基于机器学习的复合材料结构设计与性能表征研究进展

戚云超; 刘豫祺; 李鑫芳; 赵贵哲

doi:10.62756/jnuc.issn.1673-3193.2026.03.0002

您当前的位置：

首页 >

文章列表页 >

基于机器学习的复合材料结构设计与性能表征研究进展

化工与材料工程 | 更新时间：2026-07-31

- 基于机器学习的复合材料结构设计与性能表征研究进展
- Research Progress on Machine Learning⁃Based Structural Design and Performance Characterization of Composites
- 中北大学学报(自然科学版) 2026年47卷第4期页码：511-530
- 作者机构：
  
  1.中北大学航空宇航学院，山西太原 030051
  2.中北大学信息与通信工程学院，山西太原 030051
  3.中北大学功能高分子复合材料山西省重点实验室，山西太原 030051
- 作者简介：
  
  戚云超（1993-），男，副教授，博士，主要从事纤维复合材料力学性能的研究。E⁃mail： qiyc@nuc.edu.cn。
  赵贵哲（1965-），男，教授，博士，主要从事树脂基纤维功能复合材料制备及成型新技术新工艺的研究。E⁃mail： zgz@nuc.edu.cn。
- 基金信息：
  
  山西省基础研究计划青年科学研究项目(202503021212130);功能高分子复合材料山西省重点实验室开放基金(FPC202401);山西省聚酰胺材料技术创新中心开放基金(202601200003)
- DOI：10.62756/jnuc.issn.1673-3193.2026.03.0002
  中图分类号： TB33
- 收稿：2026-03-04，
  
  网络首发：2026-07-31，
  
  纸质出版：2026-08-31
- 稿件说明：
移动端阅览
戚云超，刘豫祺，李鑫芳，等. 基于机器学习的复合材料结构设计与性能表征研究进展［J］. 中北大学学报（自然科学版）， 2026， 47（4）： 511-530.

Qi Yunchao， Liu Yuqi， Li Xinfang， et al. Research progress on machine learning⁃based structural design and performance characterization of composites［J］. Journal of North University of China（Natural Science Edition）， 2026， 47（4）： 511-530.
戚云超，刘豫祺，李鑫芳，等. 基于机器学习的复合材料结构设计与性能表征研究进展［J］. 中北大学学报（自然科学版）， 2026， 47（4）： 511-530. DOI： 10.62756/jnuc.issn.1673-3193.2026.03.0002.

Qi Yunchao， Liu Yuqi， Li Xinfang， et al. Research progress on machine learning⁃based structural design and performance characterization of composites［J］. Journal of North University of China（Natural Science Edition）， 2026， 47（4）： 511-530. DOI： 10.62756/jnuc.issn.1673-3193.2026.03.0002.

摘要

复合材料因其具备轻量化、面内具有高强度、耐疲劳等特性，在航空航天、工程建设领域得到了日益广泛的应用，但同时其各向异性特征、复杂非线性结构等设计特点也使得传统的复合材料研发模式面临巨大挑战。传统研发方法依赖大量物理实验，存在周期长、成本高、设计精度有限的局限性。机器学习技术的发展为材料科学带来了全新的研究思路，该方法能够通过数据驱动的方式发掘材料结构与性能之间的深层数字规律，取代仿真分析与重复实验的冗杂过程，显著缩短新材料的研发周期，降低研发成本。本文旨在从结构设计、性能表征和工艺优化三个方面系统性综述机器学习在复合材料研究中的应用现状与变革潜力。首先阐述了机器学习建立的高精度代理模型对复合材料结构设计参数优化效率的提升；进而介绍了机器学习应用在复合材料多尺度性能表征中的突破，从数据驱动下的性能预测和利用深度学习建立精确本构关系两方面剖析了该领域前沿的研究路径；最后探讨了基于工艺参数智能调控的复合材料制造技术与生产流程中的智能排程问题，指出了基于机器学习领域当前的数据质量、模型可解释性及产业链融合情况下利用机器学习方法进一步推动复合材料研究所面临的挑战与未来发展方向。

