复合材料的人工智能应用:综述
发布时间:2026-10-07 | 来源:MDPI Polymers | 作者:Nada S. Alharthi, Laila M. Alqahtani, Albatool A. Abaalkhail, Ibtehal Baazeem, Mustafa Y. Haddad, Mo
背景:由于复合材料具有多样化的特性和多尺度特征,使用传统实验和基于物理的方法对其进行建模并非易事。本综述总结了人工智能(AI)方法,包括机器学习、深度学习和生成式AI,如何日益变革并越来越多地应用于复合材料研究。它综合了这些方法在性能预测、损伤检测、结构健康监测和材料设计中的可能应用。方法:在Scopus和Google
背景:由于复合材料具有多样化的特性和多尺度特征,使用传统实验和基于物理的方法对其进行建模并非易事。本综述总结了人工智能(AI)方法,包括机器学习、深度学习和生成式AI,如何日益变革并越来越多地应用于复合材料研究。它综合了这些方法在性能预测、损伤检测、结构健康监测和材料设计中的可能应用。方法:在Scopus和Google Scholar中检索了使用组合关键词发表的文章,如“(artificial intelligence OR machine learning OR deep learning OR Generative AI) AND (composite OR fiber reinforced) AND (prediction OR optimization OR characterization)”。检索策略旨在涵盖与材料研究相关的AI方法的基础进展及其在复合材料中的具体应用。所识别的出版物经过两步筛选流程:(i) 初步审查标题和摘要,(ii) 详细全文评估。如果研究提供了AI模型的明确描述、清晰指定的数据集,并对复合材料相关应用(如材料性能预测、损伤检测、表征或制造工艺优化)进行了定量性能评估,则纳入研究。对于每篇入选文章,以结构化和一致的方式提取相关信息,包括复合材料类型、AI方法、输入参数、数据集特征和规模、验证方法以及应用领域。这些数据用于支持定量趋势分析以及定性识别复合材料研究中的研究空白和未来研究机会。结果:监督学习方法,特别是人工神经网络、支持向量机、随机森林和决策树,被广泛使用,并在预测复合材料性能方面表现出持久的潜在准确性。无监督方法如主成分分析(PCA)和聚类则相对较少使用。生成式AI,包括生成对抗网络(GANs)和变分自编码器(VAEs),以及物理信息模型,分别作为合成数据生成和改善可解释性的新兴方法而出现。局限性:所综述的研究经常受到小型或异质数据集、超出训练条件的泛化性测试薄弱、高计算需求和有限模型可解释性(“黑箱”行为)的限制;未对纳入研究进行正式的偏倚风险评估。结论:AI正在将复合材料研究从试错法转向数据驱动的预测性设计。实现其全部潜力将需要开放、标注良好的数据集、物理感知且可解释的模型,以及将预测与实验验证联系起来的闭环主动学习工作流程。
返回资讯频道