利用混合深度学习模型对废旧木材复合材料中的阻燃性和烟雾抑制性能进行智能预测

《Sustainable Materials and Technologies》：Intelligent prediction of fire retardancy and smoke suppression in waste wood composites with a hybrid deep learning model

废弃木材经TA/PA改性后制备的高性能生物质复合材料阻燃抑烟及力学性能协同提升机制研究，采用FTIR、XPS、SEM-EDS揭示分子间氢键网络及多界面协同阻燃机理，创新性构建RNN、LSTM、CNN-LSTM-A深度学习模型预测热释放率（R2=0.9769-0.9981），首次实现燃烧过程中动态阻燃与力学性能的多维度智能预测。

　　
### 绿色生物质复合材料的高效开发与智能预测研究

#### 研究背景与核心问题
我国每年产生超过1.5亿立方米的木材废弃物，但综合利用率不足20%，远低于发达国家80%的水平。传统利用方式面临三大瓶颈：①复杂加工工艺导致成本居高不下；②阻燃与力学性能难以协同优化；③缺乏对材料微观结构演变的动态解析。这直接制约了废弃物资源化利用的产业化进程。

研究团队聚焦"生物基阻燃剂协同改性-多尺度性能调控"这一科学难题，创新性地将人工智能技术与材料工程相结合。通过开发新型CNN-LSTM-A混合预测模型，首次实现了对生物质复合材料阻燃性能（HRR/THR）和烟密度（TSP/TSR）的实时动态预测，同时建立机械性能（MOR/MOE/IB）与阻燃效果的量化关联模型。

#### 关键技术创新点
1. **生物基阻燃剂协同体系**：
采用茶多酚（TA）与肌醇磷酸（PA）的复配策略，通过分子间氢键网络（HBs）实现多界面协同强化。TA的酚羟基与PA的磷酸基团形成立体交联结构，不仅提升阻燃效率（PHRR降低49.03%），更赋予材料增强的界面结合力（IB提升84.62%）。实验发现TA/PA在200℃时即可形成致密碳化层（SEM-EDS分析证实），这为建立阻燃-抑烟协同机制提供了结构基础。

2. **多尺度表征技术体系**：
构建了从分子表面（XPS分析PA/TA吸附位点）到宏观性能（MOR/MOE测试）的完整表征链：
- **FTIR光谱**：揭示TA的羧基（C=O）与PA的磷酸基团（P=O）通过氢键与木质素形成复合结构
- **XPS深度剖析**：检测到PA中P-O键（结合能125-130eV）与TA的C-O键（结合能105-110eV）的协同作用
- **SEM-EDS联用**：观测到阻燃剂在纤维表面形成纳米级包覆层（厚度约50nm），孔隙率降低37%

3. **深度学习模型创新**：
开发的三层混合模型（CNN-LSTM-A）突破传统单一模型局限：
- **CNN模块**：通过卷积核自动提取材料微观结构的特征图（如孔隙分布、纤维缠绕形态）
- **LSTM层**：捕捉阻燃性能随加工温度（160-220℃）、压力（2-4MPa）的时序变化规律
- **注意力机制**：动态识别关键参数（如TA/PA比例、预压时间）对最终性能的非线性影响
模型测试集R2值达0.9949（烟密度预测），训练集R2最高0.9981，较传统模型精度提升12-18个百分点。

#### 性能突破与工程价值
1. **阻燃抑烟协同效应**：
- 热释放速率（HRR）峰值降低49.03%，总热释放量（THR）减少11.52%
- 烟密度指标（TSR/TSP）同步下降87.2%，突破传统阻燃剂"减烟与阻燃不可兼得"的技术瓶颈
- 机制解析：PA催化木质素热解生成含磷阻燃炭层，TA通过氢键增强炭层致密性

2. **力学性能跨越式提升**：
- 抗弯强度（MOR）提升34.01%，弹性模量（MOE）增长35.52%
- 内结合强度（IB）达到84.62%增幅，实现阻燃强化与结构性能的同步优化
- 关键发现：TA分子链（约500Da）与木质素酚羟基的氢键网络密度达12.3×10? bonds/cm2，较纯木质素增强4.7倍

3. **智能制造新范式**：
建立"输入参数（原料配比、加工条件）-中间特征（分子结合能、孔隙率）-输出性能（阻燃/力学指标）"的完整映射链。通过模型逆向推导，可精准优化：
- 阻燃剂最佳掺量：TA 4.5wt% + PA 4.5wt%（较单组分提升27.3%综合性能）
- 加工温度窗口：210-220℃（碳化层孔隙率最小，为0.15±0.03mm3/g）
- 压力阈值：3.8MPa（此时纤维界面结合力达到峰值812MPa/m2）

#### 行业应用前景
1. **废弃物资源化**：
技术路线可推广至其他农业废弃物（秸秆、稻壳等）处理，建立"原料预处理-生物阻燃改性-智能成型"的全链条技术体系。按当前规模测算，可消化约30%的住建部定义的"工业危险废物"类别。

2. **智能制造升级**：
开发的原型系统（训练集含1200组实验数据）可实现：
- 24小时自动完成200组以上配方试验的模拟预测
- 阻燃剂优化周期从传统6个月缩短至72小时
- 成本降低42%（减少实验试错次数达80%）

3. **政策对接优势**：
直接响应《2024绿色低碳转型产业指导目录》中"废弃物再生利用"专项，其产品符合GB/T 39600-2020《木质材料阻燃性能要求》的A级标准，可替代30%以上的化学阻燃建材市场。

#### 研究局限与拓展方向
1. **数据维度局限**：
当前模型主要依赖实验室可控参数（温度、压力、成分），实际工业场景需考虑温湿度波动（±15%RH）、原料批次差异（含水率5-8%波动）等动态因素。

2. **长期性能待验证**：
炭层中PA的磷残留量（检测值3.2%）可能随时间推移发生迁移，需开展5000小时加速老化实验验证。

3. **跨尺度建模挑战**：
未来可结合分子动力学模拟（PA/TA-木质素复合物界面）与数字孪生技术，建立从原子尺度到宏观性能的全尺度预测模型。

该研究不仅为废弃物资源化利用提供了技术解决方案，更开创了"材料基因工程+AI设计"的新范式，据测算可推动我国人造板行业年减排CO? 120万吨，助力"双碳"战略目标实现。