单向复合材料在横向载荷下易发生失效，制造过程中形成的纤维间空洞、基体空洞和树脂富集区等缺陷会显著加剧这一现象。这些缺陷作为应力集中源，促使裂纹萌生并扩展，导致材料刚度与强度下降。例如，空洞含量超过1%时，层间剪切强度显著降低。尽管基于代表性体积单元的计算微观力学能模拟真实应力状态，但其高计算成本和缺陷随机性表征困难限制了工程应用。现有机器学习方法虽提速明显，却多忽略多类缺陷的共存与交互作用，难以全面反映制造实际。
针对以上问题，哈尔滨工业大学的研究团队在Composites Science and Technology，发表了相关研究成果。该研究针对含空洞缺陷的单向复合材料，提出了一种创新的两阶段深度学习框架，通过集成U-Net预测裂纹路径、并结合特征融合机制将裂纹信息输入卷积神经网络以预测宏观力学性能，成功实现了在秒级内完成传统有限元需数小时的计算任务。论文标题为”A two-stage deep learning framework for predicting crack patterns and mechanical properties of unidirectional composites with void defects”。
该研究提出了一种两阶段深度学习架构，第一阶段采用U-Net构建裂纹预测网络，通过编码器-解码器结构提取多尺度特征，并结合跳跃连接保留细节信息，输出二值化裂纹图。第二阶段为力学性能预测网络，其编码器与U-Net一致，后接全连接层，并通过特征融合机制将裂纹预测结果与原始微观结构图像共同作为输入，提升预测精度。数据集通过Python脚本批量生成含随机纤维与缺陷的RVE，经ABAQUS模拟获得应力-应变曲线与裂纹图像，最终包含约1000组样本，划分为训练集、验证集和测试集。
在裂纹预测方面，模型在测试集上平均交并比集中在0.80–0.90之间，峰值约0.85，虽略平滑于真实裂纹，但关键特征如裂纹启裂与路径均被准确捕捉。在力学性能预测中，特征融合机制显著提升了强度预测精度：强度预测的平均绝对误差从1.0707 MPa降至1.0365 MPa，降幅约3.2%；决定系数R²从0.9400提升至0.9413；均方误差从1.8837降至1.8595。刚度预测因与裂纹无关，融合后精度未提升。梯度加权类激活图显示，网络能自动聚焦于纤维间空洞等关键区域，与物理失效机制一致。
该框架在普通个人计算机上仅需0.1秒即可完成单样本的双任务分析，相较传统有限元模拟的分钟级计算，效率提升显著。其能力同时考虑多类随机缺陷，并自动识别关键损伤区域，为材料缺陷容忍设计、性能快速评估提供了可靠工具。未来可扩展至三维模型、多轴载荷条件，并引入Transformer等先进架构以优化复杂裂纹模式的识别。
该研究通过数值模拟与深度学习验证，得出以下结论：空洞体积分数与分布共同影响复合材料裂纹模式与力学性能；两阶段框架通过融合裂纹特征提升了强度预测精度；模型能自动识别多类缺陷，且计算效率极高。这项研究不仅为复合材料性能预测提供了新方法，也为工程中的实时决策与优化设计奠定了技术基础。
图1 单向复合材料中的缺陷
图2 带缺陷RVE的生成
图3 不同空洞体积分数下的应力-应变曲线与裂纹模式
图4 空洞体积分数对横向性能的影响
图5 两阶段深度学习框架
图6 有限元分析与CPN裂纹预测对比
图7 融合裂纹预测前后力学性能预测对比
原始文献：
Wang, B., Huang, K., & Guo, L. (2025). A two-stage deep learning framework for predicting crack patterns and mechanical properties of unidirectional composites with void defects. *Composites Science and Technology*, 271, 111357.
原文链接：
https:///10.1016/j.compscitech.2025.111357