Abstract Carbon fiber reinforced polymer manufacturing is emerging, with multiple studies to focus on the design of interfacial reinforcement to ensure the maximum of composite properties, but also respectively to be able to align with zero defect manufacturing. The controversy on the engineering approach is a data-driven task that can be efficiently tackled by involving Artificial Intelligence in order to establish unbiased structure-property relations. In the present study, nanoindentation mapping data were processed with Machine Learning classification models to identify the interfacial reinforcement. The data preparation included normalization and sorting out of highly similar data with k-means clustering, since nanoindentation on epoxy matrix does not enhance insight on the mechanism of reinforcement. The trained models included neural networks, classification trees, and support vector machines. Realization of models' performance was evaluated on the test dataset as screening to obtain best fitted models for each algorithm. Transfer learning potential was demonstrated by extrapolating the prediction of best trained models to a validation dataset at different indentation depth with support vector machines outperforming the other models. Overall accuracy was 67% on the test dataset, F1 Score was 65% in the prediction of reinforcement mechanism classes and 72% in case of pristine specimen, while accuracy on validation dataset was 72.7%. Prediction metrics were comparable to other case studies of real-world classification problems. Computational time-cost for tuning and training was sustainable and equal to 2.3 min.

中文翻译：

---

纤维-基体界面强化机制分类：机器学习在纳米压痕数据中的应用

摘要 碳纤维增强聚合物制造正在兴起，多项研究集中在界面增强设计上，以确保复合材料性能的最大化，同时也分别能够与零缺陷制造保持一致。关于工程方法的争议是一项数据驱动的任务，可以通过涉及人工智能来有效解决，以建立无偏见的结构 - 属性关系。在本研究中，使用机器学习分类模型处理纳米压痕映射数据以识别界面强化。数据准备包括使用 k 均值聚类对高度相似的数据进行归一化和分类，因为环氧树脂基体上的纳米压痕不会增强对增强机制的了解。训练好的模型包括神经网络、分类树和支持向量机。在测试数据集上评估模型性能的实现，作为筛选以获得每种算法的最佳拟合模型。通过使用支持向量机优于其他模型，将最佳训练模型的预测外推到不同缩进深度的验证数据集，证明了迁移学习的潜力。测试数据集的总体准确率为 67%，F1 Score 在加固机制类别的预测中为 65%，在原始样本的情况下为 72%，而验证数据集的准确率为 72.7%。预测指标与现实世界分类问题的其他案例研究相当。调整和训练的计算时间成本是可持续的，等于 2.3 分钟。和支持向量机。在测试数据集上评估模型性能的实现，作为筛选以获得每种算法的最佳拟合模型。通过使用支持向量机优于其他模型，将最佳训练模型的预测外推到不同缩进深度的验证数据集，证明了迁移学习的潜力。测试数据集的总体准确率为 67%，F1 Score 在加固机制类别的预测中为 65%，在原始样本的情况下为 72%，而验证数据集的准确率为 72.7%。预测指标与现实世界分类问题的其他案例研究相当。调整和训练的计算时间成本是可持续的，等于 2.3 分钟。和支持向量机。在测试数据集上评估模型性能的实现，作为筛选以获得每种算法的最佳拟合模型。通过使用支持向量机优于其他模型，将最佳训练模型的预测外推到不同缩进深度的验证数据集，证明了迁移学习的潜力。测试数据集的总体准确率为 67%，F1 Score 在加固机制类别的预测中为 65%，在原始样本的情况下为 72%，而验证数据集的准确率为 72.7%。预测指标与现实世界分类问题的其他案例研究相当。调整和训练的计算时间成本是可持续的，等于 2.3 分钟。在测试数据集上评估性能作为筛选以获得每种算法的最佳拟合模型。通过使用支持向量机优于其他模型，将最佳训练模型的预测外推到不同缩进深度的验证数据集，证明了迁移学习的潜力。测试数据集的总体准确率为 67%，F1 Score 在加固机制类别的预测中为 65%，在原始样本的情况下为 72%，而验证数据集的准确率为 72.7%。预测指标与现实世界分类问题的其他案例研究相当。调整和训练的计算时间成本是可持续的，等于 2.3 分钟。在测试数据集上评估性能作为筛选以获得每种算法的最佳拟合模型。通过使用支持向量机优于其他模型，将最佳训练模型的预测外推到不同缩进深度的验证数据集，证明了迁移学习的潜力。测试数据集的总体准确率为 67%，F1 Score 在加固机制类别的预测中为 65%，在原始样本的情况下为 72%，而验证数据集的准确率为 72.7%。预测指标与现实世界分类问题的其他案例研究相当。调整和训练的计算时间成本是可持续的，等于 2.3 分钟。通过使用支持向量机优于其他模型，将最佳训练模型的预测外推到不同缩进深度的验证数据集，证明了迁移学习的潜力。测试数据集的总体准确率为 67%，F1 Score 在加固机制类别的预测中为 65%，在原始样本的情况下为 72%，而验证数据集的准确率为 72.7%。预测指标与现实世界分类问题的其他案例研究相当。调整和训练的计算时间成本是可持续的，等于 2.3 分钟。通过使用支持向量机优于其他模型，将最佳训练模型的预测外推到不同缩进深度的验证数据集，证明了迁移学习的潜力。测试数据集的总体准确率为 67%，F1 Score 在加固机制类别的预测中为 65%，在原始样本的情况下为 72%，而验证数据集的准确率为 72.7%。预测指标与现实世界分类问题的其他案例研究相当。调整和训练的计算时间成本是可持续的，等于 2.3 分钟。F1 分数在增强机制类别的预测中为 65%，在原始样本的情况下为 72%，而验证数据集的准确性为 72.7%。预测指标与现实世界分类问题的其他案例研究相当。调整和训练的计算时间成本是可持续的，等于 2.3 分钟。F1 分数在增强机制类别的预测中为 65%，在原始样本的情况下为 72%，而验证数据集的准确性为 72.7%。预测指标与现实世界分类问题的其他案例研究相当。调整和训练的计算时间成本是可持续的，等于 2.3 分钟。