Abstract

Composites have been increasingly applied in aerospace and engineering construction due to their multi-physical field coupling and anisotropic characteristics. However， their complex nonlinear structures posed significant challenges to the traditional research and development paradigm. The conventional trial-and-error approach， which relied heavily on physical experiments， was limited by long cycles， high costs， and difficulties in exploring the vast design space. The introduction of machine learning technologies brought novel research insights to materials science， enabling the exploration of the deep structure–property relationships of materials through a data-driven approach. This study aims to provide a systematic review of the current application status and transformative potential of machine learning in composite materials research， structured across three primary dimensions： structural design， performance characterization， and process optimization. The article first elucidated how high-fidelity surrogate models developed through machine learning significantly enhanced the efficiency of optimizing structural design parameters. Furthermore， it introduced breakthroughs in multi-scale performance characterization， delving into the research frontiers by exploring data-driven performance prediction and the utilization of deep learning architectures for the precise formulation of constitutive relations. Finally， the paper discussed intelligent manufacturing technologies of composites based on intelligent regulation of process parameters and intelligent scheduling in the production flow. It points out the challenges and future development directions of further promoting composites research using machine learning in view of current data quality， model interpretability， and industrial chain integration in the machine learning field.

关键词

Keywords

references

谢军波 . 针刺预制体工艺参数建模及复合材料本构关系研究［D］. 哈尔滨：哈尔滨工业大学， 2016 .

陈振 . 针刺C/C-SiC复合材料双轴失效机制及高温拉伸性能研究［D］. 哈尔滨：哈尔滨工业大学， 2018 .

Bai X P ， Zhang X C . Artificial intelligence-powered materials science ［J］. Nano-Micro Letters ， 2025 ， 17 （ 1 ）： 135 .

Alam M A ， Sohel A ， Hasan K M ， et al . Machine learning and artificial intelligence in diabetes prediction and management： a comprehensive review of models ［J］. Innovatech Engineering Journal ， 2024 ， 1 （ 1 ）： 107 - 124 .

钱学胜 . 材料领域的人工智能新变革［J］. 科学画报， 2025 ， 86 （ 2 ）： 14 - 15 .

王铃 . 利用人工智能加速先进材料开发［J］. 石油炼制与化工， 2025 ， 56 （ 4 ）： 131 .

杨忠伟，王壮壮，段宏基，等 . 碳纤维增强环氧电磁屏蔽材料层间互锁结构的构筑与性能调控［J］. 中北大学学报（自然科学版）， 2025 ， 46 （ 3 ）： 278 - 284 .

Yang Zhongwei ， Wang Zhuangzhuang ， Duan Hongji ， et al . Construction of interlayer interlocking structure in carbon fiber reinforced epoxy electromagnetic shielding material and its property regulation ［J］. Journal of North University of China （Natural Science Edition）， 2025 ， 46 （ 3 ）： 278 - 284 . （in Chinese）

代梦艳，刘喆，彭文联，等 . 人工智能加速材料发现与生成［J］. 防化研究， 2022 ， 1 （ 1 ）： 53 - 58 .

Dai Mengyan ， Liu Zhe ， Peng Wenlian ， et al . Material discovery and generation accelerated by artificial intelligence ［J］. CBRN Defense ， 2022 ， 1 （ 1 ）： 53 - 58 . （in Chinese）

Kauwe S K ， Rhone T D ， Sparks T D . Data-driven studies of Li-ion-battery materials ［J］. Crystals ， 2019 ， 9 （ 1 ）： 54 .

Liu Y L ， Niu C ， Wang Z ， et al . Machine learning in materials genome initiative： a review ［J］. Journal of Materials Science & Technology ， 2020 ， 57 ： 113 - 122 .

崔国祥，李瑞，袁昌驰，等 . 人工智能驱动集成电路下一代互连材料设计：进展与挑战［J］. 中国材料进展， 2025 ， 44 （ 5 ）： 436 - 450 .

Cui Guoxiang ， Li Rui ， Yuan Changchi ， et al . AI-driven design of next-generation interconnect materialsfor integrated circuits： progress and challenges ［J］. Materials China ， 2025 ， 44 （ 5 ）： 436 - 450 . （in Chinese）

Huang J S ， Liew J X ， Ademiloye A S ， et al . Artificial intelligence in materials modeling and design ［J］. Archives of Computational Methods in Engineering ， 2021 ， 28 （ 5 ）： 3399 - 3413 .

Wang R Q ， Liu Y ， Liu X ， et al . Assessment of mechanical properties for three-dimensional needled composites： a geometric partitioning strategy dealing with mesoscopic needling damage ［J］. Materials ， 2022 ， 15 （ 16 ）： 5659 .

贾宇翔，王甲富，陈维，等 . 基于智能算法的超材料快速优化设计方法研究进展［J］. 雷达学报（中英文）， 2021 （ 2 ）： 220 - 239 .

