顶刊《Composites Part B》碳纤维科研领域最新研究进展TOP10

1氢键相互作用增强钛合金/CFRTP结界面的结合强度

本文的主要内容是钛合金与碳纤维增强热塑性塑料( CFRTP )的粘接已经成为航空和汽车行业实现轻量化制造的有利途径。 但金属-塑料粘接接头一般较弱。 与传统的界面结合机理不同，金属/塑料界面官能团之间的氢键作用目前备受关注。 在这个工作中，进行了钛合金( TC4 )和CFRTP的激光连接。 为了提高结合强度，采用了微弧氧化( MAO )和硅烷偶联剂)处理等表面改性方法。 结果表明，MAO工艺后的多孔结构可以增加TC4表面粗糙度，促进TC4表面与熔融CFRTP基材的机械互锁。 同时，多孔结构大大提高了TC4表面羟基的吸附量，优化了TC4表面的化学条件。 使用-氨基丙基三乙氧基硅烷( KH550 )的硅烷偶联剂，可以在维持TC4表面物理形态的同时，将氨基(-NH2 )定向导入到TC4表面。 因此，典型的官能团频率红移和蓝移证明官能团之间诱导了氢键。 界面合力最大达到1813 N，通过氢键的相互作用，进一步提高了29.96%。 图表概述

2冲击雷电流对层状CFRP复合材料损伤行为的试验研究

本文的主要内容是与传统的金属合金材料相比，碳纤维增强复合材料( CFRP )除了容易被雷击破坏外，还具有许多优越性。 介绍了CFRP层合板在冲击雷电流下的损伤行为研究。 CFRP层合板近场雷电机械冲击的测量是通过一种有效克服强电磁干扰的自制装置实现的。 无损技术评估的损伤结果表明，CFRP样品的损伤程度随电流幅度的增加而加重，包括表观损伤和整体损伤。 对于不同表面条件的样品，绝缘环氧树脂层的存在大大加剧了雷击损伤，扩展的铜箔保护大大减轻了损伤。 带有绝缘层的CFRP受到更强的机械冲击，几乎是相同电流水平下原CFRP的2倍。 被膨胀铜箔保护的CFRP受到与未保护的CFRP同等的机械力。 分析表明，力学效应对CFRP复合材料雷击损伤行为的影响主要取决于热效应，反之亦然。 图表概述

3用有限元模型几何优化热成形连续纤维增强热塑性塑料的案例分析

本文主要内容：由于对质量和机械性能的需求，连续纤维增强热塑性塑料( CFRTP )热成型零件的制造非常依赖于优化工艺。 几何优化通常基于试验错误的过程，不同原型的制造延迟会增加最终产品的开发成本。 在这项研究中，通过汽车差速器系统搭载的CFRTP组件，评价了长玻璃纤维(体积47% )的强化PA6的机械性能。 实验结果用于验证利用基于CFRTP层压板制造几何形状和机械性能的有限元( FE )模型得到的结果。 同时，为了解决有限元模拟的材料数据表中缺少机械弹性模量和泊松比信息的问题，实施了完整的数学程序。 该方法基于Halpin-Tsai模型和经典叠层理论，具有用于平面外力学性能计算的3D展开，其中用于检测目的获得Tsai模量。 的结果与测试结果一致，验证所开发的有限元模型。 此模型还用于进一步优化组件几何。 实施基于有限元技术的计算机模型有助于加快可复用CFRTP的大规模生产开发，在不降低整个寿命可靠性和安全性的前提下，大幅减轻重量和减少温室气体排放。 图表概述

