人工智能驱动的静电纺丝洞察：用于预测静电纺纤维棉 wool 类结构的机器学习模型

《Advanced Intelligent Discovery》：Artificial Intelligence-Driven Insights into Electrospinning: Machine Learning Models to Predict Cotton-Wool-Like Structure of Electrospun Fibers

本文利用机器学习模型优化电纺工艺参数，开发Python工具箱预测棉絮状纤维结构。通过特征选择和模型评估，KNN算法在F1分数、准确率和召回率上表现最佳（0.99），验证了AI在电纺工艺优化中的有效性，减少实验次数并降低环境负担。

　　电纺技术是一种用于制造纳米和微米纤维的方法，它在多个应用领域中展现出巨大的潜力，包括医疗、传感器、过滤、能源存储以及纺织品等。这项技术基于在两个极性相反的电极之间施加高电压，其中一个电极是包含起始溶液或悬浮液的针尖，另一个则是纤维收集器。典型的电纺装置包括一个装有针头的注射器、控制溶液流速的泵、提供高电压的电源以及用于收集纤维的接地或带电收集器。通过调整不同的工艺参数，可以制造出多种结构的纤维，如三维棉絮状结构，这种结构在组织工程中具有特别重要的意义。

棉絮状结构的纤维因其在组织再生方面的独特优势而受到关注。这些结构在外观上类似于“棉花糖”，具有高孔隙率和相互连通的孔隙结构，使得营养和氧气能够更有效地扩散，从而促进组织工程中的细胞生长和组织形成。此外，这种结构还具备更好的可操作性和填充能力，尤其适用于牙科和皮肤组织工程。由于其独特的物理和结构特性，棉絮状结构的制造是电纺过程中的一个重要挑战，通常需要对工艺参数进行专门的优化。

电纺过程受到多种参数的影响，可以分为三类：溶液参数、工艺参数和环境参数。溶液参数涉及起始溶液或悬浮液的类型和浓度、溶剂的种类、粘度、导电性以及填充材料的类型和用量。工艺参数包括施加的电压、溶液的流速、针尖与收集器之间的距离、针头的直径、针头的数量及其配置，以及收集器的类型（如旋转收集器、管状收集器等）。环境参数则包括电纺过程中操作环境的条件，如温度和相对湿度。

在过去的十年中，关于棉絮状结构的研究虽然有所增加，但仍然相对较少。研究人员发现，即使使用相同的起始溶液，不同的工艺参数也会显著影响最终形成的纤维结构。因此，如何高效地优化这些参数成为研究的重点。传统的优化方法依赖于“试错法”，这种方法不仅耗时，而且难以保证实验的可重复性和可持续性。近年来，人工智能（AI）和机器学习（ML）技术被引入，以预测纤维的直径和机械性能，从而加快优化过程，提高实验的可重复性，并减少化学物质的使用，降低实验室废弃物的产生。

在本研究中，开发了一个基于机器学习的二元分类模型，用于预测棉絮状电纺纤维的形成。该模型通过分析电纺过程的参数，识别出哪些输入特征对分类结果具有重要影响。研究团队还构建了一个软件工具箱，以便研究人员能够利用这些模型进行实验设计和预测。该工具箱的开发基于Python语言，并利用了多个常用的库，如Pandas、NumPy、Scikit-learn、Tkinter和Matplotlib，以实现数据处理、模型训练、结果可视化等功能。

研究团队对多个机器学习模型进行了测试，包括随机森林（RF）、k-近邻（KNN）、逻辑回归（LR）、支持向量机（SVM）和高斯朴素贝叶斯（GNB）。其中，KNN算法在F1分数、准确率、精确度和召回率方面表现最佳，这表明该模型在预测棉絮状纤维结构方面具有较高的可靠性。此外，通过特征重要性分析，研究人员发现相对湿度是影响模型预测的最关键因素之一，这与之前的研究结果一致。相对湿度的变化不仅影响溶剂的蒸发速率，还对纤维的形态和表面结构产生重要影响。在高湿度环境下，溶剂蒸发较慢，可能导致纤维形成珠状结构或表面出现多孔结构，而在低湿度环境下，溶剂蒸发较快，通常形成更光滑和均匀的纤维。

为了提高模型的预测能力，研究团队对数据集进行了预处理，包括缺失值的处理和数据标准化。对于缺失值，采用替换为平均值的方法，以确保数据的完整性并避免数据丢失。同时，对数据进行了标准化处理，以减少不同特征之间数值差异带来的影响，提高模型的稳定性和准确性。此外，研究团队还对数据集的分布进行了分析，发现数据集存在类别不平衡问题，即大多数样本属于“棉絮状纤维”类别，而少数样本属于“非棉絮状纤维”类别。这种不平衡性可能影响模型的性能，因此需要使用适合处理不平衡数据的评估指标，如F1分数，以确保模型的准确性。

在实验部分，研究团队收集了来自文献和实验的大量数据，用于构建和训练模型。这些数据包括不同类型的起始溶液和悬浮液，如溶胶-凝胶法制备的溶胶、聚合物与溶胶的混合物以及含有生物活性玻璃颗粒的悬浮液。通过这些数据，研究团队能够评估不同参数对纤维结构的影响，并验证模型的预测能力。此外，研究团队还开发了一个图形用户界面（GUI），使得研究人员可以更方便地使用该工具箱进行实验预测和数据分析。

该工具箱的开发为研究人员提供了一个高效的平台，用于预测棉絮状电纺纤维的形成。通过输入电纺过程的参数，用户可以快速获得预测结果，从而减少实际实验的次数。这不仅节省了时间和成本，还减少了化学物质的使用，降低了实验对环境的影响。同时，该工具箱的直观设计使得即使是缺乏计算机背景的研究人员也能轻松使用。研究团队还强调了该工具箱在促进科学界对人工智能和机器学习技术的理解和应用方面的潜力，特别是在组织工程和材料科学领域。

未来的研究将进一步扩展数据集，并引入更多的输入特征，以提高模型的预测能力。此外，研究团队还计划将该工具箱应用于其他电纺技术，如电喷雾技术，以探索其在更广泛领域的适用性。总体而言，这项研究展示了人工智能和机器学习技术在优化电纺工艺和预测纤维结构方面的巨大潜力，为科学研究提供了新的工具和方法。