采用大数据方法探索水性聚氨酯涂料的核心性能

《Progress in Materials Science》：A big data approach to explore core properties of waterborne polyurethane coatings

水borne polyurethane coatings (WPUCs)的力学、疏水及光学性能与配方、制备变量的相关性通过大数据分析揭示，基于1400+样本构建的回归模型对Young's modulus等六项核心性能预测精度达0.68-0.84，SHAP分析及分类模型优化了涂层设计。

　　水性聚氨酯涂料（Waterborne Polyurethane Coatings, WPUCs）因其环保特性、良好的性能和广泛的应用场景，近年来受到越来越多的关注。随着科技的进步和工业需求的增长，WPUCs在基础设施、建筑装饰、产品表面处理、汽车制造、纺织品以及工业维护等领域展现出巨大的发展潜力。然而，尽管其应用范围不断扩大，关于其核心性能参数与配方组成、制备工艺及固化条件之间的关系仍不明确，这在一定程度上限制了其性能优化和高效设计。因此，本文通过大数据分析方法，系统地探讨了这些关键参数之间的关联性，并构建了相应的预测模型，为WPUCs的理性设计提供了新的视角。

WPUCs是一种由水作为分散介质的涂料体系，其主要成分包括异氰酸酯、多元醇和扩链剂。异氰酸酯通常作为交联剂，通过与多元醇反应形成聚氨酯链段。扩链剂则用于调节分子量和最终产品的物理性能。这些成分的种类、比例以及反应条件对WPUCs的机械性能、疏水性及光学性能等具有重要影响。本文通过对近二十年来相关文献中报告的超过1400个样品进行数据挖掘，梳理了这些成分的分布情况，并明确了其与六个核心性能参数之间的关系。这些性能参数包括杨氏模量（Young's Modulus, YM）、拉伸强度（Tensile Strength, TS）、断裂伸长率（Elongation at Break, EB）、水接触角（Water Contact Angle, WCA）、吸水率（Water Absorption, W-A）以及光泽度（Gloss）。通过构建稳健的回归模型，这些参数的预测准确率达到了0.68至0.84之间，表明大数据分析在理解WPUCs性能与配方之间关系方面具有显著优势。

在深入研究这些性能参数之前，需要对WPUCs的配方组成和制备工艺进行系统性的分析。异氰酸酯、多元醇和扩链剂的选择与比例是决定最终涂层性能的关键因素。异氰酸酯的种类和用量直接影响聚氨酯的交联密度和硬度。芳香族异氰酸酯通常具有较高的反应活性，能够提供更强的机械性能，但同时也可能导致涂层的透明度降低和黄变现象。相比之下，脂肪族异氰酸酯则具有更好的耐黄变性能，但其反应活性较低，可能需要更长的固化时间。多元醇作为主要的软段材料，其种类和结构决定了涂层的柔韧性和延展性。不同类型的多元醇，如酯类、醚类和硅氧烷类，对涂层的性能产生不同的影响。例如，硅氧烷类多元醇通常能够提供更高的耐水性和疏水性，而酯类多元醇则可能影响涂层的耐候性和机械强度。扩链剂的种类和用量则用于调节分子量和最终涂层的弹性。通过选择合适的扩链剂，可以有效改善涂层的延展性和韧性，从而满足不同应用场景的需求。

在实际应用中，WPUCs的性能不仅受到配方组成的影响，还与制备工艺和固化条件密切相关。例如，固化方式的选择（如空气干燥、紫外线固化等）对涂层的硬度和机械性能具有显著影响。紫外线固化技术能够显著提高涂层的硬度，使其在某些应用场景中更具优势。然而，这种方法可能对涂层的耐候性和稳定性产生一定的影响，需要在实际应用中进行权衡。此外，涂层的固化时间也是一个重要的考虑因素，较长的固化时间可能会增加生产成本，而较短的固化时间则可能影响涂层的最终性能。因此，在设计WPUCs时，需要综合考虑这些因素，以实现性能与成本之间的最佳平衡。

除了配方和制备工艺，测量条件也是影响WPUCs性能评估的重要因素。不同的测量方法和设备可能会导致不同的结果，因此需要建立统一的测量标准，以确保数据的准确性和可比性。例如，水接触角的测量方法可能会受到表面处理工艺的影响，而吸水率的测定则可能与测试时间、温度和湿度条件密切相关。因此，在进行大数据分析时，需要对这些测量条件进行详细记录和标准化处理，以确保结果的可靠性和一致性。

本文通过构建回归模型，探索了WPUCs的六个核心性能参数与配方组成之间的关系。这些模型的构建基于对大量实验数据的分析，通过机器学习方法提取关键特征并进行建模。模型的预测准确率在0.68至0.84之间，表明这些参数之间存在一定的规律性和可预测性。然而，这些参数之间的关系并非线性或简单的加和关系，而是受到多种因素的共同影响。因此，需要进一步深入研究这些参数之间的复杂关联，以更全面地理解WPUCs的性能调控机制。

在进行大数据分析时，除了构建回归模型，还需要对关键变量进行识别和分析。通过相关性分析和SHapley Additive exPlanations（SHAP）分析，可以确定哪些配方变量对性能参数的影响最为显著。例如，异氰酸酯的种类和用量可能对杨氏模量和拉伸强度产生较大的影响，而多元醇的种类和结构可能对断裂伸长率和疏水性具有决定性作用。通过这些分析，可以为配方优化提供理论依据，帮助研究人员更有效地调整配方参数，以达到预期的性能目标。

此外，本文还构建了分类模型，用于区分弹性或延展性涂层。通过分析断裂伸长率与杨氏模量之间的关系，即EB与YM的负相关性，可以建立一个基于Pareto和平衡数据集的分类模型。这种模型的准确率可以达到0.85至0.95，表明通过大数据分析方法，可以有效识别不同类型的涂层，并为其应用提供指导。例如，在需要高柔韧性的应用场景中，可以优先选择具有较高断裂伸长率的配方；而在需要高强度和高硬度的场景中，则可以选择具有较高杨氏模量的配方。这种分类方法不仅有助于优化配方设计，还能够提高生产效率，减少不必要的试错过程。

综上所述，本文通过大数据分析方法，系统地探讨了WPUCs的配方组成、制备工艺和固化条件与核心性能参数之间的关系。通过对大量实验数据的挖掘和分析，构建了稳健的回归模型和分类模型，为WPUCs的理性设计和性能优化提供了重要的理论支持和实践指导。未来，随着机器学习和大数据技术的不断发展，这些方法将在聚合物材料的设计和开发中发挥更加重要的作用，推动环保型涂料的广泛应用和发展。