超高分子量聚乙烯（UHMWPE）纤维增强复合材料因其优异的抗冲击性能，在航空航天、防护装备等领域得到了广泛应用。然而，在实际应用中，子弹或破片往往以不同角度冲击防护系统，使得材料的抗冲击行为与机制变得更加复杂，效能评估的难度也随之增加。目前，实验和数值模拟方法虽能有效分析材料的抗冲击性能，但耗时较长且资源需求较高；而理论方法则难以应对问题的复杂性，理论模型的通用性受限。

针对这一问题，南京航空航天大学卢天健教授团队开发了一种基于深度学习的小样本预测框架，能够高效、准确地预测UHMWPE材料在斜侵彻条件下的弹道极限和穿透过程变量时间历程，揭示了UHMWPE材料角度依赖的弹道性能内在机制，并显著提高了机器学习预测的可解释性（如图1所示）。相关研究成果以题为“A few-shot deep learning framework for predicting high-velocity impact response of ultra-high molecular weight polyethylene fiber-reinforced composites”的论文发表在国际著名期刊《Aerospace Science and Technology》。

图1 研究流程图

研究团队首先通过实验和仿真方法，系统研究了入射角度对UHMWPE材料抗平头弹冲击力学响应与变形失效机理的影响规律（如图2所示）。研究发现，当平头弹丸以小角度斜侵彻UHMWPE材料时，材料由于局部应力集中而发生失效，从而抑制了大范围膜拉伸变形吸能机制，导致防护性能显著下降。

图2 UHMWPE材料斜侵彻弹道性能和失效机制研究

在实验与仿真的基础上，研究团队提出了一种结合卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和注意力机制（Attention）的深度学习框架。该框架能够从小样本数据中学习复杂的非线性关系，实现对斜侵彻下UHMWPE材料关键响应参数的高精度预测。研究结果表明，该框架能够精准预测弹道极限速度（R² ≥ 0.94）、接触力历程（R² ≥ 0.98）和残余速度历程（R² ≥ 0.98）（如图 3 所示）。此外，利用该模型完成一次预测仅需20.7秒，而传统实验和数值模拟方法通常需要耗费数小时。

基于该CNN-BiLSTM-Attention预测模型（如图 4 所示），研究人员发现，在关注的厚度范围内，UHMWPE材料的弹道极限速度随冲击角度的增大呈现出“先减小后增大”的变化趋势，这一趋势与接触力冲量的变化规律一致。进一步分析表明，这主要由两种机制竞争驱动：随着冲击角度增加，材料的能量吸收模式逐渐从局部纤维断裂转变为整体膜拉伸，这种变化促进了弹丸的穿透；然而，当冲击角度增大的同时，穿透路径的增加也显著增强了对弹丸的阻碍作用。

该研究为UHMWPE复合材料的防护性能评估提供了一种全新的数据驱动方法，有望指导防护系统的优化开发，在减轻重量和增强抗高速冲击能力之间取得平衡，从而解决航空航天设计中的关键难题。同时，通过利用有限的数据进行精确预测，所提出的框架还减少了对耗时耗力的实验和模拟方法的依赖，为航空航天等工程中的材料设计提供了有效方法。

图3 接触力历程预测结果验证

图4 CNN-BiLSTM-Attention预测模型的应用

论文第一作者为南京航空航天大学力学专业2023级博士研究生季海波，导师为卢天健教授、孟晗教授。论文链接为：

https://www.sciencedirect.com/science/article/pii/S1270963825002238。