Influence of multiple process parameters on the friction coefficient of prepregs and machine learning prediction method
-
摘要:
在复合材料成型过程中，预浸料/预浸料和预浸料/模具之间的摩擦滑移行为会导致褶皱、孔隙等缺陷，严重影响构件力学性能。然而复杂构件成型过程中预浸料层间摩擦行为影响因素众多，现有理论模型涵盖的工艺参数有限，导致成型工艺仿真精度低，无法满足高质量成型要求。本文设计了面向多工艺参数的碳纤维预浸料摩擦试验方法，研究了速率、法向力、黏度、表面粗糙度、接触材料、纤维方向等工艺参数对摩擦系数的影响规律，以典型纤维方向0o/45o/90o为例，揭示了不同纤维方向的界面摩擦机制。为实现多工艺参数下摩擦系数的快速、准确预示，建立了基于支持向量回归(SVR)的预浸料摩擦系数预示模型。开展相对纤维方向为[30o/0o]和[60o/0o]的预浸料/预浸料界面摩擦系数的试验和预测，两者偏差小于9%。
Abstract:During the forming process of composites, the friction-sliding behavior between prepreg ply-ply and ply-tool may lead to defects such as wrinkles and pores, which seriously affect the mechanical properties of the components. However, there are many factors affecting the inter-ply friction of the prepreg plies in the forming process of complex components. The existing theoretical models contain insufficient process parameters, resulting in the accuracy of forming process simulation not meeting high-quality forming requirements. In this paper, a friction test method for carbon fiber prepregs was designed for multiple process parameters. The influence of sliding velocity, normal force, viscosity, surface roughness, contact material, and fiber orientation on the friction coefficient were studied. Taking the typical fiber orientations of 0o/45o/90o as examples, the inter-ply friction mechanism in different fiber orientations was revealed. In order to predict the friction coefficient of prepreg corresponding to multiple process parameters rapidly and accurately, a prediction model for the friction coefficient of prepreg was established using the support vector regression (SVR) method. Taking the prepreg ply-ply friction behavior with relative fiber orientation of [30o/0o] and [60o/0o] as examples, the experiments and predictions were conducted, and the error was less than 9%.
-
随着全球经济的发展和化石燃料的消耗剧增，全球石油的需求量在逐年增加，多次采油技术得到了更广泛应用[1]，原油采出液的含水率也在逐年增加，正在给中国这一世界最大石油进口国带来严峻的挑战。同时，随着海上油气开发向深海迈进，深海平台的油水分离、采油井井底油水分离等都迫使人们探索新的油水分离技术。
