近日，Composites Science and Technology 期刊发表了一篇由浙江工业大学、中南大学研究团队完成的有关复合材料应力场预测的研究成果。该研究提出了一种融合Transformer层与迁移学习的3D TransU-Net框架，实现了多载荷路径下复合材料应力场的快速精准预测，有效克服了现有方法的局限性。论文标题为“Deep learning approach for predicting multi-component stress fields in fiber-reinforced composites under different load paths”。
该研究首先通过有限元分析生成625组随机纤维分布的代表性体积单元（Representative Volume Element, RVE）样本，各样本中纤维体积分数为30%~50%，有限元模型中施加三种线性载荷路径（最大应变分别为4%、6%、8%）。
其次，采用3D TransU-Net神经网络预测应力场，其编码器-解码器结构嵌入Transformer层，通过自注意力机制捕获局部与全局特征。
再次，冻结预训练模型部分权重，通过迁移学习微调解码器层，使模型适配新载荷路径（如4%、8%应变）。
图1 框架流程图，展示从RVE建模、FEA计算到迁移学习的全流程
图2 随机RVE生成算法，通过近邻纤维约束避免重叠
有限元建模分析阶段，RVE模型为边长30μm的正方形区域，玻璃纤维半径2.5μm，随机嵌入聚丙烯基体。采用周期性边界条件和三角形壳单元网格，网格总数约6500个，通过网格独立性验证确定最佳尺寸为0.55μm。
图3 (a) RVE边界条件示意图；(b) 三种线性载荷路径（8步加载）
图4 微观结构5在载荷路径2下的应力场结果：(a) 应力场可视化图示；(b) 应力场的均值与标准差分布
3D TransU-Net架构中，编码器为3×3×3卷积+ReLU+最大池化。Transformer模块采用12层堆叠，含多头自注意力和位置编码。解码器为转置卷积+跳跃连接，输出128×128×8×4张量（4个应力分量×8加载步）。另外，采用了平均绝对误差（MAE）损失函数，Adam优化器，动态学习率调整等。
图5 用于预测多组分应力场的3D TransU-Net架构
数据预处理阶段，将输入的RVE处理为二值化图像（纤维用1表示，基体用0表示）。输出的应力场线性插值至128×128网格，归一化至[0,1]。迁移策略为，先基于载荷路径#2（6%应变）预训练模型。然后冻结编码器/Transformer权重，微调解码器适配路径#1/#3（4%、8%应变）。
图6 样本输入与输出数据的预处理流程
图7 基于微调的迁移学习用于预测应力场
该研究通过3D TransU-Net与迁移学习的结合，实现了变纤维体积分数（30%~50%）、多载荷路径下复合材料多组分应力场的高效预测（单样本0.2秒）。未来可拓展至高体积分数预测、三维RVE建模及多尺度损伤分析。
原始文献：
Peng, X., Yao, Q., Yi, B., Xie, J., Li, J., & Jiang, S. (2025). Deep learning approach for predicting multi-component stress fields in fiber-reinforced composites under different load paths. Composites Science and Technology, 267, 111198.
原文链接：
https:///10.1016/j.compscitech.2025.111198