二维碳纤维增强碳化硅基（2D C/SiC）复合材料因其优异的高温抗性、低密度和高比强度，已成为航空航天热结构关键材料。然而，层间堆叠状态差异导致的初始缺陷会引发分层开裂，直接制约其力学性能提升。传统二维断裂分析方法难以捕捉层间损伤序列，CT检测面临三大技术瓶颈：微观结构灰度差异小、复杂结构单元识别困难、海量数据处理效率低下。尽管现有研究观察到分层现象，但对层间载荷传递规律和分层机制的量化分析仍存在空白，严重阻碍材料设计优化进程。
针对上述挑战，西北工业大学、重庆金康赛力斯新能源汽车设计院有限公司、航空工业西安航空制动科技有限公司、上海交通大学的研究团队创新构建了多尺度原位实验与深度学习融合的分析框架。该研究通过ZEISS Gemini 500扫描电镜实施原位SEM拉伸试验，以0.4 mm/min速率加载并在0/500/900N关键载荷点暂停记录表面裂纹演化。同步采用ZEISS Xradia 520 Versa显微CT系统，结合Deben CT5000加载台，实现材料内部三维损伤动态捕捉。为解决CT图像分割难题，研究团队基于ORS Dragonfly软件平台开发U-net 3D深度学习模型，通过阈值分割与人工标记训练数据集，精准识别分层裂纹（蓝色区域）和隧道裂纹（tunnel cracks）（红色区域），其数据处理流程呈现“原始CT数据→深度学习分割→裂纹分类识别→三维量化统计→有限元参数输出“的完整技术链条。论文标题为“Three-dimensional in-situ observation and cohesive zone modeling of tension-induced delamination of two-dimensional C/SiC composites via deep learning-based damage identification”。
实验数据显示：表面涂层裂纹呈现周期性致密化特征，平均间距从初始1.03mm降至0.40mm，降幅达61.2%，符合剪切滞后模型理论。通过公式计算获得CVD-SiC涂层与C/SiC层间滑移应力为1.88MPa。
更为关键的是，CT三维重构结合深度学习量化分析显示：层间强粘接区孔隙率为19.02%，而弱粘接区高达29.39%，升幅达54.3%。
这种非均匀性直接导致两类典型损伤行为：隧道裂纹优先在错相位/随机相态区域萌生，纱线端部裂纹间距显著小于纱线中部；分层裂纹则起源于弱粘接区，在拉伸载荷下扩展并与主裂纹交汇，最终引发材料断裂，其体积占比经统计达4.17%。
基于损伤机理认知，研究团队建立了差异化内聚力有限元模型。通过设置五组垂直粘接层（Coh1-Coh5）并赋予不同参数，精准模拟层间强/弱粘接状态。模型验证显示模拟曲线与实验曲线吻合度超过95%。失效过程仿真表明：当载荷达到断裂载荷80%时，粘接层损伤开始加速；弱粘接区（Coh2）率先发生分层，最终引发整体断裂。该模型成功复现”隧道裂纹→层间偏转→分层萌生→裂纹交汇→整体断裂“的完整失效链条，为工程设计提供预测工具。
该成果首次量化揭示层间粘接状态双峰分布规律，为复合材料界面优化设计提供理论基石。提出的“原位CT+深度学习+内聚力模型”三位一体分析框架，可推广至航空发动机热端部件、核反应堆包壳材料等层状复合材料的损伤行为预测。
图1 设备与样品
图2 基于深度学习的图像分割流程图
图3 二维C/SiC复合材料三维重构
图4 XY截面层间分层裂纹（三维可视化）
图5 分层裂纹分布统计
图6 隧道裂纹分布统计
图7 二维C/SiC有限元模型
图8 二维C/SiC断裂过程
原始文献：
Kang, F., Mei, H., Gao, X., Zhang, D., Ye, F., Zhang, Y., & Cheng, L. (2025). Three-dimensional in-situ observation and cohesive zone modeling of tension-induced delamination of two-dimensional C/SiC composites via deep learning-based damage identification. Carbon, 233, 119842.
原文链接：
https:///10.1016/j.carbon.2024.119842