基于有限数据的PVD涂层导电纺织品疲劳寿命预测的迁移学习方法
发布时间:2026-08-22 | 来源:Nature Scientific Reports | 作者:Nature Scientific Reports
柔性导电层的可靠性是智能纺织品(textronics)发展中的关键因素。然而,通过实验确定其疲劳寿命是一个耗时且昂贵的过程。本文提出采用长短期记忆(LSTM)循环网络,以“多对一”配置,结合迁移学习和少样本自适应技术。模型在通过物理气相沉积(PVD)沉积于复合纺织基材(Cordura和Membrane)上的银(Ag)和
柔性导电层的可靠性是智能纺织品(textronics)发展中的关键因素。然而,通过实验确定其疲劳寿命是一个耗时且昂贵的过程。本文提出采用长短期记忆(LSTM)循环网络,以“多对一”配置,结合迁移学习和少样本自适应技术。模型在通过物理气相沉积(PVD)沉积于复合纺织基材(Cordura和Membrane)上的银(Ag)和金(Au)样品上进行了训练和测试,利用了先前研究的实验数据。为应对实验数据有限性的挑战,我们应用了一种深度学习框架,能够基于短测量历史和信号导数(退化速度和加速度)外推非线性电阻轨迹。分析表明,所用金属类型是模型可迁移性的决定性因素,而纺织基材的机械性能则次要。结果表明,对于选定的源-目标配置,迁移学习能够提供准确的电阻轨迹预测,尤其是当它们的退化动力学足够相似时。然而,该方法在Membrane-Au上表现不佳,表明严重的退化时间尺度不匹配可能阻碍成功迁移。所提出的方法能够在操作早期实现textronic材料的有效生命周期评估,显著减少对长时间破坏性测试的需求。
返回资讯频道