人工智能AI赋能面向特定需求的复合材料自动化制造的材料设计

为驱动下一代复合材料设计的三大变革性技术的融合发展，可着重着眼于自动纤维铺放（AFP）先进制造技术、人工智能（AI）技术与构型化复合材料技术三项。本研究旨在加速复合材料产品创新，构建自动化、面向特定需求的复合材料设计设计的全新范式。

自动纤维铺放（AFP）这一先进制造技术，为连续纤维复合材料带来了前所未有的设计自由度，可通过精准的定点材料铺放，制备具备定制化功能特性的复杂结构。人工智能AI技术的融合进一步放大了这一潜力，为探索复合材料领域广阔且尚未开发的设计空间，提供了一种替代传统试错法的高效路径。

但目前，人工智能驱动的自动化设计方法仍主要局限于简单的聚合物拓扑结构，在连续纤维增强复合材料中的应用极少。此前聚焦于自动纤维铺放技术的文章，也大多将研究重点放在缺陷检测与质量控制上，忽视了人工智能技术推动端到端设计与工艺规划发展的广阔潜力。为填补上述空白，本研究以增材制造、人工智能与结构化材料（简称“3A”）三大核心支柱为基础，构建了人工智能赋能的复合材料自动化设计统一框架。

一、 三大核心技术支柱

1 自动纤维铺放技术

自动纤维铺放技术是先进制造基础。自动纤维铺放技术是复合材料自动化制造的基石，相比传统制造方法具备显著优势：可减少材料浪费、实现前所未有的纤维铺放精度、通过丝束转向制备变刚度层合板，同时适配复杂曲面构件的制备。该技术已在航空航天领域实现广泛应用（包括波音787机身、空客A350机翼、NASA复合材料低温贮箱），同时也是电动汽车与电动垂直起降飞行器（eVTOL）系统轻量化结构应用的关键支撑技术。

相较于其他自动化制造技术，自动纤维铺放技术比自动带铺放（ATP）技术具备更大的设计灵活性，比纤维缠绕技术拥有更宽的设计边界，同时比连续纤维3D打印技术能制备出性能更优的层间剪切强度（ILSS）。自动纤维铺放技术相较于传统制造方法的核心优势，如下图1所示。

图1 自动纤维铺放技术的核心优势

2 人工智能技术

人工智能技术是自动化设计的核心赋能手段。人工智能技术在复合材料工程全生命周期均实现了突破性应用，覆盖概念设计、仿真计算、生产制造与在役监测全流程。其在该领域最具变革性的应用方向是人工智能驱动的材料发现，可对传统实验方法无法遍历的广阔设计空间，实现快速、系统性的探索。

目前已有多种神经网络架构被证实可有效应用于材料设计，包括适配数值数据的前馈神经网络/多层感知机（FNN/MLP）、适配网格类空间数据的卷积神经网络（CNN）、适配实体关联数据的图神经网络（GNN）、适配序列数据的长短期记忆网络（LSTM），以及适用于生成式设计任务的生成对抗网络（GAN）。这些架构已在金属、聚合物与合金材料的正、逆设计中实现成功应用。但上述技术在连续纤维复合材料结构优化中的应用仍极度匮乏。

3 构型化复合材料

构型化复合材料适配自动纤维铺放技术的设计策略。复合材料的性能定制化，可通过纳观、微观、细观、宏观四个长度尺度的结构设计改性实现。本研究重点聚焦两类可与自动纤维铺放制造产线无缝兼容的改性策略：工艺参数改性与细观结构改性。

其中，最具代表性的适配自动纤维铺放技术的细观结构，是“先进铺放铺层（AP-Ply）”策略。该方法中，丝束被铺放在前序丝束的上方而非下方，制备的层合板具备与传统机织复合材料相当的抗冲击性能，同时面内力学性能更优，且完全适配自动纤维铺放增材制造工艺。但目前，先进铺放铺层结构的系统表征与高保真建模仍存在关键研究空白。

