混杂复合材料是由两种或多种不同类型的增强纤维在基体材料中混合而成的新型复合材料,这种材料因其独特的热学和力学性能,在航空航天等领域有广泛应用。然而,由于其复杂的微观结构,预测混杂复合材料的等效热传导性能是一项极具挑战的任务。
本文提出了一种结合渐近均匀化方法、小波变换和机器学习的混合方法来解决这一问题。渐近均匀化方法是预测复合材料宏观性能的一种有效工具,它通过建立周期单胞或代表体积元来描述微观结构,然后求解辅助单胞问题,最终获得宏观等效参数。这种方法虽然强大,但对于高维和大规模数据的处理可能会遇到困难。
小波变换在此处扮演了预处理的角色,它可以对材料数据库进行降维和特征提取,使得数据更适合机器学习算法处理。接着,研究者使用了人工神经网络和支持向量回归这两种机器学习模型来构建在线预测模型。通过数值实验,对比了两种模型在预测混杂复合材料等效热传导性能上的表现,结果显示小波-神经网络混合方法在预测准确性和抗噪声能力上更优。
对于随机混杂复合材料,由于其高维特性,小波-机器学习混合方法能有效地提取关键特征,减少输入数据规模,提高训练效率,并增强模型在噪声环境下的稳健性。这表明,该方法不仅适用于热传导性能预测,还可能推广到其他物理和力学性能的预测。
文章强调了混杂复合材料基础理论研究的重要性,特别是在新型飞行器设计和性能优化中的应用。这项研究受到多项基金资助,包括国家自然科学基金、中国博士后科学基金、陕西省自然科学基金和新材料力学理论与应用湖北省重点实验室开放课题。本文提供了一种创新的预测工具,有望推动混杂复合材料领域的理论研究和技术进步。