响应面-神经网络-多准则决策联用优化华盛顿棕榈废料/生物炭增强环氧生物复合材料的拉伸性能

本研究针对环保复合材料力学性能优化难题，来自未知机构的研究团队创新性地采用响应面法(RSM)、人工神经网络(ANN)与多准则决策(MCDM)相结合的策略，系统研究了华盛顿棕榈废弃物(Washingonia robusta waste)与生物炭(biochar)协同增强环氧树脂的拉伸性能。通过建立数学模型精准预测材料参数，为绿色复合材料开发提供智能化设计范式，兼具生态价值与工程应用潜力。

　　

这项研究玩转了材料科学界的"三重奏"——先用响应面法(Response Surface Methodology, RSM)设计实验矩阵，让人工神经网络(Artificial Neural Networks, ANN)这个"数字大脑"学习生物炭(biochar)和棕榈废料在环氧树脂中的增强规律，最后请出多准则决策(Multi-Criteria Decision-Making, MCDM)当裁判，在拉伸强度、模量等性能指标间找到最佳平衡点。

就像给复合材料做"智能健身计划"，研究团队通过华盛顿棕榈(Washingonia robusta)这位"植物运动员"的废弃纤维，搭配热解生物炭(biochar)这种"纳米级蛋白粉"，显著提升了环氧树脂基体的力学表现。特别有趣的是，ANN模型展现出惊人的预测能力，其R²值高达0.98+，比传统RSM方法更精准捕捉到填料含量、粒径等参数与拉伸性能间的非线性关系。

最终得到的优化配方就像调制"材料鸡尾酒"——既考虑环境友好性又兼顾机械性能，为汽车轻量化、可降解包装等应用场景提供了新思路。这项研究最酷的突破在于将机器学习引入复合材料设计领域，让材料开发从"试错模式"升级为"预测模式"。