Jia Yuxiang ， Wang Jiafu ， Chen Wei ， et al . Research progress on rapid optimization design methods of metamaterials based on intelligent algorithms ［J］. Journal of Radars ， 2021 （ 2 ）： 220 - 239 . （in Chinese）

谢冰冰，赵峰，郭昕兴，等 . 基于物理信息神经网络的风电机组塔筒概率疲劳寿命预测方法［J］. 中国机械工程， 2026 ， 37 （ 5 ）： 1017 - 1025 .

Xie Bingbing ， Zhao Feng ， Guo Xinxing ， et al . A probabilistic fatigue life prediction method for wind turbine towers based on a physics-informed neural network ［J］. China Mechanical Engineering ， 2026 ， 37 （ 5 ）： 1017 - 1025 . （in Chinese）

Béji H ， Kanit T ， Messager T . Prediction of effective elastic and thermal properties of heterogeneous materials using convolutional neural networks ［J］. Applied Mechanics ， 2023 ， 4 （ 1 ）： 287 - 303 .

Määttä J ， Bazaliy V ， Kimari J ， et al . Gradient-based training and pruning of radial basis function networks with an application in materials physics ［J］. Neural Networks ， 2021 ， 133 ： 123 - 131 .

杜传忠，李钰葳 . 人工智能与大数据深度融合驱动科技创新范式变革的机制与路径［J］. 社会科学研究， 2026 （ 1 ）： 30 - 40 .

Du Chuanzhong ， Li Yuwei . How the deep integration of AI and big data drives paradigms of scientific and technological innovation： mechanisms and pathways ［J］. Social Science Research ， 2026 （ 1 ）： 30 - 40 . （in Chinese）

尹万健，刘淼，龚新高 . 人工智能驱动下的材料科学范式变革：方法、平台与应用前沿［J］. 科学通报， 2025 ， 70 （ 24 ）： 4012 - 4014 .

Yin Wanjian ， Liu Miao ， Gong Xingao . Paradigm shift in materials science driven by artificial intelligence： methods， platforms， and frontiers of applications ［J］. Chinese Science Bulletin ， 2025 ， 70 （ 24 ）： 4012 - 4014 . （in Chinese）

Ward C . Materials genome initiative for global competitiveness：［R/OL］. 2012-06-20 . https： //asm.confex.com/asm/aero12/webprogram/Paper32109.html https://asm.confex.com/asm/aero12/webprogram/Paper32109.html .

Krizhevsky A ， Sutskever I ， Hinton G E . ImageNet classification with deep convolutional neural networks ［C］// Advances in Neural Information Processing Systems ， 2012 ： 1097 - 1105 .

Graves A ， Mohamed A R ， Hinton G . Speech recognition with deep recurrent neural networks ［C］// 2013 IEEE International Conference on Acoustics， Speech and Signal Processing ， 2013 ： 6645 - 6649 .

Chen C T ， Gu G X . Machine learning for composite materials ［J］. MRS Communications ， 2019 ， 9 （ 2 ）： 556 - 566 .

张峻铭，杨伟东，李岩 . 人工智能在复合材料研究中的应用［J］. 力学进展， 2021 ， 51 （ 4 ）： 865 - 900 .

Zhang Junming ， Yang Weidong ， Li Yan . Application of artificial intelligence in composite materials ［J］. Advances in Mechanics ， 2021 ， 51 （ 4 ）： 865 - 900 . （in Chinese）

王亚龙，王亦秋 . 人工智能驱动下高分子材料性能优化的技术创新研究［J］. 中国发明与专利， 2025 ， 22 （ S1 ）： 153 - 160 .

Wang Yalong ， Wang Yiqiu . Research on technological innovation of performance optimization of polymer materials driven by artificial intelligence ［J］. China Invention & Patent ， 2025 ， 22 （ S1 ）： 153 - 160 . （in Chinese）

陈永，袁雪，刘空军 . 人工智能辅助的化纤材料性能测试虚拟实验平台构建与应用［J］. 化纤与纺织技术， 2025 ， 54 （ 9 ）： 233 - 235 .

孙世杰 . 人工智能被应用于粉末冶金制品的开发与表征［J］. 粉末冶金工业， 2022 ， 32 （ 2 ）： 61 .

Maurizi M ， Gao C ， Berto F . Predicting stress， strain and deformation fields in materials and structures with graph neural networks ［J］. Scientific Reports ， 2022 ， 12 ： 21834 .

Chen C T ， Gu G X . Generative deep neural networks for inverse materials design using backpropagation and active learning ［J］. Advanced Science ， 2020 ， 7 （ 5 ）： 1902607 .

张恒睿，徐熹骏，李璕琭，等 . 生成式人工智能在电池研究中的应用：现状与展望［J］. 物理化学学报， 2025 ， 41 （ 10 ）： 1 - 10 .