工业生产运输过程中的各类不溶性有机物的泄露和排放导致了各种严重的环境问题[2-5]。例如石油加工和运输过程中的原油和成品泄露导致的水污染。皮革处理、食品加工、冶金、化工等工业生产过程中排放的含油废水。这些含油废水如不经处理直接排放，会对生态系统、农业生产构成严重破坏，危及人类健康，因此需要有效的油水分离技术来解决分离问题。目前主要的油水分离形式包括重力分离、离心、吸附和膜分离等[6-9]。将含油废水进行油水分离后，对废水的后续的处理难度和成本将会大大降低。膜分离技术作为一种先进的水净化技术，由于其经济、节能、易于操作的特点，已经成为一种不可或缺的选择[10-12]。然而，面对愈加复杂的含油污水(轻/重油和水的混合物、水包油乳液和油包水乳液的混合体系)以及不同酸碱环境，单一的除油型、除水型分离材料无法实现按需、高效和可持续的分离。因此，开发先进的智能油水分离材料是解决世界水环境恶化和石油短缺问题的迫切需要。
对某种外界刺激敏感并产生特殊反应的现象称为智能响应。具有可转换润湿行为的人工智能响应界面材料引起了人们越来越多的兴趣[13-15]。研究表明，可转换润湿行为通常可通过调节pH值[16]，改变光源[17]、温度[18]、磁场强度[19]等方式实现。pH响应材料可定义为在其结构中包括弱酸性或碱性基团的聚电解质，酸性或碱性基团如羧基、吡啶、磺酸、磷酸盐、叔胺等通常被称为pH响应基团，这些基团响应于pH的变化。基团会随着环境pH变化而接受或释放质子，导致结构和性质的变化，从而实现材料的pH响应。例如，Liu等[20]合成了一种基于分子印迹聚合物的pH响应型纳米药物，该纳米药物在的模拟肿瘤微环境中表现出良好的 pH 响应性，可通过特定的分子印迹位点选择性地从前列腺肿瘤中螯合睾酮。Surapaneni等[21]合成了一种具有温度和 pH 双重刺激响应的聚N-乙烯基己内酰胺和聚赖氨酸的嵌段共聚物，该共聚物可在两种刺激单独或共同作用下增加细胞对聚合物囊泡的渗透性，用于增强细胞内化和溶酶体靶向药物运送。
光作为一种低成本、绿色环保的刺激方法，使含有光响应基团的材料具有非接触式的遥控特性。光响应性能可以通过引入光响应基团来实现，该基团在特定波长的照射下发生结构变化，从而导致材料的性能发生变化[22-24]。目前常用的光响应基团是偶氮苯及其衍生物。偶氮化合物有两种异构体，一种是稳定态的反式结构，另一种是亚稳态的顺式结构。偶氮苯官能团经紫外线照射后，反式的非极性异构体可以转化为顺式的极性异构体，并且这一过程具有可逆性。由于偶氮苯反式构象的极性较弱，顺式构象的极性较强，在顺反异构体转变的过程中会导致材料的极性发生变化，其亲疏水性也随之变化，可以利用这一特性制备光响应智能转换油水分离材料，因为偶氮苯顺反异构体转换的可逆性，所以亲疏水性能的变化过程也是可逆的[25-28]。Yang等[29]利用偶氮苯聚合物作为衬底，制备一种可光切换的超疏水表面，该表面可受紫外和可见光的影响，使聚合物膜发生亲水到疏水的可逆改变。Du等[30]制备了一种功能化的偶氮苯聚合物，制备的偶氮苯溶液在紫外和可见光交替暴露下表现出偶氮苯的光异构化转变以及亲水到亲油的可逆变化。偶氮苯衍生物因其良好的化学稳定性和多功能性在光响应材料的制备和应用中具有广阔的发展前景[31]。
本文采用可逆加成-断裂链转移(RAFT)一步聚合法，制备得到了具有pH/光刺激响应性能的三元无规共聚物，并将其与无纺布相结合，得到了具有智能化可逆响应性能复合织物的油水分离膜。这种油水分离膜在油水分离、工业复杂废水处理等方面具有巨大的应用潜力。
1. 实验材料及方法
1.1 原材料
四氢呋喃(THF)、盐酸(35%)、甲醇，西陇科学公司；二硫代苯甲酸异丙酯(CDB)，阿拉丁生物技术有限公司；无纺布，深圳瑞都净化公司；偶氮二异丁腈(AIBN)、甲基丙烯酸羟乙酯(HEMA)、甲基丙烯酸二甲氨乙酯(DMAEMA)、对氨基苯甲酸、苯酚、氢氧化钠、亚硝酸钠、三乙胺、丙烯酰氯，麦克林公司。上述试剂均是分析纯，实验用水为去离子水。
1.2 样品表征
傅里叶红外光谱仪(VERTEX 70 Bruker)、 超导核磁共振波谱仪(BRUKER 500 MHz AVANCE NEO)、紫外可见分光光度计(UV-3600 Plus，日本岛津)、扫描电子显微镜(ZEISS GeminiSEM 500，德国卡尔蔡司) 、视频光学接触角测试仪(OCA25 Eastern-Dataphy)。
1.3 智能响应油水分离材料的合成
合成主要分为4个步骤：(1)重氮化-偶联反应；(2)酯化反应；(3)酯水解反应；(4)聚合反应。合成路线见图1。
![]()
图 1 偶氮苯单体及聚合物的合成路线：((a), (b))中间体；(c)单体；(d)聚合物Figure 1. Synthetic route of azobenzene monomer and polymer: ((a), (b)) Intermediate; (c) Monomer; (d) PolymerTEA—Tetrahydrofuran; THF—Triethylamine; AIBN—2, 2'-azobis(2-methylpropionitrile); CDB—Cumyl dithiobenzoate1.3.1 4-(4'-羟基)苯偶氮基苯甲酸的合成
