将实验、有限元分析以及可解释机器学习技术结合起来，用于基于天然纤维的混合复合材料的研究

《Results in Materials》：Integrating Experiments, Finite Element Analysis, and Explainable Machine Learning for Natural Fiber Based Hybrid Composites

　　本研究通过整合实验、有限元分析和可解释机器学习（如SHAP分析），开发了预测香蕉纤维-稻壳环氧复合材料机械性能的框架。实验表明，0.75%稻壳填充量时拉伸强度达66.77 MPa，弯曲强度峰值105.79 MPa。XGBoost模型在验证阶段表现最佳（拉伸R2=0.71，弯曲R2=0.76），SHAP分析揭示纤维长度、填充量和环氧比例是关键影响因素。

　　
本研究聚焦于通过整合实验、有限元分析和可解释机器学习（XAI）技术，构建一个高效且可信赖的框架，用于预测香蕉纤维增强环氧复合材料（NFREC）的机械性能。该框架旨在解决传统材料开发中依赖昂贵、耗时的实验试错方法的问题，同时通过可解释的AI模型提升材料设计的科学性和可重复性。

### 研究背景与意义
随着全球对可持续材料的关注度提升，天然纤维复合材料因其低成本、轻量化、生物降解性及丰富的资源供给，成为替代传统合成材料的重要方向。香蕉纤维作为农业副产物，具有丰富的纤维素含量（63-65%）和良好的力学性能，但其在环氧基体中的分散性、界面结合强度等仍需优化。研究通过引入稻壳作为填料，试图在提升机械性能的同时降低成本。然而，天然纤维复合材料的性能受多种因素（如纤维长度、填充比例、树脂类型等）共同影响，传统实验方法难以高效筛选最优参数组合。

### 材料与方法
**1. 材料制备与性能测试**
- **香蕉纤维处理**：从香蕉茎中提取纤维，经干燥去除水分，纤维密度为1-1.5g/cm3，长度约90cm。
- **环氧树脂体系**：采用LS800环氧树脂与固化剂按100:33质量比混合，通过手铺层工艺制备复合材料板。
- **填充剂特性**：稻壳（RH）的化学组成以纤维素（25-30%）、半纤维素（18-21%）为主，并含15-17%的二氧化硅。添加量为0-1%质量比，纤维重量占比固定为75%。
- **力学测试**：拉伸强度（ASTM D3039）和弯曲强度（ASTM D790）测试显示，当稻壳填充量为0.75%时，拉伸强度达66.77MPa，弯曲强度峰值105.79MPa。超过此比例后性能下降，可能与纤维-树脂界面结合失效及填料团聚有关。

**2. 机器学习模型构建**
- **数据集**：整合文献与实验数据（64个样本），特征包括环氧含量、纤维含量、粒子尺寸、纤维长度、固化时间等九个参数。
- **模型选择**：采用随机森林（RF）、XGBoost（XGB）、梯度提升树（GB）、k近邻（KNN）四种监督学习模型。通过网格搜索优化参数，如XGBoost的max_depth设为7，学习率0.1，n_estimators为100。
- **性能评估指标**：R2系数（解释方差）、MAE（平均绝对误差）、RMSE（均方根误差）。

**3. 有限元分析（FEA）验证**
利用ABAQUS软件建立3D壳模型，模拟拉伸和弯曲载荷下的应力分布。实验与模拟结果显示，在纤维层分布均匀的情况下，误差主要源于材料微观结构差异（如孔隙率、纤维取向不均）和测试设备的操作误差。

### 关键实验结果
**1. 填充剂对性能的影响**
- **拉伸强度**：0.75% RH填充时达到峰值（66.77MPa），1%时骤降至53.1MPa。原因可能包括高填充量导致的树脂渗透不足、界面结合力下降。
- **弯曲强度**：0.5% RH时达最高值（105.79MPa），过量填充（>0.5%）则因纤维间距过大导致应力分散，强度降低。

**2. 机器学习模型表现**
- **模型对比**：XGBoost在验证阶段表现最佳，R2值分别为0.71（拉伸）和0.76（弯曲），显著优于其他模型。例如，在拉伸预测中，XGB的MAE为2.07MPa，RMSE为2.58MPa，优于随机森林的MAE 7.22MPa。
- **可解释性分析（SHAP）**：对于拉伸性能，纤维长度是主要影响因素（SHAP值7.88），其次为环氧含量（+2.92）和粒子重量（-3.97）。弯曲性能中，粒子重量（+8.82）和纤维类型（+7.72）影响最大，表明稻壳填充量与纤维种类对弯曲强度有显著正向作用。
- **模型局限性**：随机森林和梯度提升树在训练阶段表现优异（R2>0.95），但验证阶段误差增大，显示过拟合问题。数据量不足（仅64样本）是导致模型泛化能力受限的主因。

### 创新点与行业价值
1. **多方法协同验证**：通过实验、FEA和机器学习三角验证，确保结果可靠性。例如，FEA模拟的拉伸应力-应变曲线与实验数据高度吻合（误差<5%），验证了模型的物理基础。
2. **可解释性提升**：SHAP分析揭示了关键参数的作用机制。例如，纤维长度增加促进载荷沿纤维轴向传递，而高填充量（>0.75% RH）导致树脂包裹不足，界面结合力下降。
3. **设计效率优化**：传统开发周期需数百次实验，本研究通过机器学习模型将参数优化时间缩短至实验阶段的1/10。例如，XGBoost模型在首次训练后即可预测0.5-0.75% RH区间的性能趋势，避免重复实验。

### 局限性及改进方向
- **数据规模限制**：当前实验数据仅64组，难以覆盖极端工况。建议后续研究扩大样本量，尤其是增加纤维长度（12.5-50cm）、粒子粒径（20-150μm）的梯度设计。
- **模型泛化能力**：现有模型对纤维类型（如香蕉纤维与稻秆混合）和复合工艺（热压罐温度、压力）的响应尚未充分探索。可引入迁移学习，利用其他植物纤维（如剑麻、竹纤维）的预训练模型进行特征迁移。
- **多目标优化**：当前模型仅优化单一性能指标（拉伸或弯曲）。未来可结合成本、可降解性等约束条件，开发多目标优化算法。

### 结论
本研究证实，0.75%稻壳填充量可显著提升香蕉纤维环氧复合材料的拉伸强度（+10.6%），而0.5%填充量最适用于弯曲性能优化。XGBoost模型通过SHAP分析揭示了纤维长度、粒子重量比和环氧含量三大核心参数，其预测精度（R2>0.7）表明AI在材料性能预测中的可行性。然而，模型对填充量突变（如从0.75%到1%）的预测偏差较大，需结合物理实验进一步修正。该框架为天然纤维复合材料开发提供了新范式，未来可拓展至其他植物纤维（如棕榈纤维）及多尺度结构建模（如微观纤维-树脂界面分析）。

### 展望
1. **数据库扩展**：收集全球不同产地的香蕉纤维（如非洲罗望子纤维）和稻壳（不同加工阶段）数据，构建跨地域材料库。
2. **物理模型融合**：将SHAP分析提取的关键参数（如纤维长度>20cm时强度提升显著）输入FEA模型，建立结构-性能映射关系。
3. **动态过程建模**：利用强化学习跟踪复合材料的固化过程，实时调整工艺参数（如压力、温度）。

该研究不仅为NFREC开发提供了高效工具，更为其他天然纤维复合材料（如剑麻-纳米黏土复合）的智能化设计奠定了方法论基础，对实现联合国可持续发展目标（SDG 9:工业创新，SDG 12:负责任消费）具有重要实践意义。