热固性树脂基连续纤维增强复合材料因其高比刚度、高比强度及轻量化特性，已成为航空航天、新能源汽车、高速轨道交通等高端装备用重要结构材料。然而，其固化过程中因树脂基体-增强体应变失配引发的内应力累积，导致构件脱模后产生不可控的固化变形。这种工艺诱导变形不仅会劣化材料的力学使役性能，而且会显著降低构件的几何精度与尺寸稳定性，进而诱发装配应力集中、连接失效等工程风险，严重制约了复合材料在航空航天等领域大型复杂构件等对几何容差要求严苛的关键部件中的规模化应用。
近日，同济大学李岩、杨伟东团队联合中国商飞复合材料中心提出了一种热固性复合材料固化变形的时空演化预测模型。现有的固化变形预测方法基于复合材料固化过程热-化学-力多场耦合理论建模和有限元仿真分析，其预测精度主要依赖于理论与仿真模型的精细化程度，而提升计算精度的同时会显著增加计算成本。另外，机器学习作为一种有效的快速预测工具，可直接获得复合材料制造过程多参数（材料组分、铺层角度、工艺曲线等）与固化变形量的非线性映射关系，避免了显式建模的复杂性。因此，该研究团队通过提出融合深度学习与有限元的固化变形时空预测模型，突破了现有方法无法兼顾预测精度与效率的关键挑战，为大型复杂复合材料构件制造过程中微结构应力场演化与固化变形精准高效预测及控制优化提供了新的策略。相关成果发表于国际复合材料领域权威期刊《Composites Science and Technology》，论文标题为“Spatio-temporal prediction of curing-induced deformation for composite structures using a hybrid CNN-LSTM and finite element approach”。
文章提出一种融合多物理场仿真与深度学习的复合材料固化变形快速预测模型。基于热-化学-力多场耦合理论，该研究引入复合材料桥联理论构建了高保真的有限元模型，精确模拟固化过程。通过智能融合CNN强大的空间特征提取能力与LSTM卓越的时序动态捕捉能力，开发了CNN-LSTM预测方法。该模型深度挖掘固化过程中的复杂演化规律，突破了传统预测模型仅能获取最终变形的限制，实现了复合材料固化翘曲变形演化过程的预测。 该研究深度解析复合材料固化过程中的时空演化规律，将温度场（热）、固化度（化）、初始坐标（几何）、残余应力（力）四大关键参数作为多物理量输入，构建可解释性的CNN-LSTM预测模型，如图2所示。通过复合材料层合板固化成型实验对有限元模型进行了验证，仿真结果表明该多物理场耦合仿真模型能够获得高保真数据集。运用复合材料层合板和芳纶蜂窝夹芯结构对时空预测模型进行了验证，预测结果表明，该模型成功实现对复合材料层合板及夹芯结构翘曲变形全周期演化过程的精准识别，如图3所示。
图 1. 时空预测模型框架。
图 2. 复合材料层合板的层内应力和固化变。
图 3. 复合材料层合板的固化变形预测结果。
该研究成功建立了一种融合时空演化机制的复合材料固化变形快速预测模型。经实验-仿真-预测三重验证，证实了多物理场耦合有限元与CNN-LSTM深度学习协同框架的可靠性能。这一创新为固化过程领域带来了新的优化和控制范式，也为高性能高精度连续纤维增强复合材料的制备提供了强有力的技术支持。
原始文献：
Deng, Y., Li, Z., Zhi, J., Chen, Y., Chen, J., Yang, W., & Li, Y. (2025). Spatio-temporal prediction of curing-induced deformation for compositestructures using a hybrid CNN-LSTM and finite element approach. Composites Science and Technology, 268, 111225.
原文链接：
https://doi.org/10.1016/j.compscitech.2025.111225