4切割单向碳纤维增强聚合物切屑形成机理的分析建模

主要内容：单向碳纤维增强聚合物( UD CFRP )的纤维取向由其各向异性主导切削过程中切屑的形成。 现有的分析切削模型侧重于根据不同纤维取向范围的实验分析得到的预定义切屑形成模式来预测切削力。 根据纤维定向范围内切屑形成区的应力状态，分析预测了CFRP切屑形成模式，包括纤维拉伸、纤维压缩、基体拉伸和基体压缩。 利用最小切削能原理预测切屑形成角度和切屑形成平面上激活材料失效的应力。 预测分析了切屑形成方式随纤维取向度的增加而发生的变化，预测分析了切屑形成方式变化引起的切屑形态和切削力的变化。 通过对UD CFRP不同未切屑厚度和纤维方位的正交切割实验，比较了模拟与测量之间的切屑形成角度、切屑形态和切削力。

5碳纤维增强聚合物的电致发光应变传感

本文的主要内容与传统的碳纤维增强聚合物材料检测方法相比，本论文给出了一种廉价、劳动强度低的基于机器视觉的应变和损伤可视化技术。 该技术用于表征无创智能电致发光( EL )一体化纤维状碳纤维增强聚合物( CFRP )薄层在渐进轴载下的断裂和断裂特性。 智能EL结构利用CFRP独特的导电性和压阻特性，通过亮度变化可视化变形和裂纹。 基于修正的ASTM D3039制造的斜纹织物CFRP层的两种纤维取向45和0/90用于单轴机械试验的线性和疲劳载荷，分析纤维和基质对EL的响应。 EL失真可视化方法通过标准化数字图像相关( DIC )验证，利用EL CFRP层的自然斑点图样。 在空间分辨率和灵敏度方面，静态和循环载荷的轴向EL应变结果与标准和受损CFRP样品上应变提取平面的常规DIC应变场高度一致。 这种新的应变和损伤可视化方法旨在成为复合材料行业常用的无损检测方法的一种便携式、低成本和实时替代方法。 代替定期检查，EL框架可以对复合结构进行实时应变和损伤可视化。

6混合成型聚碳酸酯/连续碳纤维增强复合材料零件机械性能的设计、制造和FEA预测

本文主要报道了热塑性基体/碳纤维增强复合材料( CFRC )零件机械行为的设计、制备和有限元分析( FEA )预测方面的研究。 CFRC模块由浸渍了聚碳酸酯( PC )基体的连续碳纤维层压板构成，边缘和肋采用未填充的PC包埋成型。 该组件已经通过一步工艺(复合混合成型)制造，并使用快速热循环成型( RHCM )提高表面质量。 弯曲行为通过集成FEA模型的方法进行预测，该方法考虑了复合层合板的机械响应和包覆成型肋的结构贡献。 结果，由于使用了RHCM工艺，表面粗糙度大幅降低( Ra值从0.43降低到0.06 m )。 另外，开发的FEA模型可以高精度地预测CFRC构件的弯曲行为( FEA最大载荷比实验值高1.6% )。

7复合材料结构低速冲击载荷疲劳极限测量与无损评估的混合方法

本文主要内容复合材料结构设计与操作中最具挑战性且尚未解决的问题之一是预测疲劳载荷下的行为。 当复合结构涉及损伤时，这个问题变得更加复杂，特别是被认为是复合结构中最危险的损伤类型之一的低速冲击损伤。 文中作者将低速冲击损伤( LVID )结构的疲劳极限评估与热电偶对该损伤的无损评估相结合，提出了一种热成像系统的混合方法。 测试是在具有各种能量的LVID碳纤维和玻璃纤维增强复合材料的结构上进行的。 证明了疲劳极限与冲击能的关系，并进行了观察到的损伤机理分析。 另外，分析了LVID可检测性的性能，定义了检测LVID所需的最小自热上升。 提出的方法对冲击损伤具有较高的灵敏度，同时具有测试其评估疲劳寿命能力的结构。 最后，提供测量设置和测试参数的建议。 结果表明，提出的混合方法成功地快速、准确、无损地评价了冲击载荷后复合结构的剩余寿命。

