点击上方蓝字关注我们

1. Thermo-oxidative aging induced multi-scale shrinkage and damage in 3D angle-interlock woven composites

 三维角互锁编织复合材料中热氧化老化诱导的多尺度收缩和损伤

在高温使用过程中，树脂和复合材料界面的老化会对热稳定性和整体性能产生重大影响。本文利用显微CT、扫描电镜和共聚焦干涉显微镜（CIM）对复合材料热氧化老化引起的多尺度损伤和树脂收缩进行了实验表征，并探讨了它们之间的耦合机制。结果表明，三维角互锁织物的层次结构对损伤的分布和扩展有一定的影响。宏观CIM表明，树脂的最大收缩深度取决于树脂的宽度和老化时间。树脂收缩曲线的演变表明树脂裂纹对收缩的加速作用。微观CIM表明，宏观纱线裂纹是通过树脂富集区的微观树脂裂纹积累和纤维/树脂界面脱粘形成的。纤维/树脂界面裂纹的形成与树脂收缩状态有关，只有当周围树脂收缩斜率超过特定阈值时才会发生。

图1.（a）三维重构不同时间下复合材料热氧化老化，（b）三维重构不同时间下复合材料裂纹扩展，（c） 多尺度收缩特性图。

Yanan Ke, Shuwei Huang, Baozhong Sun, Frank Ko, Bohong Gu. Thermo-oxidative aging induced multi-scale shrinkage and damage in 3D angle-interlock woven composites. Composites Science and Technology, 2024, 247:110438.

2. A semiparametric clustering method for the screening of retired Li-ion batteries from electric vehicles

用于电动汽车使用过的锂离子电池筛选的一种半参数聚类方法

本文提出了一种半参数聚类方法，用于对电动汽车使用过的电池进行分级利用筛选。为快速获取电池的静态和动态特性，设计了结合低电流混合脉冲功率特征测试和中国轻型车工况循环的混合测试。

将伪二维模型与遗传算法相结合，并通过混合测试识别模型参数。然后，建立包含敏感模型参数的聚类矩阵并采用主成分分析进行处理。本方法聚类矩阵被划分为高密度和低密度两部分，通过预设的混合比例确定。对于高密度数据，使用层次聚类确定初始聚类中心，并利用模糊C均值方法确定核心聚类，而低密度数据则被分配到最近邻。最后，采用18个开放获取的数据集对所提出的方法有效性进行了验证。结果表明，与K-means、K-medoid和FCM相比，本文方法在归一化方面表现优异。此外，重新分组的电池的脉冲测试和容量测试进一步证实了本方法在使用过的电池筛选中的有效性。

（a） 

（b） 

图2.（a）"太阳-月亮"示例的聚类过程图；（b）电池测试平台图。

Lyu Z, Zhang Y, Wang G, et al. A semiparametric clustering method for the screening of retired Li-ion batteries from electric vehicles[J]. Journal of Energy Storage, 2023, 63: 107030.

3. Multimaterial 3D-printing barium titanate/carbonyl iron composites with bilayer-gradient honeycomb structure for adjustable

broadband microwave absorption

可调宽带微波吸收的双层梯度蜂窝结构的多材料3D打印钛酸钡/羰基铁复合材料

翻译：杨璐

采用多材料数字光处理(DLP) 3D打印技术制备了具有增强微波吸收(MA)性能的钛酸钡(BTO)/羰基铁粉(CIP)复合材料。利用不同的成分和结构设计(层厚比和梯度结构)可以获得宽带可调的双层梯度蜂窝结构吸收器(BGHSA)。复合材料和结构协同设计的双层梯度蜂窝结构吸收器的最佳反射损耗(RL)值和有效带宽分别可达- 51 dB和15.4 GHz， RL和有效带宽分别提高了32.4%和42.9%。特别是在宽带吸收(15.4 GHz)性能的显著提高主要归功于更好的阻抗匹配和波的多反射。这项工作为制造功能梯度材料在电磁波吸收方面的潜在应用提供了一种有前途的策略。

图3.（a）多材料数字光处理3D打印技术原理图；（b）双层吸收器的设计原理；（c）双层梯度蜂窝结构设计示意图；（d）单层和双层吸收器的反射损耗；（e）单层和双层吸收器的有效吸收带宽。

Gong P, Li Y, Xin C, Chen Q, Hao L, Sun Q, Li Z. Multimaterial 3D-printing barium titanate/carbonyl iron composites with bilayer-gradient honeycomb structure for adjustable broadband microwave absorption, Ceramics International. 2022; 48; 9873-9881

4.Trans-scale analysis of 3D braided composites with voids based on micro-CT imaging and unsupervised machine learning

