微精选

复合夹层结构在电动汽车电池包保护中具有重要作用，但其抗冲击性能设计依赖大量实验与仿真，成本高、周期长。特别是在新型含弹性夹层的CFRP铝蜂窝夹层结构中，影响因素多达33项，包括材料密度、弹性模量、断裂能等。传统方法难以快速捕捉参数与抗冲击性能之间的复杂非线性关系，导致设计效率低下。此外，机器学习模型在数据量不足时易过拟合，且黑箱特性使得设计过程缺乏物理可解释性，进一步限制了其工程应用。

为解决这一问题，哈尔滨工业大学、香港城市大学的研究团队在Composite Structures期刊发表了相关研究成果。该研究提出了一种融合数据增强、可解释机器学习与遗传算法的少样本学习框架，能够在有限数据下高效设计复合夹层结构的抗冲击性能，将优化时间缩短23%的同时显著提升关键力学指标。论文标题为”A few-shot explainable machine learning based framework for designing impact resistance in composite sandwich structures”。

该研究提出了一种少样本可解释机器学习框架，框架的核心由四个步骤构成：首先，采用一种约束增强的Wasserstein生成对抗网络进行数据增强，通过引入条件生成机制和多目标损失函数（如重构损失、回归损失和相关性损失），生成兼具多样性和物理一致性的合成数据，有效扩充数据集。其次，综合运用传统机器学习模型（随机森林RF、人工神经网络ANN）和自动化机器学习框架（AutoGluon-Tabular, AGT）来构建抗冲击性能的快速预测模型。然后，利用基于SHAP的可解释性分析方法，量化每个材料参数对预测结果的贡献度，从而从繁多的参数中筛选出关键影响因子。最后，将人工神经网络作为代理模型，与多目标遗传算法（GA）集成，形成协同优化设计平台。

图1 抗冲击设计框架示意图

图2  新型夹层结构有限元模型  

图3 超参数调优结果（reg-weight与corr-weight） 

该框架的实施取得了显著的效果。在数据层面，约束增强的WGAN-GP将原始220个样本的数据集成功扩展至1000个，生成数据与原始数据的分布高度吻合，其Pearson相关系数高达0.9903。在预测模型方面，自动化机器学习模型自动化机器学习框架表现最佳，在全部9个抗冲击指标上的平均决定系数R²达到了0.952，显著优于传统模型。通过SHAP分析，成功将设计参数从33个削减至13个，精炼了设计空间。在优化方面，基于ANN-GA的协同设计将优化时间从4407秒缩短至3407秒，效率提升了23%，并找到了性能更优的材料参数组合。具体而言，优化后的结构在峰值力（Fmax）上提升了9.98%，同时能量耗散（Edis）降低了17.16%。

文章总结指出，该研究成功开发了一个适用于少样本条件的可解释机器学习框架（FEMF），用于复合夹层结构的抗冲击设计。框架集成了约束增强的数据生成、高精度预测模型、可解释性分析和高效多目标优化，有效解决了小数据、多参数场景下的设计难题。该工作不仅为复合材料结构的智能化设计提供了新颖且高效的方法论，也对推动电动汽车等领域的轻量化与安全性发展具有重要的实践意义。

图4 各材料参数对抗冲击指标的SHAP蜂群图

图5 夹层结构冲击响应对比（力-位移曲线与损伤面积） 

图6 矩阵拉伸损伤云图（原始结构与GA优化结构） 

原始文献：

Zhongyu Li, Xinyu Ma, Yiqun Liu, Chunming Ji, Xingquan Wang, Jianfeng Wang, Bing Wang. A few-shot explainable machine learning based framework for designing impact resistance in composite sandwich structures. Composite Structures, 374 (2025) 119747.