基于机器学习的聚丙烯合金性能预测：一种能够有效处理缺失数据的贝叶斯网络–XGBoost框架

《Journal of Polymer Science》：Machine Learning-Driven Prediction of Polypropylene Alloy Properties: A Bayesian Network–XGBoost Framework Robust to Missing Data

多尺度结构聚丙烯合金的机器学习建模框架BNXGB通过融合贝叶斯网络与分层XGBoost回归，有效解决传统方法的结构-性能关系解析难题，提升冲击强度和弯曲模量预测精度，并具备缺失特征自动补全能力，降低实验需求。

　　

摘要

聚丙烯合金具有复杂的多尺度结构，这给传统分析方法在揭示结构性能与机械性能之间的关系方面带来了挑战。为了解决这一问题，提出了一种新的机器学习框架，该框架将图形建模与回归技术相结合，以提高可解释性和预测准确性。具体来说，构建了一个贝叶斯网络来阐明结构变量之间的依赖关系，从而指导回归阶段的特征选择；并基于该网络开发了一个分层XGBoost回归模型（BNXGB），用于预测冲击强度（IS）和弯曲模量（FM）。与传统XGBoost模型（XGB）相比，BNXGB表现出更优的性能，在IS和FM的预测中均获得了更高的R2分数。更重要的是，BNXGB通过利用网络从父节点中推断缺失的输入特征，从而在数据不完整的情况下仍能保持稳定的性能。即使在所有特征（四个根节点除外）都缺失的极端情况下，BNXGB仍能保持合理的R2分数，而XGB的性能则会显著下降。这些结果表明，BNXGB框架在数据缺失的情况下对聚合物性能进行预测时具有很强的鲁棒性和实际应用价值，可能减少了进行详尽材料表征的必要性。

图形摘要

所提出的BNXGB建模框架概述。

利益冲突

作者声明没有利益冲突。

数据可用性声明

支持本研究结果的数据可向相应作者索取。由于隐私或伦理限制，这些数据不对外公开。