通过重氮化-偶联反应制备4-(4'-羟基)苯偶氮基苯甲酸。将35%的盐酸12 mL与等体积的蒸馏水混合，缓慢滴加到装有对氨基苯甲酸(4.10 g，30 mmol)的烧瓶中搅拌均匀后，将30 mL的NaNO2水溶液(1 mol/L)缓慢滴入烧瓶反应30 min后加300 mL冰水稀释。然后滴加20 mL苯酚(2.94 g，31 mmol)和NaOH (1.72 g，31 mmol)水溶液。0~5℃下反应2 h，用NaOH调节pH至5~6。过滤收集固体，蒸馏水洗涤，得到4-(4'-羟基)苯偶氮基苯甲酸(中间体a)的橘黄色固体6.97 g，产率85%。
1.3.2 丙烯酸-4-((4-(丙烯氧基)苯基)二氮基)苯甲酸酐的合成
将1.3.1制得的偶氮苯(2.42 g，10 mmol)与三乙胺(1.47 mL，10 mmol)溶于25 mL THF并滴加丙烯酰氯(0.8 mL，10 mmol)，室温下反应24 h。滤去生成的盐，浓缩滤液并滴入甲醇中沉淀，得到丙烯酸-4-((4-(丙烯氧基)苯基)二氮基)苯甲酸酐黄色固体1.67 g (中间体b)，产率57%。
1.3.3 4-((4-(丙烯氧基)苯基)二氮基)苯甲酸的合成
将1.3.2中制备的偶氮苯1.51 g溶解在20 mL THF中，用10%的氢氧化钠水溶液调节pH至7~8，室温反应24 h，后用5%的盐酸水溶液调节pH至2~4，过滤并用蒸馏水洗涤，得到橙色固体1.24 g (单体c)，产率83%。
1.3.4 智能双响应聚合物的制备
采用可逆加成-断裂链转移聚合(RAFT)，一步反应制得智能响应聚合物。这种聚合也被称为“活性”/可控自由基聚合。由于其反应条件温和、单体选择范围广、分子设计能力强等优点，已发展成为最通用、最强大的聚合技术之一。
将1.3.3中的产物(1.55 g，5 mmol)与 DMAEMA(0.339 g，2.16 mmol)、HEMA (0.280 g，2.16 mmol)溶于THF后通氮排氧，温度升至70℃后加入AIBN (0.08 g，0.5 mmol)、CDB (0.2 g，0.2 mmol)反应48 h，旋蒸去除溶剂，甲醇洗涤后，干燥，得到橘红色聚合物1.84 g (聚合物d)，产率85%。
1.4 智能响应涂层的制备
将1.3.4中得到的聚合物均匀地涂膜在载玻片上，60℃下真空干燥，用于测量接触角。
1.5 智能油水分离膜的制备
将直径5 cm的无纺布用无水乙醇浸泡并超声清洁表面灰尘和油脂后，浸入未干燥的聚合物中，使聚合物均匀地涂在无纺布表面，60℃下真空干燥48 h，得到智能双响应油水分离膜。
2. 结果与讨论
2.1 表征与形貌
合成的各中间体、单体和聚合物的红外谱图如图2所示。
3452 cm−1处的吸收峰为偶氮苯中苯环上不饱和C—H键的伸缩振动，1606 cm−1为苯环骨架的C=C伸缩振动，807 cm−1为苯环上的C—H面外弯曲振动峰。a、c、d 在2942 cm−1处的吸收峰为羧基的O—H伸缩振动峰；b、c在1721 cm−1处存在C=C的伸缩振动；b在1786 cm−1处存在酸酐的C=O伸缩振动；聚合物d在3250 cm−1左右处存在DMAEMA中叔胺甲基上C—H伸缩振动峰和HEMA中的O—H伸缩振动峰。![]()
图 2 中间体a、b，单体c和聚合物d的傅里叶红外图谱Figure 2. FTIR spectra of azobenzene intermediates a, b, monomer c and polymer d图3为偶氮苯单体及聚合物的1H NMR图，图3(a)中，8.13×10−6、8.01×10−6、7.45×10−6和5.88×10−6处的峰对应单体c结构中为A、B、C和D的氢。图3(b)中，1.13×10−6和1.26×10−6处的氢对应于聚合物d中F和G相应位置的氢，A、B、C和D的氢与单体结构中的峰位置基本一致。
![]()
图 3 偶氮苯单体(a)和聚合物(b)的核磁共振氢谱图Figure 3. 1HNMR spectra of azobenzene monomer (a) and polymer (b)将偶氮苯溶于DMF (0.15 g·L−1)中，用365 nm紫外灯(20 W)照射2 h，使溶液中的单体转化为顺式结构后，分别检测不同照射时间的UV-Vis吸收光谱，吸收光谱随时间变化的关系如图4所示。其中，图4(a)为用LED灯(445 nm，20 W)对溶液进行照射，直至吸光度不再变化的吸收光谱。图4(b)为继续用365 nm紫外灯对溶液进行照射后的吸收光谱。偶氮苯特征吸收峰主要是330~380 nm处的π-π*吸收峰和420~500 nm的n-π*吸收峰。从图4中单体在365 nm和445 nm光照射下吸收光谱的变化情况可以看出，365 nm和445 nm的光照下，随照射时间的增加，单体在溶液中π-π*吸收峰的位置几乎不发生移动，而吸光度会逐渐变化。n-π*特征峰处的吸光度和吸收峰的位置均变化很小。吸光度的变化归因于紫外-可见光照射引起的偶氮苯从顺式到反式的异构化。对比图4(a)与图4(b)中吸收光谱变化，可以看到偶氮苯的顺反异构化是一个可逆的过程。
未经处理的无纺布(图5(a))纤维表面相对光滑。经过涂膜的无纺布(油水分离膜，图5(b))，可以观察到纤维表面及相邻纤维间粘附的聚合物，作为基底的无纺布具有多孔结构和交错的纤维，有利于聚合物的粘附并为油水分离提供了必要的空间。无纺布的柔性还使油水分离膜具有良好的柔韧性，可以承受多次折叠而不损坏。
