基于人工神经网络的AL7075板支撑混杂复合材料力学行为研究

本研究针对混杂复合材料层序排列对力学性能的影响问题，通过构建AL7075板为中间层、玻璃纤维(GF)/碳纤维(CF)为表层的四类层合结构，结合ASTM标准试样开展拉伸/三点弯曲/弹道实验，并采用Levenberg-Marquardt算法优化的人工神经网络(ANN)进行数据验证。结果表明碳/玻璃/碳(G/C/G)与玻璃/碳/玻璃(C/G/C)层序组合表现最优，为航空航天防护材料设计提供新思路。

　　

在航空航天和装甲防护领域，如何通过材料组合设计实现轻量化与高强韧性的统一，一直是工程界亟待解决的难题。传统单一材料体系往往难以兼顾多重力学性能需求，而将金属与纤维增强聚合物(FRP)结合的混杂复合材料(hybrid composite)展现出独特优势。其中，AL7075铝合金因其优异的比强度成为理想金属基材，但对其与碳纤维(CF)/玻璃纤维(GF)的层间协同机制尚缺乏系统研究。更关键的是，现有研究多聚焦单一力学场景，鲜有同时考察拉伸、弯曲及弹道冲击等多维性能的报道。

为破解这一难题，研究人员在《International Journal of Polymer Analysis and Characterization》发表论文，创新性地采用人工神经网络(ANN)算法辅助分析AL7075板支撑的GF/CF混杂复合材料力学行为。研究团队设计四类典型层序结构：AL7075作为中间层，表层分别采用GF/GF、CF/CF、GF/CF、CF/GF组合，以环氧树脂为基体(matrix)通过层压工艺制备试样。所有试样严格遵循ASTM标准加工，通过万能材料试验机完成拉伸/三点弯曲测试，并采用专业弹道测试平台评估抗冲击性能。数据建模阶段引入Levenberg-Marquardt(LM)算法优化的ANN模型，建立输入参数（材料组合、层序）与输出响应（应力应变、能量吸收）的非线性映射关系。

材料制备与表征
研究采用真空辅助树脂传递模塑(VARTM)工艺制备层合板，通过扫描电镜(SEM)确认界面结合质量。特别值得注意的是，所有纤维铺层角度严格保持0°/90°正交排列以消除各向异性影响。

拉伸性能分析
应力-应变曲线显示，碳/玻璃/碳(G/C/G)构型展现最高拉伸强度(512±23 MPa)，较纯GF组提升41.3%。断裂形貌分析表明，该构型中AL7075与CF的协同变形有效抑制了GF层的早期开裂。

弯曲性能评估
三点弯曲测试中，玻璃/碳/玻璃(C/G/C)样品弯曲模量达38.7 GPa，其独特的"三明治"结构使中性层偏移量减少62%，显著提升抗弯刚度。

弹道冲击响应
所有构型均满足NIJ III级防护标准，其中G/C/G组合的比吸能值(SEA)最高(89 J·m²/kg)，弹道极限速度(V₅₀)较军用装甲基准提升17%。

ANN模型验证
LM-ANN模型预测误差控制在4.8%以内，权值分析揭示CF表层对拉伸性能贡献度达73%，而AL7075厚度对弹道性能影响权重占61%。

这项研究通过多尺度实验与智能算法结合，首次量化了层序效应对混杂复合材料多维力学性能的影响规律。其核心价值在于：1) 证实G/C/G与C/G/C构型可分别优化静态/动态力学性能；2) 建立可扩展的ANN预测框架，为后续材料设计提供数字化工具；3) 提出的"金属-纤维界面梯度设计"理念，为开发新一代轻质装甲材料指明方向。论文成果已应用于某型直升机舱门防弹层设计，实测性能提升验证了理论模型的可靠性。未来研究可进一步探索湿热环境等复杂工况下的性能演变规律。