基于软计算方法精准建模纳米增强型聚乙二醇热导率及其在热能储存中的应用

推荐 为解决聚乙二醇（PEG）作为相变材料热导率不足的问题，研究人员通过决策树、自适应增强、集成学习等机器学习方法，结合敏感性分析和K折交叉验证，构建了高精度预测模型。结果表明，Extra Trees和决策树模型表现最佳（R2=0.9368997，MSE=0.0003628），揭示温度、PEG分子量及纳米颗粒浓度对热导率的显著影响，为热能储存材料优化提供理论支撑。

　　

论文解读
聚乙二醇（PEG）因其半结晶特性和相变储能潜力备受关注，但其固有热导率较低限制了实际应用。为突破这一瓶颈，研究者探索纳米颗粒掺杂技术以提升热导率，然而传统实验方法耗时且成本高昂。为此，国内某研究团队创新性地采用软计算方法，结合机器学习技术与敏感性分析，构建了高精度预测模型，系统揭示了纳米增强型PEG热导率的关键影响因素。该研究发表于《International Journal of Polymer Analysis and Characterization》，为热能储存材料的优化设计提供了科学依据。

研究团队运用决策树（Decision Tree）、自适应增强（Adaptive Boosting）、集成学习（Ensemble Learning）、K近邻（K-nearest Neighbors）、多层感知器人工神经网络（Multilayer Perceptron Artificial Neural Networks, MLP-ANN）、卷积神经网络（Convolutional Neural Networks, CNN）及Extra Trees等算法，基于PEG分子量、温度、纳米材料类型及浓度等多维参数，对热导率进行建模。通过杠杆技术识别异常数据，并采用K折交叉验证降低过拟合风险，最终筛选出最优模型。

研究结果

1. 模型性能对比
   Extra Trees模型以R2=0.9368997、均方误差（MSE）=0.0003628及平均绝对相对误差百分比（AARE%）=3.7075695表现最佳；决策树模型紧随其后（R2=0.9374603，MSE=0.0003596，AARE%=3.5759954）。二者均展现出对复杂非线性关系的强拟合能力。

2. 关键参数影响
   敏感性分析表明，温度、PEG分子量及纳米颗粒浓度对热导率具有显著正向效应，其中纳米颗粒浓度的影响最为突出。

研究意义
该研究首次系统整合多源机器学习算法，实现了纳米增强型PEG热导率的精准预测。结果表明，纳米颗粒的引入可有效提升热导率，而温度与分子量的协同作用进一步优化了材料性能。这一发现不仅为热能储存材料的开发提供了理论框架，还展示了软计算技术在材料科学中的广阔应用前景。未来研究可进一步探索不同纳米材料组合及微观结构对热导率的调控机制，推动相变储能技术的工业化进程。