![]()
图 5 (a)无纺布的SEM图像；(b)油水分离膜的SEM图像Figure 5. (a) SEM image of blank non-woven fabric; (b) SEM image of oil-water separation membrane2.2 智能响应及油水分离测试
将聚合物均匀地涂抹在载玻片上烘干后，分别在自然条件、pH=3的缓冲溶液浸泡、紫外-可见光照射、缓冲溶液浸泡后继续用紫外-可见光照射等情况下进行接触角测量实验，每次滴液的量为5 μL，接触角变化如图6所示。
![]()
图 6 聚合物d的载玻片涂层在不同条件下的接触角变化：(a)自然条件下；(b)经pH=3缓冲溶液浸泡后；(c)经pH=10缓冲溶液浸泡后；(d)经365 nm光照射后；(e)经445 nm光照射后；(f)经pH=3缓冲溶液浸泡并用365 nm紫外光照射后Figure 6. Contact angle variation of polymer d slide coatings under different conditions: (a) The natural state; (b) After immersion with pH=3 buffer solution; (c) After immersion in pH=10 buffer solution; (d) After exposure to 365 nm light; (e) After exposure to 445 nm light; (f) After immersion in pH=3 buffer solution and irradiation with 365 nm ultraviolet light图6显示了聚合物涂层在不同条件下的接触角的变化情况，该变化能够反映涂层材料的智能响应特性。在自然条件下的接触角143.7°，见图6(a)。将其在pH=3的缓冲溶液中浸泡1 h后烘干，接触角变化至109.9°，见图6(b)。该过程的接触角是由聚合物中DMAEMA单元和偶氮苯上羧基质子化共同作用导致的。随后将涂层置于pH=10的缓冲溶液中浸泡1 h后烘干，其接触角恢复至142.2°，见图6(c)，将烘干后的涂层在365 nm (20 W)紫外灯下照射5 min，接触角变化至48.4°，见图6(d)。用LED灯照射15 min后，其接触角恢复至139.3°，如图6(e)所示。该过程接触角的变化是由于聚合物中偶氮苯单元经过紫外-可见光照射后发生构型转化使涂层的润湿性发生转变。最后将涂层置于pH=3的缓冲溶液中浸泡1 h后烘干，然后将其置于365 nm (20 W)紫外灯下照射15 min，该过程由pH响应单元与光响应单元共同作用，其接触角由139.3°变化至19.0°，见图6(f)。
上述过程证明了涂层具有良好的刺激响应能力。以相同的方法重复进行上述实验，接触角的变化如图7所示。实验结果表明，经过多次刺激响应，聚合物涂层发生亲水和疏水的多次转换，且接触角仍可恢复到初始状态，证明了涂层的转换润湿能力具有良好的可逆性。其中，光在转化过程中具有更加显著的效果，这也在随后的油水分离试验中得到证实，切换时间也与偶氮苯单体吸收光谱的转化时间基本对应。由于光照可以在没有物理接触的情况下实现转化，这增强了材料的实际应用的便利性。
![]()
图 7 聚合物d的载玻片涂层在不同pH和光照下的接触角的可逆变化情况Figure 7. Contact angle reversible variation of polymer d slide coatings under different pH and light conditions为了测试光/pH双响应油水分离膜的分离效果，将柠檬黄染色的水100 mL与石油醚以2∶1的体积比混合后倒入滤杯中进行油水分离实验。为加快油/水的分离速度，在0.005 MPa的压力下用抽滤的方法模拟油水分离系统 (图8)。图8(a)中，抽滤30 s后，无色的石油醚被抽滤下来，不再有液体从上方流下，染色的水保留在上方滤杯中。在图8(b)中，用365 nm光照射分离膜12 h，以相同的方法进行油水分离，抽滤25 s后，染色的水被抽滤下来，石油醚被保留在上方。
![]()
图 8 聚合物d无纺布涂层的油水分离实验Figure 8. Oil-water separation experiment of non-woven coating with intelligent response polymer d分别测量分离后上方滤杯中的油或水的体积，计算得到分离效率分别为96.3% (图8(a))和95.8%(图8(b))。实验结果证明了分离膜具有良好的智能转换油水分离能力。
3. 结 论
(1)以合成的偶氮苯、甲基丙烯酸羟乙酯(HEMA)和甲基丙烯酸二甲氨乙酯(DMAEMA)为原料，采用可逆加成-断裂链转移(RAFT)法一步聚合，制得光和pH智能双响应三元无规共聚物。该聚合物以偶氮苯作为光响应单元，DMAEMA作为pH响应单元，HEMA使聚合物具有良好的柔性附着性能，FTIR和1HNMR谱图说明了聚合物的成功合成。