8金刚石诱导碳纤维-液态金属混合物的高导热性

本文的主要内容认为镓( Ga )基液态金属( LM )浆料在电子产品的热管理中具有潜力和广泛的应用。 但是，由于金刚石和碳纤维( CF )等非金属碳基材料不能被Ga润湿，所以很难在不进行表面改性的情况下采用手动搅拌制造复合材料。 在这里，基于强制湿润的反复压缩方法，不进行表面改性就成功地制造了含有碳系物质的Ga系LM复合材料。 在反复压缩的过程中会发生新的LM刻度。 金刚石(/CF )与Ga的结合机理是Ga氧化物附着在金刚石(/CF )上，然后被Ga润湿包埋。 金刚石和CF可以从Ga基泥浆中分离回收利用。 通过使用金刚石粒子诱导CF的分布，可以得到液体Ga为连接相的129 W m -1 K -1的热传导率值。 Ga的密度可降低21%，Ga基浆料的导热系数可保持在100 W m -1 K -1以上。 Ga基LM/金刚石/CF复合材料的成功开发表明，利用各向同性粒子诱导各向异性粒子的分布，可以实现优异的导热性。 众所周知，浆料可以以任何形式存在。 当浆料中含有各向异性粒子时，如何发挥出接近各向同性的优良热导率( k )和其他潜在性能是一项困难的研究。 这项工作证明了各向异性粒子在液体金属( LM )浆料中表现出优异导热性的新想法。 图表概述

9为了保护电动汽车锂离子电池免受地面冲击，设计并制造热塑性碳纤维/聚对苯二甲酸乙二醇酯复合材料的下屏蔽层

本文的主要内容随着近年来人们对环保能源的关注和需求的不断提高电动汽车显示出了广阔的前景电动汽车大量使用锂电池作为动力源，锂电池在受到外部冲击时有起火爆炸的危险。 因此，本研究利用碳纤维增强热塑性复合材料，设计并制造了用于电池保护的底盖( UBS )。 底牌由主控板和防撞杆( CPB )两部分组成。 通过有限元分析了其抗冲击的机械性能，考虑了CPB的位置和车身底部防护板的形状。 对于UBS，混合碳纤维( CF ) /聚对苯二甲酸乙二醇酯( PET )和自增强聚丙烯( SRPP )复合材料)，优化了CF/PET和SRPP的比例。 通过有限元分析，设计了厚度为2.4 mm、CF/PET:SRPP混合比为12的最佳底罩。 最后，设计的底罩采用热成形技术制造安装在电动汽车上，利用混凝土障碍物进行车辆碰撞试验。 的下盖，成功地保护了电池免受冲击的损伤，表明后部变形在5毫米以内，没有发生电池泄漏。

10用深度学习方法预测纤维增强复合材料中的应力场

本文的主要内容应力分析是材料系统设计中的关键步骤，有限元法( FEM )是计算和分析复杂材料系统应力的标准方法。 与多尺度FEM分析相关的巨大成本促使FEM被数据驱动机器学习的明显更快的方法所取代。 在本研究中，作者将深度学习工具应用于纤维增强基体复合材料系统中局部应力场预测，作为FEM的有效替代方案。 第一个挑战是预测具有一定数量纤维和不同空间构型的复合材料横截面的应力场图。 具体通过使用卷积神经网络[CNN]，特别是U-Net架构，实现了纤维的空间排列与相应的von mises应力场的映射。 CNN使用与对象系统具有相同数量纤维的数据进行训练。 鲁棒性分析使用不同的训练样本初始化，发现预测精度随着训练样本数量的增加而变化。 对于多纤维系统，通常需要离散更精细的有限元网格，这将增加计算成本。 因此，这里的次要目标是使用事先训练了来自相对便宜且光纤数量少的系统的数据的CNN，预测拥有大量光纤的系统的应力场。 界面是决定复合材料性能的重要因素，是复合材料研究领域的焦点问题。

2022复合材料界面论坛8月11-12日，与您相约宁波