面损伤和非线性失效行为，导致对实际复合材料结构的预测能力较低。
数值多尺度方法提供了更高的精度，但在昂贵的计算、有限的可扩展性和对理想化假设的强烈依赖方面受到限制，并且它们不能用于实时设计优化或大规模工业应用。同样，纯粹的数据驱动和深度学习模型，尽管它们很强大，但并不总是物理上可解释和强大的，这给外推可靠性和安全关键决策带来了问题。
复合材料建模最有前途的未来是基于物理和人工智能辅助的混合多尺度模型。这些方法包括机器学习体系结构中的物理定律和微观结构约束，它们在准确性、效率和可解释行为之间提供了有效的折衷。这些集成系统对于实现下一代复合材料系统中的智能复合材料设计、数字孪生的实现和可靠的预测行为是必要的。
8.结论
由于高性能工业对轻质、耐用和多功能材料的需求，复合材料的建模和模拟经历了快速转变。这篇综述表明，虽然经典的分析和半经验模型对于基本理解仍然很有价值，但现代应用越来越依赖于先进的数值方法、多尺度和多物理框架以及高保真计算工具来预测复杂的材料行为。人工智能、机器学习、数字孪生和高性能计算的集成正在重新定义预测精度，实现快速优化，并为微观结构演化、故障机制和长期可靠性提供前所未有的见解。
然而，几个挑战仍然存在。计算费用、微观结构表示的不确定性、模型的有限互操作性以及用于验证的实验数据不足继续限制先进建模技术的广泛采用。因此，未来的研究必须侧重于开发基于混合物理的人工智能模型，增强用于实时结构监测的数字孪生框架，建立标准化的多尺度数据集，以及实施计算效率高的模拟平台。这些领域的进步将加速开发更轻、更智能、更可持续和结构更可靠的下一代复合材料。
总体而言，该审查强调，下一代复合材料建模必须从孤立的分析、数值和数据驱动技术过渡到准确表示真实材料行为的统一、多尺度和混合框架。虽然已经取得了重大进展，但在多尺度耦合、数据集标准化、验证一致性以及与实时监测系统的集成方面仍然存在重大差距。解决这些差距将需要在实验表征、高保真模拟和机器学习辅助预测之间进行更紧密的调整。通过概述该领域的当前状态，确定关键限制，并提出前瞻性路线图，这项工作为加快开发更可靠、可扩展和智能的适用于工业应用的复合材料建模技术提供了全面的基础。
未来复合材料的建模将涉及创建紧密集成的多尺度模型，这些模型很容易在原子、介观和宏观建模之间耦合。应特别注意将数值物理建模与数据驱动和机器学习方法相结合的混合建模方法，以提高预测和计算的性能。预计在未来，基于物理学的神经网络、不确定性量化和数字孪生技术的进步将使材料的实时跟踪和设计适应成为可能。此外，扩展开放访问基准数据集和增强模型可解释性将在提高人工智能辅助复合建模方法的可靠性和商业使用方面发挥重要作用。
------ 完 ------
编后语：此原文由国外8位学者共同编写。文中引用了305篇文献资料。
原文《Multiscale modeling and simulation of composite materials: Methods, AI integration, and challenges》
杨超凡
