复合材料制造的一个显著特征在于对工艺条件的高度敏感。与金属不同，金属在制造过程中出现的适度变化对整体性能往往影响甚微，而复合材料是在制造过程中成型的。温度、压实压力、加热时间、冷却速率或铺放速度的微小变动，都可能改变孔隙率、结晶度、纤维取向、残余应力或层间结合质量。这些微观结构的变化，最终决定了材料的力学性能。

因此，将机器学习应用于复合材料制造面临的最大障碍之一，原因是缺乏足够的数据。互联网公司每日能够收集数百万次用户交互，而复合材料工程师可能需要花费数周时间，才制造并测试出屈指可数的几个试样。每一次力学测试都会破坏试样，每一次工艺开发活动都在消耗昂贵的材料、设备机时和工程投入。其结果是，许多机器学习模型不得不在其他领域看来规模极小的数据集上进行学习。

德国航空航天中心（DLR）近期发表的一篇论文《基于生成对抗网络（GANs）的时间序列数据增强以解决材料测试中的数据稀缺问题》探讨了一种可能的解决方案。核心思路非常直接：不要试图从一个小规模实验数据集直接预测材料性能，而是首先生成统计上逼真的合成实验。

值得留意的是，GAN生成的并不是拟合后的模型参数，而是虚拟实验。每一条合成应力应变曲线都代表另一次统计上合理的材料测试。预测模型是在这些虚拟实验被转换为工程性能之后才开始训练的。

这一区别十分关键，因为它预示着远比单纯材料测试更为广阔的应用前景。复合材料制造所产生的数据集，远比拉伸试验丰富。自动纤维铺放（AFP）设备在整个制造周期内会记录激光功率、铺放速度、压实压力、辊筒温度、带材位置、热历史、搭接、间隙、转向半径以及众多其他工艺变量。在固结和测试之后，同一零件会对应一系列可测量的结果，包括孔隙率、结晶度、层间剪切强度、拉伸强度、压缩强度、渗透率等诸多质量指标。每一个制造完成的零件，本身就是一个完整的工艺历史记录，并与材料响应紧密关联。

生成模型不仅可以学习应力应变曲线的分布，还可以学习工艺历史与最终材料性能的联合分布。单个合成样本将不再是又一条应力应变曲线，而是一个完整的虚拟制造记录。例如，针对某一给定材料，虚拟铺层第247号会包含：激光功率历史、铺放速度历史、压实压力历史、热历史、带材路径，以及由此得出的孔隙率1.7%、结晶度34%、ILSS 86 MPa、压缩强度970 MPa。

生成完整的制造记录，其价值远超单纯增加力学测试的数量。这些合成铺层随后可用于训练预测模型，直接从工艺历史估计最终的材料性能。在生产过程中，AFP机器可以持续将实测工艺历史与学习到的统计模型进行对比，并给出置信区间，以估算预期的孔隙率、结晶度、层间强度或其他质量指标。这开始呈现出一种统计数字孪生的形态，而不再是传统的工艺监控。

这一概念也与我一直探索的另一个想法高度契合：积分固结指数（ICI）。ICI并非孤立地对待每一个工艺变量，而是试图将加热、压力、热暴露、搭接、间隙以及其他工艺缺陷的累积影响，综合成一个具有物理意义的固结质量度量。生成模型不仅可以学习工艺变量与材料性能之间的关系，还能学习ICI在制造过程中如何演化，以及它与最终性能之间存在怎样的关联。

当然，这里也存在不容忽视的挑战。DLR的研究所建模的是相对简单的应力应变曲线，而AFP涉及数十个随时间变化的耦合工艺变量。仅凭18次铺层，远不足以学习如此高维的联合分布。构建可靠的生成模型需要更大规模的实验数据库，需要规模更大的实验数据库，理想情况下还需引入物理约束，以剔除不可能出现的工艺与性能组合。所幸，AFP系统本身就会产生详细的工艺日志。收集数百次配备完整仪器的制造历史数据，远比进行数千次破坏性鉴定测试更具可行性。