(2)通过在不同条件下的润湿性实验，验证了聚合物涂层的可转换润湿性。紫外线的照射导致偶氮苯单元的分子构型发生转变，结构上的变化导致聚合物的润湿性和渗透性的变化。在仅有pH=3的缓冲溶液浸泡后其最大接触角转变达到33.8°，仅有紫外光照射下其最大接触角转变达到93.8°，而在光和pH的共同作用下，其最大接触角变化可达到120.3°。说明了涂层在光照和pH的刺激下具有优异的刺激响应性。经过亲水与疏水的多次转换实验后，接触角仍可恢复到初始状态，证明了涂层对水的润湿能力切换具有可逆性。
(3)偶氮苯的引入使聚合物对光具有良好的响应性，DMAEMA上含有的叔胺基团和偶氮苯上的羧基共同增强了涂层的pH响应性和抗酸性，可以使涂层应对一些复杂情况下的油水分离，油水分离实验证明涂层在光照下的极性转变，单次分离效率分别达96.3%和95.8%。
综上，通过一步RAFT聚合制备得到的光/pH双响应的聚合物材料，可用来制备智能光/pH双响应油水分离膜，该膜具有优异的可逆刺激响应性能。
-
![]()
图 4 摩擦试验力-位移关系曲线示意图
Figure 4. Schematic curve of force-displacement relation for the friction test
Fmax—Maximum value of force; Fst—Force during uniform sliding; Ds—Displacement of the peak; Dk—Starting displacement of uniform sliding
![]()
图 5 不同法向力和速率下预浸料/Ra12.5金属界面的摩擦系数
Figure 5. Friction coefficients at the prepreg/Ra12.5 metal interface under different normal forces and rates
![]()
图 6 不同黏度下Ra12.5金属、复合材料板和预浸料之间的摩擦系数
Figure 6. Friction coefficients at the Ra12.5 metal, laminate and prepreg interface under different viscosities
![]()
图 7 不同表面粗糙度下预浸料/金属界面的摩擦系数
Figure 7. Friction coefficients at the prepreg/metal interface under different surface roughness
![]()
图 8 不同接触材料对应的摩擦系数
Figure 8. Friction coefficients corresponding to different contact materials
![]()
图 9 不同纤维方向对应的摩擦系数
Figure 9. Friction coefficients corresponding to different fiber orientations
![]()
图 10 不同纤维方向界面的剖面图和立体示意图
Figure 10. Cross sectional view and stereogram of the sliding interfaces for different fiber orientations
![]()
图 11 支持向量回归(SVR)超平面
SV—Support vector
Figure 11. Support vector regression (SVR) hyperplane
![]()
图 12 测试集中不同样本静摩擦系数的试验值与预测值
BPNN—Backpropagation neural network; RF—Random forest
Figure 12. Test and predicted values of static friction coefficients for different samples in the test set
![]()
图 13 测试集中不同样本动摩擦系数的试验值与预测值
Figure 13. Test and predicted values of kinetic friction coefficients for different samples in the test set
![]()
图 14 预浸料/预浸料界面的预示值与试验值对比
Figure 14. Comparison between predicted and test values of prepreg ply-ply interface
![]()
图 15 速率和法向力对预浸料/Ra12.5金属界面摩擦系数的影响
Figure 15. Influence of velocity and normal force on friction coefficient of the prepreg/Ra12.5 metal interface
