Predicting Open-Hole Laminates Failure Using Support Vector Machines With Classical and Quantum Kernels

建模复合材料的开孔失效是一项复杂的任务，包括高度非线性响应和相互作用的失效模式。这种现象的数值建模传统上基于有限元方法，但需要在高保真度和计算成本之间进行权衡。为了缓解这种缺点，最近的研究利用机器学习来预测开孔复合材料试件的强度。在这里，我们也提出使用基于数据的模型来从分类的角度解决开孔复合材料失效问题。更具体地说，我们展示了如何训练代理模型来学习平面载荷下开孔复合材料板的最终失效包络。为了实现这一点，我们通过支持向量机（SVM）解决分类问题，并通过改变SVM核函数来测试不同的分类器。核函数的灵活性还允许我们在算法中集成最近开发的量子核，并将它们与标准径向基函数（RBF）核进行比较。最后，由于核目标对齐优化，我们调整所有核的自由参数，以最好地分离安全和导致失效的载荷状态。结果显示，RBF的分类精度高于90％，特别是在对齐后，紧随其后的是量子核分类器。

本论文旨在使用数据驱动的模型通过分类的方式解决复合材料孔洞失效问题，提高分类准确率。

本论文使用支持向量机（SVM）解决分类问题，并测试了不同的SVM核函数，包括最近发展的量子核函数。通过核目标对齐优化，调整所有核的自由参数以最佳地区分安全和导致失效的加载状态。

本论文的实验设计使用了复合材料板的开孔试验数据，通过训练模型学习开孔试验的最终失效边界。实验结果表明，使用径向基函数(RBF)核的分类器的准确率高达90%以上，尤其是在对齐之后。此外，量子核函数分类器也表现出良好的分类能力。本论文的方法可以在解决复合材料开孔失效问题方面提供新的思路。

最近的相关研究集中在使用机器学习模型来预测复合材料开孔试件的强度，包括使用神经网络、随机森林等方法。相关论文包括：《A machine learning approach to predict the strength of open hole composite laminates》、《Predicting the strength of open-hole composite laminates using a random forest》等。