由于碳纤维增强塑料（CFRPs）具有出色的性能，如高比强度和刚度、耐腐蚀性以及优异的可设计性[1]、[2]，它们在航空航天和汽车领域得到了越来越多的应用。储能模量和损耗模量是聚合物基复合材料制造过程中的关键质量保证参数。这些粘弹性特性至关重要，因为它们直接决定了最终组件的结构完整性和服役性能[3]、[4]。传统的离线监测方法既耗时又费力，而实时仪器则成本高昂且结构复杂。这些限制严重阻碍了有效的固化过程监测，推动了向更先进的实时传感技术发展的研究努力。
基于压电换能器的超声导波技术为低成本、实时固化监测提供了理想的解决方案，因为它具有传播距离长、对材料属性变化敏感以及使用最少传感器即可实现全场监测的优点[5]。其工作原理依赖于固化过程中材料模量变化对导波特性（如速度、幅度和衰减）的调制。Maffezzoli等人[6]使用高频脉冲回波技术成功地将超声信号与树脂机械刚度的变化相关联，得到的结果与DSC测量结果高度一致。Schmachtenberg等人[7]通过将超声速度和幅度与树脂流动前沿相关联，实现了全过程监测。Mizukami等人[8]进一步研究了单向CFRP中的导波传播，并量化了能量速度与树脂凝胶化之间的关系。
尽管超声导波包含了丰富的固化信息，但信号特性与储能模量和损耗模量之间的关系高度非线性、耦合且随时间变化。这种复杂性使得传统的显式数学模型难以进行精确分析。因此，数据驱动的方法为建模此类复杂系统提供了有希望的替代方案[9]。由于固化过程是一个典型的时间序列演变过程，许多研究人员采用了循环神经网络（RNN）及其变体来捕捉时间依赖性[10]、[11]、[12]。Feng等人[13]开发了一个基于长短期记忆（LSTM）网络的回归模型，以捕捉编织CFRP固化过程中的粘弹性行为的时间动态，从而有效评估了固化程度（DOC）。
然而，单一时间模型在处理复杂的导波信号时存在局限性。关键拐点（如凝胶化和玻璃化）涉及突然的信号变化，这些变化容易被长时间序列信息掩盖，而原始信号还包含来自各种传播模式的时变和隐式特征。因此，开发了结合卷积神经网络（CNN）和RNN的混合模型，因为CNN在局部特征提取和自动特征工程方面非常有效。Deng等人[14]应用了CNN-LSTM模型来预测固化变形，并证明了其在提取时空相关性方面的可靠性。Zhu等人[4]使用迁移学习增强的CNN模型通过混淆矩阵分析实现了对DOC的精确分类和评估。Hossain等人[15]提出了一个结合CNN和门控循环单元（GRU）的混合模型，进一步验证了CNN在提取原始数据特征方面的优势。
尽管集成模型性能优越，但它们结构复杂且训练耗时。时间卷积网络（TCN）被提出来解决这些限制[16]。TCN利用扩张卷积来扩展感受野，有效捕捉长期依赖性。这种能力使模型能够关联早期和晚期固化阶段的信号变化。Kosana等人[17]提出了一个TCN-GRU混合模型来预测时间问题，并用四个指标对其进行了评估。注意力机制自动为时间序列中的不同位置分配权重，使模型能够关注与关键物理阶段相关的信号段，从而提高预测准确性和可解释性[18]。Sabri等人[19]将注意力机制与CNN-双向门控循环单元（BiGRU）结合用于时间预测，有效提高了模型捕捉重要信息的能力。然而，现有文献缺乏关于复合材料固化过程中耦合粘弹性特性同步预测的研究。大多数现有方法仅关注单参数预测，忽略了储能模量和损耗模量之间的物理相关性。
为了填补这一空白，提出了一种TCN-BiGRU-Attention架构，用于实时表征复杂的粘弹性动态和耦合演变。该框架利用TCN捕捉固化的局部动态特性，并结合BiGRU来建模长期时间依赖性。此外，还引入了注意力机制来适应性地加权关键物理阶段，如凝胶化和玻璃化。最重要的是，实施了多任务学习方案作为核心策略，以揭示储能模量和损耗模量之间的内在物理耦合。通过强制使用反映粘弹性本构关系的共享特征表示，所提出的模型能够实现复合材料固化过程中粘弹性参数的高精度、稳健的同时预测。