表 1 摩擦试验参数
Table 1 Friction test parameters
Parameter Baseline value Additional values
investigatedSurface roughness Ra12.5 Ra12.5, Ra25 Contact material – Ra12.5 metal, sand, laminate, gypsum, prepreg, rubber Fiber orientation/(°) 0 0, 45, 90 Sliding velocity/
(mm·min−1)100 30, 100, 200 Normal force/N 10 2, 10, 20 Viscosity/(MPa⋅s) 591.8 591.8, 895.7 
下载: 导出CSV
表 2 测试集中不同静摩擦系数预示模型的决定系数R2和预测误差的方差S2
Table 2 Coefficient of determination R2 and forecast error variance S2 for different static friction coefficient prediction models in the test set
Model R2 value S2 value BPNN 0.642 0.0091 RF 0.884 0.0029 SVR 0.930 0.0016
下载: 导出CSV
表 3 测试集中不同动摩擦系数预示模型的决定系数R2和预测误差的方差S2
Table 3 Coefficient of determination R2 and forecast error variance S2 for different kinetic friction coefficient prediction models in the test set
Model R2 value S2 value BPNN 0.682 0.0062 RF 0.908 0.0018 SVR 0.938 0.0011
下载: 导出CSV
-
[1] TEN THIJE R H W, AKKERMAN R, UBBINK M, et al. A lubrication approach to friction in thermoplastic composites forming processes[J]. Composites Part A: Applied Science and Manufacturing, 2011, 42(8): 950-960. DOI: 10.1016/j.compositesa.2011.03.023
[2] 李哲夫. 航空复合材料热模压预成型缺陷形成机理与仿真预测研究[D]. 上海: 东华大学, 2023. LI Zhefu. Study on the formation mechanism and simulation prediction of defects in the process of hot-press forming for aerospace composites[D]. Shanghai: Donghua University, 2023(in Chinese).
[3] 矫维成, 王荣国, 刘文博, 等. 缠绕纤维与芯模表面间滑线系数的测量表征[J]. 复合材料学报, 2012(3): 191-196. JIAO Weicheng, WANG Rongguo, LIU Wenbo, et al. Measurement of slippage coefficient between fiber and mandrel surface for non-geodesic filament winding[J]. Acta Materiae Compositae Sinica, 2012(3): 191-196(in Chinese).
[4] MARTIN C J, SEFERIS J C, WILHELM M A. Frictional resistance of thermoset prepregs and its influence on honeycomb composite processing[J]. Composites Part A: Applied Science and Manufacturing, 1996, 27(10): 943-951. DOI: 10.1016/1359-835X(96)00037-1
[5] ÅKERMO M, LARBERG Y R, SJÖLANDER J, et al. Influence of interply friction on the forming of stacked UD prepreg[C]. The International Conference on Composite Materials. Palais Des Congrès, Montréal: Concordia University, 2013: 919-928.
