机器学习预测石墨烯增强聚乙烯复合材料拉伸性能的多因素耦合研究

为解决石墨烯增强聚乙烯复合材料(GRPC)力学性能预测效率低的问题，研究人员结合分子动力学(MD)模拟与机器学习(ML)技术，构建了多因素（温度、应变率、石墨烯缺失率等）影响的拉伸性能预测模型。研究发现前馈神经网络(FFNN)预测精度最优，为复合材料工艺优化提供高效工具。

　　

石墨烯增强聚乙烯复合材料(GRPC)因其结合了石墨烯的卓越力学性能和聚乙烯的耐腐蚀特性，在国防、能源等领域具有广阔应用前景。然而，传统分子动力学(MD)模拟虽能精确预测材料性能，却面临计算效率低、多因素耦合机制不明确等挑战。为此，中国的研究团队创新性地将MD与机器学习(ML)技术结合，系统研究了温度、拉伸应变率、石墨烯缺失率等关键参数对GRPC拉伸性能的影响。

研究采用MD模拟生成包含弹性模量(Young's modulus)和极限抗拉强度(UTS)的数据集，并利用前馈神经网络(FFNN)、支持向量机(SVM)和AdaBoost回归三种ML算法进行训练。结果显示，FFNN模型在预测精度上显著优于其他方法，尤其在处理多因素非线性关系时表现突出。例如，当石墨烯体积分数为5.7%时，复合材料力学性能达到峰值，而温度升高会导致弹性模量下降。

Methodologies
通过MD模拟构建GRPC拉伸模型，采集温度(100-400K)、应变率(0.0001-0.01ps^-1
)、聚乙烯分子链长度(20-100单元)等7个变量数据，使用LAMMPS软件进行模拟，并采用ML算法建立预测关联。

Results and discussions

1. 石墨烯体积分数5.7%时UTS和弹性模量最大；
2. 温度升高使弹性模量降低，高体积分数材料对温度更敏感；
3. FFNN的R²
   值达0.98，预测误差低于3%，显著优于SVM和AdaBoost。

Conclusion
该研究不仅揭示了多因素耦合影响GRPC力学性能的机制，更建立了高效的ML预测框架，为复合材料智能设计提供新范式。成果发表于《Materials Today Communications》，对推动纳米复合材料工业化应用具有重要指导意义。