Machine-learning-based prediction of the mechanical properties of particulate-filled polymer composites

技术摘要：基于机器学习的颗粒填充聚合物复合材料力学性能预测

问题陈述
颗粒填充聚合物复合材料（PFPCs），特别是金属粉末/树脂体系，因其高比强度和设计灵活性，在航空航天和设备制造的快速成型领域具有重要意义。然而，预测和优化其力学性能仍具有挑战性。配方、加工参数与性能之间的关系非常复杂，往往难以用简单的解析描述。此外，利用传统的实验或基于模拟的方法来确定最优材料配方既耗时又依赖大量数据。目前仍缺乏能够基于颗粒体积分数、颗粒尺寸和加工时间等关键影响因素进行准确、快速预测的模型。

研究方法
本研究采用了一种结合实验设计与机器学习（ML）的数据驱动方法，用于预测并优化金属粉末/树脂复合材料的抗拉强度。

1. 实验设计与数据收集：

   • 材料： 一种由金属粉末（钛合金、氧化铁、还原铁、陶瓷、锌、钨碳化物、铝等，含量 >85 wt.%）和环氧树脂基体组成的复合材料。
   • 工艺： 通过原位聚合制备试样，涉及球磨、混合、脱气、浇注及后固化过程。
   • 变量： 使用 $L_{25}(5^3)$ 正交实验设计研究了三个因素，每个因素设五个水平：
     • 颗粒体积分数 ($f$)：25% 至 45%。
     • 颗粒尺寸 ($D$)：30 至 38 $\mu$m。
     • 球磨时间 ($t$)：0 至 4 小时。
   • 数据集： 生成了 25 个实验数据点，以三个因素作为输入特征，抗拉强度 ($\sigma_t$) 作为输出变量。

2. 数据预处理：

   • 应用 Z-score 标准化以消除变量间的量纲差异。
   • 采用五折交叉验证策略，以确保模型的泛化能力和可靠性。

3. 机器学习建模：

   • 对比了三种回归算法：
     • LASSO（线性）： 一种用于特征选择的正则化线性模型。
     • KNN（非线性）： 一种基于欧氏距离的基于实例的学习方法。
     • SVR（非线性）： 使用径向基函数（RBF）核函数的支持向量回归。
   • 使用均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（$R^2$）评估模型性能。

4. 优化：

   • 将表现最优的支持向量回归（SVR）模型通过遗传算法（GA）进行进一步优化。
   • GA 用于搜索最优超参数（$C$, $\sigma$, $\epsilon$），并随后确定实现抗拉强度最大化的最优材料配方与加工参数组合。

主要结果

• 模型性能： 非线性模型显著优于线性 LASSO 模型。SVR 模型实现了最高的精度，训练集 $R^2$ 为 0.95，验证集 $R^2$ 为 0.91（RMSE = 1.54，MAE = 1.46）。大多数 SVR 预测值都落在实验值的 $\pm$5% 偏差带内，而 LASSO 模型在验证集上的泛化能力较差（$R^2$ = 0.41），证实了成分-性能关系的非线性本质。
• 因素分析：
  • 颗粒体积分数： 抗拉强度随体积分数的增加而增加，在 35% 左右达到峰值，随后下降。研究发现，过高的颗粒含量会引入界面缺陷。
  • 颗粒尺寸： 强度随尺寸增加至约 32 $\mu$m 后开始下降，这归因于颗粒-基体界面结合力的减弱。
  • 球磨时间： 该因素影响有限。强度在约 3.5 小时前略有上升（由于更好的分散性），随后略有下降（可能是由于二次团聚或形态变化）。
• 优化结果： GA-SVR 模型预测在最优参数 $f = 34.9\%$，$D = 32.3$ $\mu$m，$t = 3.6$ h 时，最大抗拉强度为 63.72 MPa。
• 实验验证： 使用优化后的参数制备了三个试样。实验测得的抗拉强度分别为 64.15、63.49 和 62.76 MPa。这些结果相对于预测值的相对误差分别为 0.67%、0.36% 和 1.53%，验证了模型的准确性。

意义与主张
本文声称，所提出的 GA-SVR 方法为预测颗粒填充聚合物复合材料的力学性能提供了一种高效且准确的方法。通过建立加工参数与抗拉强度之间的定量关系，该方法成功识别出一种能使抗拉强度提升 42.87%（相比于原始数据集中表现最差的实验配置）以及提升 2.12%（相比于表现最好的实验配置）的配方。

此外，作者强调了本研究的教育意义。他们断言，开发的这一研究平台是一个极具价值的教学工具，能够使学生理解机器学习原理，并将人工智能算法应用于解决材料加工和先进材料制备中的实际工程问题。本研究并非提出新的复合材料力学理论框架，而是展示了现有机器学习算法在加速材料设计方面的实际应用价值。