[6] BENDEMRA H, COMPSTON P, CROTHERS P J. Optimisation study of tapered scarf and stepped-lap joints in composite repair patches[J]. Composite Structures, 2015, 130: 1-8. DOI: 10.1016/j.compstruct.2015.04.016
[7] LIU S, SINKE J, DRANSFELD C. An inter-ply friction model for thermoset based fibre metal laminate in a hot-pressing process[J]. Composites Part B: Engineering, 2021, 227: 109400. DOI: 10.1016/j.compositesb.2021.109400
[8] DUTTA A, HAGNELL M K, ÅKERMO M. Interply friction between unidirectional carbon/epoxy prepreg plies: Influence of fibre orientation[J]. Composites Part A: Applied Science and Manufacturing, 2023, 166: 107375. DOI: 10.1016/j.compositesa.2022.107375
[9] LARBERG Y R, ÅKERMO M. On the interply friction of different generations of carbon/epoxy prepreg systems[J]. Composites Part A: Applied Science and Manufacturing, 2011, 42(9): 1067-1074. DOI: 10.1016/j.compositesa.2011.04.010
[10] HALLANDER P, ÅKERMO M, MATTEI C, et al. An experimental study of mechanisms behind wrinkle development during forming of composite laminates[J]. Composites Part A: Applied Science and Manufacturing, 2013, 50: 54-64. DOI: 10.1016/j.compositesa.2013.03.013
[11] SOSE A T, JOSHI S Y, KUNCHE L K, et al. A review of recent advances and applications of machine learning in tribology[J]. Physical Chemistry Chemical Physics, 2023, 25(6): 4408-4443. DOI: 10.1039/D2CP03692D
[12] PATURI U M R, PALAKURTHY S T, REDDY N S. The role of machine learning in tribology: A systematic review[J]. Archives of Computational Methods in Engineering, 2023, 30: 1345-1397. DOI: 10.1007/s11831-022-09841-5
[13] BAŞ H, KARABACAK Y E. Triboinformatic modeling of the friction force and friction coefficient in a cam-follower contact using machine learning algorithms[J]. Tribology International, 2023, 181: 108336. DOI: 10.1016/j.triboint.2023.108336
[14] WU B, QIN D, HU J, et al. Experimental data mining research on factors influencing friction coefficient of wet clutch[J]. Journal of Tribology, 2021, 143(12): 121802. DOI: 10.1115/1.4050140
[15] WANG Q, WANG X, ZHANG X, et al. Tribological properties study and prediction of PTFE composites based on experiments and machine learning[J]. Tribology International, 2023, 188: 108815. DOI: 10.1016/j.triboint.2023.108815
[16] EGALA R, JAGADEESH G V, SETTI S G. Experimental investigation and prediction of tribological behavior of unidirectional short castor oil fiber reinforced epoxy composites[J]. Friction, 2021, 9: 250-272. DOI: 10.1007/s40544-019-0332-0
[17] NIRMAL U. Prediction of friction coefficient of treated betelnut fibre reinforced polyester (T-BFRP) composite using artificial neural networks[J]. Tribology International, 2010, 43(8): 1417-1429. DOI: 10.1016/j.triboint.2010.01.013
[18] American Society for Testing and Materials. Standard test method for static and kinetic coefficients of friction of plastic film and sheeting: ASTM D1894[S]. West Conshohoken: American Society for Testing and Materials Standard International, 1998.
[19] ZHANG W, ZHOU H, HUANG B, et al. Characterization of tool-ply friction behavior for treated jute/PLA biocomposite prepregs in thermoforming[J]. Composites Part A: Applied Science and Manufacturing, 2024, 177: 107875. DOI: 10.1016/j.compositesa.2023.107875
[20] RASHIDI A, MONTAZERIAN H, YESILCIMEN K, et al. Experimental characterization of the inter-ply shear behavior of dry and prepreg woven fabrics: Significance of mixed lubrication mode during thermoset composites processing[J]. Composites Part A: Applied Science and Manufacturing, 2020, 129: 105725. DOI: 10.1016/j.compositesa.2019.105725
[21] 薛建凯. 一种新型的群智能优化技术的研究与应用: 麻雀搜索算法[D]. 上海: 东华大学, 2021. XUE Jiankai. Research and application of a novel swarm intelligence optimization technique: Sparrow search algorithm[D]. Shanghai: Donghua University, 2021(in Chinese).