基于微观CT成像和无监督机器学习的

三维多孔编织复合材料跨尺度分析

翻译:李子琪

在三维编织复合材料的制造过程中，孔隙是不可避免的。孔隙率对复合材料的力学性能和破坏机制都有显著影响。重建真实的几何模型，建立准确、高效的编织复合材料跨尺度损伤模型是一项具有挑战性的任务。此文提出了一种结合微观计算机断层扫描(Micro-CT)和渐进损伤分析的无监督机器学习方法，在跨尺度水平上分析复合材料的缺陷。基于Micro-CT和扫描电子显微镜(SEM)，分别获得复合材料在微观和细观尺度上的真实缺陷和单胞参数，重建三维编织复合材料的三维几何模型如图4（a-c）。在微观尺度上，与中尺度一个积分点相对应的RVE模型包含大量节点，直接嵌入到中尺度模型，会给宏观模型计算带来很大的计算复杂度。因此文中使用统一流形逼近与投影（PCA-UMAP）的无监督学习方法降低数据维数，得到聚类结果如图4（d）所示，分为纱线、基体和孔隙三部分。中尺度RVE由纯基质和纱线组成，其中纱线的每个积分点由在微观尺度上PCA-UMAP导出的聚类单元表示。基于连续损伤力学，建立跨尺度损伤模型，计算流程如图4（e）。仿真结果与实验数据的对比验证了该方法的有效性。文中最后应用上述方法，对含不同孔隙率编织复合材料性模量和强度退化性能进行了分析。

图4.（a）三维编织复合材料微观结构的SEM分析；（b）微观结构的Micro-CT分析；

（c）中尺度结构的Micro-CT分析；（d）微尺度模型的聚类结果；（e）多尺度分析流程。

Song X ,Zhou J ,Zhang D , et al.Trans-scale analysis of 3D braided composites with voids based on micro-CT imaging and unsupervised machine learning[J].Composites Science and Technology,2024,249110494-.

5. Physics-informed graph neural network emulation of soft-tissue

mechanics

软组织力学的物理信息图神经网络仿真

翻译：李坤承

   在该项研究中，作者提出了一个用于软组织力学的PI-GNN仿真框架，该框架以两种方式建立在传统方法的基础上。首先，使用图神经网络（GNN）进行仿真。GNN可以自然地处理给定的独特软组织几何形状，而不需要进行任何低阶近似。其次，通过应用最小总势能原理，利用基于物理的训练代替基于数值模拟数据的数据驱动方法。通过引入势垒转换函数来实现物理知情的训练，该函数通过显式结合已知的物理约束（如物质的不可穿透性）来稳定目标函数。考虑了一系列现实的软组织力学模型，包括高度非线性的纤维增强材料。实验结果表明，该框架可以对一系列软组织力学模型进行高度准确的仿真，也可以实现很强的样本外精度，即模拟器可以推广到训练阶段没有看到的输入点。与数据驱动的训练相比，基于物理的训练可以始终如一地捕捉到更真实的变形。此外，与FEM相比，在预测时显著节省了计算量。

图5.（a）GNN模拟器使用三阶段编码-处理-解码方法将软组织体的初始状态映射到其最终状态。（b）Twisting Cube模型的样品仿真结果的中位数。（c）肝脏模型的样本外模拟结果中值。（d）从零开始训练15000个周期的GNN的新LV几何形状的仿真结果（Reference），与训练12个周期的迁移学习GNN（Transfer Learned）和训练12个周期的随机初始化GNN（Baseline）。

Dalton D, Husmeier D, Gao H. Physics-informed graph neural network emulation of soft-tissue mechanics[J]. Computer Methods in Applied Mechanics and Engineering, 2023, 417: 116351.

6. A machine learning model to predict yield surfaces from crystal plasticity simulations

一个用于预测晶体塑性模拟屈服面的机器学习模型

翻译：李鑫

机器学习技术已广泛用于建立不同结构和材料体系力学行为的代理模型。该文提出一种基于微观结构信息的机器学习模型，用于预测多晶材料的各向异性屈服面。在该文中，采用一个晶体塑性模型（如图6（a）所示）来生成描述铝合金屈服响应的数据集。随后，贝叶斯优化方法（如图6（b）所示）被应用于获取最佳的人工神经网络架构。最后，Yld2004-18p 和Yld2004-13p等两个经典屈服准则的屈服面预测结果（如图6（c）所示）被用于验证所发展的机器学习模型的有效性。研究结果充分证明了机器学习建模方法的灵活性。该文研究成果显示了以机器学习技术为代表的新型解决方案在计算力学领域的应用潜力。

图6.（a）晶体塑性模型；（b）贝叶斯优化方法；（c）机器学习模型和经典各向异性屈服准则的对比结果。

Nascimento A, Roongta S, Diehl M, Beyerlein IJ. A machine learning model to predict yield surfaces from crystal plasticity simulations. Int J Plasticity 2023; 161. 103507.