AI + 增材制造:让玻璃纤维复合材料＂透明＂起来

摘要背景

在制造业追求可持续发展与创新突破的当下，增材制造技术凭借其独特优势备受关注。与此同时，人工智能（AI）技术的迅猛发展为各行业带来了全新变革动力，在增材制造领域也展现出巨大应用潜力。对于玻璃纤维增强复合材料而言，实现高透明度一直是研究热点与难点。传统玻璃纤维增强聚合物（GFRP）因基体与纤维折射率不匹配，导致光线在界面散射，材料呈现半透明或不透明状态，限制了其在如汽车透明 A/B 柱、建筑透明承重结构等对透明度和力学性能有双重要求场景中的应用。本文聚焦于利用 AI 技术制备透明玻璃纤维增强环氧树脂复合材料，并深入探究其光学特性，旨在打破传统材料的性能瓶颈，推动增材制造与高性能材料的融合发展。

研究内容

1、材料选择与基础性能分析 ：选用不同类型的胺固化剂与环氧树脂混合，制备固化的热固性环氧树脂（EP）产物，并以此为基体与玻璃纤维复合制备 GFRP。通过透镜折射仪和紫外 - 可见分光光度计，系统分析了不同胺固化剂体系下 EP 固化产物及透明 GFRP 的光学性能。研究发现，在众多胺固化剂中，脂肪族胺固化剂 PPG - 400 的折射率与玻璃纤维最为接近，且相应固化产物具有较高的透光率。玻璃纤维与 EP/PPG - 400 之间微小的折射率差有效减少了相位延迟，从而实现了高透光率。这一结果为后续 AI 参与材料性能优化提供了关键基础数据。

2、AI 辅助工艺优化与性能预测 ：运用机器学习算法，对大量实验数据进行深度挖掘。通过建立工艺参数（如固化温度、时间，纤维与基体比例等）与材料光学性能（透光率、雾度等）及力学性能（拉伸强度、弯曲强度等）之间的关联模型，实现对制备过程的精准控制与性能预测。例如，采用神经网络模型，输入不同的材料配方和工艺条件，能够准确预测最终材料的透光率数值，误差控制在极小范围内。基于此，利用 AI 模型进行工艺参数的全局优化搜索，快速找到实现高透明度与良好力学性能平衡的最佳制备方案，大幅缩短了传统试错实验所需的时间和成本。

3、微观结构与性能的 AI 关联研究 ：借助 AI 图像识别与分析技术，深入探究玻璃纤维在基体中的分布状态、界面结合情况等微观结构特征与材料宏观性能之间的内在联系。通过对大量微观结构图像的学习，AI 模型能够识别出影响材料透明度和力学性能的关键微观结构因素，如纤维的取向一致性、界面处的微观缺陷等。例如，发现当玻璃纤维在基体中呈平行且均匀分布时，材料的透光率显著提高；而界面处存在微小气泡或未充分浸润区域时，会导致光线散射增加，降低透光率并削弱力学性能。基于这些发现，进一步优化材料制备工艺，改善微观结构，从而提升材料整体性能。

图文速览

三种神经网络架构示意图

展示了融合物理信息的三种机器学习架构。（a）A1 架构将解析模型结果与多层感知机（MLP）输出叠加；（b）A2 架构在 A1 基础上加入长短期记忆（LSTM）层处理波长序列数据；（c）A3 架构通过 LSTM 预测解析模型的修正参数（α、β、γ），再整合到物理公式中。

12 组 tGFRP 样本外观图

12 个样本在相同光照下的视觉效果差异显著，样本 1-4 呈红黄色（短波长透光差），样本 7-9 接近无色透明（全波段透光均匀），样本 10-12 偏蓝色（长波长透光强）。

样本的色散与透光率曲线

展示 ECR type 2 纤维与聚合物 H 的折射率（RI）色散曲线在 540nm 处交叉，对应透光率峰值（82.7%），且在 400-700nm 波段保持较高透光水平。

不同模型的透光率预测对比

对比解析模型（绿色）、A3 模型（橙色）与实测值（蓝色）的透光曲线。A3 模型对样本 6（Set A）的峰值预测误差仅 3%，对非对称曲线样本 9（Set D）的拟合度远超解析模型（后者误差达 15%）。

所有样本的色散与透光率曲线

汇总 12 个样本的纤维与聚合物色散曲线及对应透光率，样本 7-9 的色散曲线重合度高，透光率曲线呈平台状；样本 1-4 的色散曲线偏离大，透光率波动明显。

总结

本文通过系统研究，成功利用 AI 技术在透明玻璃纤维增强环氧树脂复合材料领域取得了关键突破。一方面，明确了胺固化剂类型对材料光学性能的重要影响，PPG - 400 在构建高透光率体系中表现突出；另一方面，借助机器学习算法建立了精准的工艺 - 性能预测模型，并深入解析了微观结构与性能的内在关联。这些成果不仅为制备高性能透明 GFRP 提供了切实可行的技术路径，大幅提升了材料的透明度与综合性能，还展示了 AI 在材料研发与制造过程中的强大赋能作用，从工艺优化到性能调控，全面提高了研发效率与产品质量。未来，随着 AI 技术的进一步发展，有望在更多类型复合材料的制备与性能提升中发挥更大作用，推动制造业向智能化、高性能化方向持续迈进。