Zhang Hengrui ， Xu Xijun ， Li Xunlu ， et al . Applications of generative artificial intelligence in battery research： current status and prospects ［J］. Acta Physico-Chimica Sinica ， 2025 ， 41 （ 10 ）： 1 - 10 . （in Chinese）

盛毓强，安少杭，马梦瑶，等 . 人工智能在分子筛创制及气体吸附研究中的应用［J］. 现代应用物理， 2025 ， 16 （ 1 ）： 199 - 205 .

Sheng Yuqiang ， An Shaohang ， Ma Mengyao ， et al . Application of artificial intelligence in novel molecular sieve gas adsorption materials ［J］. Modern Applie Physics ， 2025 ， 16 （ 1 ）： 199 - 205 . （in Chinese）

Miller B ， Ziemiański L . Accelerating multi-objective optimization of composite structures using multi-fidelity surrogate models and curriculum learning ［J］. Materials ， 2025 ， 18 （ 7 ）： 1469 .

Jia Q T ， Xu K ， Li C H ， et al . Transfer learning-assisted multi-objective optimization of mechanical properties for particle reinforced aluminum matrix composites ［J］. Materials Futures ， 2026 ， 5 （ 1 ）： 015602 .

袁杰，王军博，陈歆，等 . 人工智能在超高性能混凝土中的应用研究进展［J］. 吉林大学学报（工学版）， 2025 ， 55 （ 3 ）： 771 - 789 .

Yuan Jie ， Wang Junbo ， Chen Xin ， et al . Research progress on application of artificial intelligence in ultra-high performance concrete ［J］. Journal of Jilin University （Engineering and Technology Edition）， 2025 ， 55 （ 3 ）： 771 - 789 . （in Chinese）

Fang W ， Duncan M ， Dua M ， et al . Machine learning-assisted design of multilayer thermoplastic composites： robust neural network prediction and feature importance analysis ［J］. Macromolecular Materials and Engineering ， 2025 ， 310 （ 9 ）： 70005 .

何林，贺常晴，隋红 . 人工智能驱动新型界面分离材料的创制［J］. 化工进展， 2024 ， 43 （ 4 ）： 1649 - 1654 .

He Lin ， He Changqing ， Sui Hong . Prospects for the creation of novel interfacial separation materials driven by artificial intelligence ［J］. Chemical Industry and Engineering Progress ， 2024 ， 43 （ 4 ）： 1649 - 1654 . （in Chinese）

Li Z ， Du J ， Yi H ， et al . Machine learning framework for evaluating microscale interface cohesive zone models of polymer composites ［J］. ACS Applied Materials & Interfaces ， 2025 ， 17 （ 45 ）： 62590 - 62605 .

孙升，陈祎远，尚卿 . 人工智能辅助空天新材料设计研究进展［J］. 航空制造技术， 2025 ， 68 （ 18 ）： 26 - 44 .

Sun Sheng ， Chen Yiyuan ， Shang Qing . AI-assisted design of aerospace advanced materials： recent advances and perspectives ［J］. Aeronautical Manufacturing Technology ， 2025 ， 68 （ 18 ）： 26 - 44 . （in Chinese）

姚理想，黄贤俊，陈泓廷，等 . 人工智能赋能电磁防护材料研究进展及思考［J］. 强激光与粒子束， 2025 ， 37 （ 8 ）： 089001 .

Yao Lixiang ， Huang Xianjun ， Chen Hongting ， et al . Advances and perspectives in artificial intelligence-empowered electromagnetic protection materials research ［J］. High Power Laser and Particle Beams ， 2025 ， 37 （ 8 ）： 089001 . （in Chinese）

Sun X H ， Yue L ， Yu L X ， et al . Machine learning-evolutionary algorithm enabled design for 4D-printed active composite structures ［J］. Advanced Functional Materials ， 2022 ， 32 （ 10 ）： 2109805 .

Duschlbauer D ， Böhm H J ， Pettermann H E . Computational simulation of composites reinforced by planar random fibers： homogenization and localization by unit cell and mean field approaches ［J］. Journal of Composite Materials ， 2006 ， 40 （ 24 ）： 2217 - 2234 .

Padovec Z ， Ružička M ， Sedláček R ， et al . Comparison of the thermoelastic properties of a randomly reinforced composite computed by the classical lamination theory and by the Monte Carlo simulation ［J］. Mechanics of Composite Materials ， 2017 ， 53 （ 2 ）： 149 - 158 .

刘子琦，陈刚， SU Zhoucheng ，等 . 基于细观力学和机器学习的纤维增强复合材料热-力多物理性能预测［J］. 复合材料学报， 2026 ， 43 （ 2 ）： 1200 - 1215 .

