通过应力自适应界面和机器学习引导解决聚合物复合材料的力学折衷

这对日常材料为何重要

从汽车保险杠到头盔和飞机零部件，我们依赖的许多基于塑料的材料既要强又要韧。然而工程师通常面临一个痛苦的权衡：使塑料更刚、更强往往会使其更脆、更容易开裂。本研究展示了一种借鉴骨骼思路并结合现代机器学习的方法，从而打破这一妥协，为更轻、更安全、更耐用的工程复合材料开辟了道路。

从骨骼的内部支架中学习

天然骨骼在抵抗日常碰撞乃至剧烈冲击方面表现出色，这要归功于其内部像海绵般的结构，称为小梁骨（trabecular bone）。它不是一块实心体，而是一个多孔的三维支架，能够分散和耗散力。研究人员将这一思想转化为“骨小梁互锁复合材料”，刚性纤维穿过连续的多孔骨架，类似建筑中的梁。在这个结构内，较软的塑料相围绕并穿插在刚性区域之间，形成一种物理互锁，使材料在弯曲和拉伸时仍保持整体连贯。

能在应力下自适应的智能界面

关键创新不仅在于结构本身，还在于不同组分之间的“应力自适应”界面。研究团队并不依赖可能突然断裂的固定化学键，而是使用在加工时可轻微流动并渗入刚性基体与纤维的柔性塑料。这在边界处形成了密集缠结的链网，更像是魔术贴而非胶水。当材料被拉伸或受击时，这些缠结的链可以滑动、重排并重新啮合，不断重新分配应力，而不是让应力集中在尖锐裂纹处。高速冲击试验、电子显微镜和基于激光的光谱分析显示裂纹被偏折、纤维架桥缝隙，以及广泛的塑性变形区吸收能量而不是突然失效。

让算法搜索设计空间

设计此类复合材料并非简单选择一种配方。改变刚性基体、软相和纤维的比例可能提升一种性能同时降低另一种。作者并非逐项调试，而是使用一种将问题视为多目标搜索的机器学习框架：同时最大化强度、断裂韧性和抗冲击性。他们首先构建了能够从一组精心选择的试验配方中学习的计算模型。然后，利用称为帕累托集学习（Pareto Set Learning）的方法，系统映射出能提供最佳折衷的组合。一个“主动学习”循环选择最具信息量的下一批实验，快速收敛到一个在三种性能上均较高的成分区间，从而减少昂贵的实验次数。

在轻量化方案中创纪录的性能

所得复合材料强度约为250兆帕（与某些结构金属相当）、断裂韧性超过14 MPa·m^1/2、冲击吸收能量接近4.8焦耳，同时仍保持相对轻量。在与现有天然与人造材料比较时，这些新材料位于一个罕见区域，结合了低密度与高抗裂与抗冲击能力。重要的是，相同的设计原则可适用于不同工业塑料和增强材料：团队在若干常见热塑性塑料、各种纤维乃至片状石墨烯上均取得成功。该方法不依赖特定化学配方，而是依赖多孔、骨样支架和可移动、缠结界面的理念。

展望

简而言之，这项工作展示了如何制造既难以断裂又能抵御强烈冲击的塑料，而不会变得笨重或脆弱。通过融合仿骨内部结构、组分间自我调节的边界以及作为配方“副驾驶”的机器学习，作者概述了一套通用配方，而非单一材料。这一配方可为下一代汽车更安全、更轻的复合材料、飞机结构、更好的运动装备以及在关键时刻能吸收冲击而非失效的防护设备提供设计指导。

引用: Wang, H., Cheng, J., Wu, Z. et al. Machine learning guided resolution of mechanical trade-off in polymer composites via stress adaptive interface. Nat Commun 17, 3105 (2026). https://doi.org/10.1038/s41467-026-69872-5

关键词: 聚合物复合材料, 仿生材料, 抗冲击塑料, 机器学习设计, 轻量化结构