近日，成人短视频 成人短视频 丁燕怀教授在国际复合材料顶级期刊《Composites Part B: Engineering》（影响因子14.2）发表题为《通过数据增强和机器学习提高 GFRTP 疲劳寿命预测》（Boosting GFRTP fatigue life prediction with data augmentation and machine learning）的研究成果，成人短视频 丁燕怀教授和计算机学院肖芬教授为论文的共同通信作者。成人短视频 2025级博士生邓明轩和计算机学院2022级硕士生杨维共同参与了此项工作。

长期以来，玻璃纤维增强热塑性复合材料（GFRTP）的疲劳性能测试与寿命预测一直是制约其在航空航天、汽车制造等高性能装备领域广泛应用的核心难题。传统实验方法不仅成本高，且实验周期长。而基于小样本数据的机器学习模型又普遍存在预测精度不足、泛化能力弱等问题。针对这一技术瓶颈，研究团队提出了融合物理约束蒙特卡洛模拟（PCR-MCS）与迁移学习联合注意力机制长短期记忆网络（TA-LSTM）的混合智能预测框架。该框架通过物理约束规则指导蒙特卡洛模拟，对有限的实验数据进行高质量扩充，成功构建了大规模合成数据集。进而，结合迁移学习与自注意力机制的长短期记忆网络模型，实现了对GFRTP疲劳寿命的精准快速预测。研究结果表明，经数据增强后的模型预测误差显著降低近80%，预测结果几乎全部落在3.0倍散射带内，展现出极高的预测精度。尤为引人注目的是，该模型不仅适用于GFRTP材料，还在玻璃纤维/环氧树脂、天然橡胶及2024铝合金等多种材料体系上表现出卓越的泛化能力，为解决工程材料小样本疲劳预测的共性难题提供了通用、高效的解决方案。

图1  预测模型的流程图

此项研究成果不仅极大降低了复合材料疲劳性能的评价成本与周期，更为基于数据驱动的材料设计与寿命管理奠定了坚实的理论与技术基础，在汽车工业、航空航天等重大工程领域具有广阔的应用前景。

文章链接：//doi.org/10.1016/j.compositesb.2025.112892