Liu Ziqi ， Chen Gang ， Su Zhoucheng ， et al . Thermo-mechanical multiphysical properties prediction of fiber-reinforced composites based on micromechanics and machine learning ［J］. Acta Materiae Compositae Sinica ， 2026 ， 43 （ 2 ）： 1200 - 1215 . （in Chinese）

谌广昌 . 高强玻纤复合材料厚板三维本构关系参数识别技术研究［D］. 南京：南京航空航天大学， 2022 .

张振，朱明渝，付绪楷，等 . 基于机器学习的Monel K-500合金热变形行为及本构关系研究［J］. 精密成形工程， 2025 ， 17 （ 11 ）： 242 - 251 .

Zhang Zhen ， Zhu Mingyu ， Fu Xukai ， et al . Hot deformation behavior and constitutive relationship of monel K-500 alloy based on machine learning ［J］. Journal of Netshape Forming Engineering ， 2025 ， 17 （ 11 ）： 242 - 251 . （in Chinese）

瞿同明，冯云田，王孟琦，等 . 基于深度学习和细观力学的颗粒材料本构关系研究［J］. 力学学报， 2021 ， 53 （ 9 ）： 2404 - 2415 .

Qu Tongming ， Feng Yuntian ， Wang Mengqi ， et al . Constitutive relations of granular materials by integrating micromechanical knowledge with deep learning ［J］. Chinese Journal of Theoretical and Applied Mechanics ， 2021 ， 53 （ 9 ）： 2404 - 2415 . （in Chinese）

Mujtaba A ， Islam F ， Kaeding P ， et al . Machine-learning based process monitoring for automated composites manufacturing ［J］. Journal of Intelligent Manufacturing ， 2025 ， 36 （ 2 ）： 1095 - 1110 .

Xie J B ， Chen X M ， Zhang Y F ， et al . Experimental and numerical investigation of the needling process for quartz fibers ［J］. Composites Science and Technology ， 2018 ， 165 ： 115 - 123 .

戚云超，方国东，梁军，等 . 三维针刺C/C-SiC复合材料预制体工艺参数优化［J］. 材料工程， 2020 ， 48 （ 1 ）： 27 - 33 .

Qi Yunchao ， Fang Guodong ， Liang Jun ， et al . Optimization of process parameters of three-dimensional needled preforms for C/C-SiC composites ［J］. Journal of Materials Engineering ， 2020 ， 48 （ 1 ）： 27 - 33 . （in Chinese）

Wu C C ， Zhang R M ， Zhao P Y ， et al . Curing simulation and data-driven curing curve prediction of thermoset composites ［J］. Scientific Reports ， 2024 ， 14 ： 31860 .

张润博，于柏峰，遇家运 . 人工智能在纤维增强复合材料制造中的应用研究［J］. 高科技纤维与应用， 2024 ， 49 （ 6 ）： 37 - 47 .

Zhang Runbo ， Yu Baifeng ， Yu Jiayun . Research on the application of artificial intelligence in the manufacturing of fiber reinforced composite materials ［J］. Hi-Tech Fiber and Application ， 2024 ， 49 （ 6 ）： 37 - 47 . （in Chinese）

蔡志亮，黄杰明，姚学轩，等 . 人工智能在储能电池材料化工开发与寿命预测中的应用［J］. 皮革与化工， 2025 ， 42 （ 5 ）： 4 - 6 .

Cai Zhiliang ， Huang Jieming ， Yao Xuexuan ， et al . The application of artificial intelligence in the development of energy storage battery materials and chemical engineering ［J］. Leather and Chemicals ， 2025 ， 42 （ 5 ）： 4 - 6 . （in Chinese）

孙平 . 基于多模型融合预测算法的智能排产系统［J］. 信息技术与信息化， 2025 （ 10 ）： 3 - 9 .

覃香梅，黄丹妹，黄靖惠 . 人工智能高级排程系统在铝基新材料加工企业的应用［J］. 中国金属通报， 2025 （ 2 ）： 115 - 117 .

贺启明 . 人工智能及高科技材料在建设工程项目造价管理中的应用［J］. 居舍， 2024 （ 31 ）： 26 - 28 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

复合材料热压罐成型模具结构参数对温度场的影响

基于改进SMOTE算法和Ensemble模型的学习结果预测方法

武器发射强冲击下数据记录仪的抗过载技术

基于聚氨酯波形整形器的霍普金森杆脉宽拓展试验方法

基于递归图和MobileViT⁃AESTF的网络入侵检测模型