二、 关键研究空白

两大核心瓶颈阻碍了人工智能赋能的复合材料自动化设计统一框架的构建：

1）自动纤维铺放工艺建模能力不足：现有模型大多仅能实现温度预测，无法可靠表征最终决定层合板性能的核心指标——层间剪切强度的演化规律。传统的紧密接触模型与自愈合模型存在显著的预测局限性，其实验验证范围较窄，严重削弱了模型的工程实际适用性。

2）结构表征方法与数据稀缺的双重壁垒：当前复合材料设计仍以基于铺层的表征方法为主，无法适配先进铺放铺层等新型丝束级铺放结构。同时，行业内严重缺乏高质量、大规模的工艺-性能与结构-性能数据集，而这是训练高精度人工智能模型的核心基础。

三、 自动化逆设计框架

本文提出两套概念性的端到端逆设计框架，可基于用户定义的目标性能，生成最优的复合材料设计方案。

框架1：工艺参数优化预测框架

该框架以多尺度建模方法为核心，实现自动纤维铺放固结过程的仿真模拟，生成高保真的工艺-性能数据集，同时训练用于性能正演预测与工艺逆设计优化的数据驱动模型。框架融合了宏观尺度热力耦合有限元建模、微观尺度紧密接触仿真、分子尺度聚合物互扩散分析，以及数据驱动代理建模，实现层合板性能的精准预测。

在逆设计环节，该框架采用代理模型辅助的正演建模结合基于梯度的优化算法，通过求解加权多目标优化问题，在设备限定的工艺约束条件下，实现力学性能（层间剪切强度）、生产效率与能源利用效率的多目标平衡优化。该多尺度工艺建模与优化流程，如下图2所示。

图2 框架1的多尺度工艺建模方法

框架2：细观结构复合材料自动化设计框架

该框架通过调整丝束铺放顺序实现复合材料性能优化，采用基于铺放顺序的丝束序列编码体系，将层合板结构编码为丝束铺放序列，该序列可直接映射为自动纤维铺放设备的铺放指令，确保所有生成的设计方案均具备物理可制造性。

框架采用基于长短期记忆网络的神经网络作为代理模型，实现序列结构输入到力学性能的精准预测；同时采用遗传算法（GA）遍历组合设计空间，对候选结构进行迭代优化，最终筛选出符合用户定义性能要求的最优设计方案。这种丝束序列编码与结构表征方式，如下图3所示。

图3 框架2（细观结构自动化设计框架）复合材料层合板的丝束序列编码方法与设计域定义规则

四、 数据扩充策略

数据稀缺是实现人工智能驱动复合材料设计规模化落地的另一重要瓶颈。本文章提出四大核心策略应对这一挑战：

1）自动纤维铺放技术的普及化：开发低成本自动纤维铺放平台，建设可及性更高的创新中心，扩大行业整体的实验数据生成能力。

2）数据共享池建设：通过协同建设开放获取的数据仓库，整合分散的实验数据集，消除重复测试造成的资源浪费。

3）小样本学习方法：采用虚拟样本生成（VSG）等技术，对稀疏的实验数据集进行有效扩充。

4）物理约束多保真度建模：将物理规律嵌入人工智能模型，结合低保真度与高保真度仿真数据，生成低成本、高可靠性的训练数据集。

结论

本研究明确了构建稳健的复合材料自动化设计框架的三大核心必要条件：

1）采用多尺度建模方法，精准表征自动纤维铺放固结过程中层间剪切强度的演化规律；

2）建立通用化的逐丝束结构表征体系，支撑可自动纤维铺放制造的复合材料设计；

3）形成高效的数据生成、共享与增强方法，保障人工智能模型可规模化训练。

本研究提出的两套逆设计框架，为端到端复合材料自动化设计提供了清晰的实施路线图。自动纤维铺放先进制造、人工智能与构型化复合材料三大技术的融合，将大幅缩短复合材料产品的研发周期，实现具备先进功能的面向特定需求的复合材料设计系统的制备，同时推动航空航天、汽车等关键行业材料组学领域的技术创新。

此文由中国复合材料工业协会搜集整理编译，部分数据来源于网络资料。文章不用于商业目的，仅供行业人士交流，引用请注明出处。