机器学习优化泡沫玻璃生产：多目标预测与参数优化研究

本研究针对泡沫玻璃合成参数复杂、性能优化困难的问题，采用随机森林预测聚类树(RF-PCT)和多层感知器(MLP)机器学习方法，基于124组实验数据预测表观密度(ρapp)和闭孔率(εclosed)，结合多目标优化算法(IBEA)获得最优工艺参数组合。该研究为新型泡沫玻璃材料开发提供了高效的数据驱动框架，显著提升性能预测精度和参数优化效率。

　　

泡沫玻璃作为一种轻质隔热材料，在建筑节能领域具有重要应用价值，但其性能优化长期面临合成参数多、工艺复杂等挑战。传统试错法开发周期长、成本高，而基于物理现象的模拟方法又受限于玻璃高温特性数据的缺乏。如何通过数据驱动方法突破这些限制，成为材料科学领域亟待解决的问题。

Jo?ef Stefan Institute（约瑟夫·斯蒂芬研究所，斯洛文尼亚）的Uro? Hribar团队在《Materials Letters》发表研究，创新性地将机器学习与多目标优化相结合，为泡沫玻璃性能预测和工艺优化提供了新范式。研究人员首先构建包含124组实验数据的数据集，涵盖水玻璃(WG)含量、碳黑含量、Mn₃O₄含量等8个关键工艺参数，以及表观密度(ρ_app)、闭孔率(ε_closed)等5个性能指标。通过两种机器学习方法——随机森林预测聚类树(RF-PCT)和多层感知器(MLP)，系统分析了参数重要性并实现性能预测，最终采用指标进化算法(IBEA)获得最优参数组合。

关键技术包括：1) 采用Archimedes法测量表观密度和闭孔率；2) 使用RF-PCT模型评估参数重要性并实现多目标预测；3) 构建MLP神经网络进行外推预测；4) 应用IBEA算法进行ρ_app最小化和ε_closed最大化的多目标优化。

4.1 工艺参数对性能的影响

RF-PCT模型显示水玻璃(WG)含量是最关键参数（Genie3评分第1），直接影响烧结和膨胀行为。碳黑和Mn₃O₄含量并列第二，二者通过反应生成CO₂共同影响发泡过程。值得注意的是，模型准确识别出K₃PO₄对闭孔率的特殊影响（参数重要性第5），这与该添加剂调节玻璃特征温度的作用机制一致。

4.2 最优组合的实验验证

IBEA算法推荐的三个参数组合(ML1-ML3)经实验验证，其中ML2组合（T_foam=730°C）实测ρ_app为162 kg/m^-3（ε_tot=93.8%），与预测值偏差仅1.5%，显示模型在参数空间内推的良好准确性。但外推至700°C(ML3)时误差增至6%，反映低温区数据不足的局限性。

这项研究的意义在于：1) 建立了首个结合机器学习与多目标优化的泡沫玻璃性能预测框架，RF-PCT模型对ρ_app的预测相关系数达0.96；2) 揭示了工艺参数的非线性耦合效应，如WG含量需达30wt.%才能实现ε_closed>90%的高闭孔率；3) 通过IBEA算法获得Pareto最优解，将传统试错法的"参数-性能"映射关系研究转化为可量化的优化问题。尽管在极端参数区域预测精度有待提高，该方法已显著缩短新材料开发周期，为可持续建筑材料的智能化设计提供了范例。