-
其他相关附件
-
目的
在复合材料成型过程中会发生多种变形机制，其中预浸料/预浸料和预浸料/模具之间的摩擦滑移行为对结构形状和最终的产品质量起着重要作用。层间摩擦系数受多工艺参数耦合作用，协同不当极易诱发褶皱、孔隙等缺陷，严重影响构件力学性能。然而现有理论模型涵盖的工艺参数有限，导致成型工艺仿真精度低，无法满足高质量成型要求。本文采用自行设计的摩擦试验方法，表征了多工艺参数作用下碳纤维预浸料的层间摩擦性能，通过机器学习算法实现了碳纤维预浸料摩擦系数的快速、准确预示。
方法设计面向多工艺参数的碳纤维预浸料摩擦试验方法，研究了速率、法向力、粘度、表面粗糙度、接触材料、纤维方向等工艺参数对摩擦系数的影响规律，以典型纤维方向为例，揭示了不同纤维方向的界面摩擦机理。建立基于支持向量回归(SVR)的预浸料摩擦系数预示模型，通过对比机器学习训练结果和试验结果，验证机器学习预示模型的可靠性和适用性。
结果从试验结果可以看出，由于树脂在滑动过程中存在流体动力润滑作用，且其行为具有牛顿剪切特征，预浸料/金属界面的静/动摩擦系数随速率的增大而增大；随着法向力的增加，预浸料压实程度提高，纤维表面的凹凸被压平，且树脂挤出溢出到界面处，使得界面处粗糙度降低，摩擦系数逐渐减小；随着粘度的升高，需要更强的外力来克服界面中的树脂粘结力，导致切向摩擦力增大，摩擦系数也随之增大；受材料刚度和表面粗糙度的影响，不同接触材料的摩擦系数呈现明显差异，在相同的树脂粘度、速率和法向力作用下，当接触材料刚度小或表面粗糙度大时，其与预浸料的接触界面的摩擦系数更大。纤维方向改变对预浸料/预浸料界面间的摩擦系数影响较为显著，界面摩擦系数最大，铺层界面的摩擦系数高于界面。SVR模型预示不同样本静/动摩擦系数的决定系数分别为0.930、0.938，其预示误差的方差分别为0.0016、0.0011，相较于BPNN和RF方法有明显优势，证明了SVR模型具备预示碳纤维预浸料摩擦系数的能力。以和纤维方向的预浸料/预浸料界面为例，采用文中建立的摩擦系数预示模型对其摩擦系数进行预示，预示结果和试验值拟合程度较好，验证了机器学习模型的泛化能力。
结论在预浸料发生层间滑移时，滑移速率、法向力、粘度、表面粗糙度、接触材料、纤维方向等工艺参数对摩擦系数均有较大影响，且不同纤维方向的界面摩擦机理不同。提出的基于SVR的多工艺参数作用下摩擦系数预示模型能够快速有效预示预浸料不同接触界面和工艺条件下的静/动摩擦系数，且具有较好的泛化能力，为摩擦系数预示提供了快速方法。
-
复合材料预浸料在成型过程中预浸料/预浸料、预浸料/模具之间的层间滑移行为会导致褶皱、孔隙等缺陷，严重影响成型构件的力学性能。但摩擦滑移行为受多种工艺参数影响，规律复杂且非线性强，现有理论模型涵盖的工艺参数有限，导致成型工艺仿真精度低，无法满足高质量成型要求。
本文设计了面向多工艺参数的碳纤维预浸料摩擦试验方法，研究了速率、法向力、粘度、表面粗糙度、接触材料、纤维方向等工艺参数对摩擦系数的影响规律，以典型纤维方向0o/45o/90o为例，揭示了不同纤维方向的界面摩擦机理。为实现多工艺参数下摩擦系数的快速、准确预示，建立了基于支持向量回归(SVR)的预浸料摩擦系数预示模型。通过与常用的BPNN和RF方法预测结果比较，证明该方法对于碳纤维预浸料摩擦系数的预示效果最好，预测偏差小于7%。开展相对纤维方向为[30o/0o]和[60o/0o]的预浸料/预浸料界面摩擦系数的试验和预测，两者结果基本一致，表明SVR方法能够实现多工艺参数影响下摩擦系数的准确预测(图1)。
预浸料/预浸料界面摩擦系数的预示值与试验值
计量
- 文章访问数:
- HTML全文浏览量:
- PDF下载量:
