论文标题：Fastener Flexibility Analysis of Metal-Composite Hybrid Joint Structures Based on Explainable Machine Learning

论文链接: https://www.mdpi.com/2226-4310/13/1/58

期刊名：Aerospace

期刊主页：https://www.mdpi.com/journal/aerospace

在航空航天领域，金属与碳纤维增强复合材料（CFRP）的混合连接结构被广泛应用，而紧固件柔度是衡量此类机械连接结构正常服役状态下疲劳性能和载荷分配的核心参数。近期，上海交通大学张晓晶老师团队在Aerospace期刊上发表了最新研究成果，该研究构建了基于随机森林算法的紧固件柔度高精度预测模型，并创新性地引入SHAP (Shapley Additive Explanations) 理论打破了机器学习的“黑盒”特性，从底层力学角度深度解析了各设计参数对柔度的非线性影响机制。这一成果为金属-复合材料接头的高效评估与结构优化提供了强有力的技术与理论支撑。

金属-复合材料混合连接结构

总体研究框架

研究过程与结果

本研究首先通过Python-Abaqus二次开发技术构建了参数化有限元模型，系统开展了参数化分析。研究提取了涵盖紧固件直径、板厚比、铺层比例、紧固件类型（凸头/沉头）、紧固件材料、预紧力以及环境温度等7类关键变量，通过全因子设计共计生成了864组具有代表性的高质量柔度数据。经对比，有限元模型的计算值与试验值的相对误差控制在了3.52%以内，确保了数据源的高度可靠性。在此基础上，研究团队对数据进行了Z-score标准化及独热编码预处理，建立了基于随机森林（RF）算法的柔度预测模型，取得了以下显著成果：极高的预测精度与效率：训练完成的随机森林模型在独立测试集上的决定系数（R²）达0.9968，均方误差（MSE）仅为0.0033。相比于传统有限元单次仿真耗时约90分钟，该模型完成单次预测仅需0.02秒，在维持高可靠性的前提下极大地提升了计算效率。卓越的模型稳健性与泛化能力：通过五折交叉验证机制，各折测试的决定系数均稳定在0.995以上，且预测误差呈现出显著的以零为均值的正态分布特征。这证明模型具有出色的抗噪能力，无明显的系统性偏差。

柔度预测模型验证

为解决集成学习模型的“不可解释性”痛点，作者进一步利用TreeSHAP算法量化了各特征对最终预测结果的贡献度，并将其与单剪接头紧固件柔度理论解析公式进行了深度的力学交叉验证：核心影响因素精准识别：SHAP全局分析表明，紧固件直径是对接头柔度影响最为显著的核心特征，其次是板厚比。紧固件材料、铺层顺序以及紧固件类型具有中等程度的影响力，而预紧力与环境温度的独立贡献在全局权重中几乎可以忽略不计。预测逻辑与力学机制的印证：模型的预测规律与经典力学公式完美契合。直径增大可显著减小剪切、弯曲及挤压柔度；当板厚比接近1.0时，由于紧固件变形以剪切为主且二次弯矩可忽略，柔度达到最小；埋头钉（沉头钉）由于缺乏钉头的弯矩约束及几何不连续性，相比凸头钉会显著增大连接部位的局部柔度。揭示多参数非线性耦合效应：研究深入分析了复杂的特征交互作用。例如，增大紧固件直径可以有效抵消由特定铺层引起的刚度退化；虽然沉头配置会增加柔度，但其负面影响可以通过优化铺层顺序来缓解；而钛合金的柔度特性在小直径范围内表现得更为突出。这些复杂的非线性交互作用为工程实践中的结构优化提供了关键依据。

SHAP蜂群图

特征交互分析

研究总结

本文利用参数化有限元数据结合随机森林算法，成功开发了金属-复合材料连接结构紧固件柔度的高精度快速预测工具。研究创新性地运用SHAP可解释性理论，不仅透明化了机器学习的决策路径，还从材料力学的底层逻辑出发，系统阐明了多参数耦合作用下连接刚度的演化规律。这些发现不仅证实了AI技术在多参数耦合非线性问题中的可靠性，也为未来复合材料接头的智能化设计、材料选型及载荷分配计算提供了高效工具与指导依据。

Aerospace期刊介绍

主编：Konstantinos Kontis, University of Glasgow, Scotland, UK

Aerospace期刊致力于发表航空航天科学、工程和技术相关的创新研究，涵盖飞行器设计、推进系统、飞行控制、先进材料、空间科学、航空电子、无人机系统（UAS）、城市空中交通（UAM）、可持续航空、航空安全以及前沿技术等。鼓励跨学科研究，推动航空航天科技发展，欢迎实验、仿真与理论研究的原创成果及综述。