Advancements of machine learning techniques in fiber-filled polymer composites: a review

Der Artikel befasst sich mit der Integration maschineller Lerntechniken in die Charakterisierung und Optimierung von fasergefüllten Polymerverbundwerkstoffen, die in Branchen wie Luft- und Raumfahrt und Automobil unverzichtbar sind. Herkömmliche Methoden zur Charakterisierung von Verbundwerkstoffen wie mechanische Tests und Mikroskopie sind zeitaufwändig und in ihrem Umfang begrenzt. Maschinelles Lernen bietet eine vielversprechende Lösung mit verschiedenen Algorithmen, die in der Lage sind, mechanische Eigenschaften wie Zug- und Biegefestigkeit vorherzusagen. Der Bericht beleuchtet auch das Potenzial des maschinellen Lernens bei der Optimierung von Fertigungsprozessen, einschließlich Parameteroptimierung, Materialauswahl und Faserorientierung. Darüber hinaus wird der Einsatz von maschinellem Lernen in der Mikrostrukturanalyse diskutiert, was tiefere Einblicke in das Zusammensetzungsverhalten ermöglicht. Der Artikel schließt mit der Betonung der Herausforderungen und zukünftigen Richtungen in diesem Bereich und unterstreicht die Notwendigkeit fortgesetzter Forschung, um die Macht des maschinellen Lernens in der Verbundwerkstoffwissenschaft vollständig zu nutzen.