基于应力-应变曲线,利用机器学习方法预测聚烯烃的力学性能
《Placenta》:Machine learning prediction of mechanical properties of polyolefins from stress-strain curves
【字体:
大
中
小
】
时间:2026年01月09日
来源:Placenta 2.5
编辑推荐:
本研究构建了涵盖聚乙烯、聚丙烯和聚丁烯-1的多元数据处理集,采用随机森林和XGBoost等九种机器学习算法预测材料力学性能,验证了树状集成模型对非线性结构-性能关系的捕捉能力,并证实多材料数据融合对提升小样本学习的可靠性。摘要长度:99字
张乐康|孙晓宇|李静清|刘伦阳|廖涛|卢颖|袁文博|陈洪源|李洪飞|门永峰|姜世春
天津大学材料科学与工程学院,中国天津300072
摘要
聚烯烃仍然是全球产量最大的聚合物,但其性能优化进展受到加工条件、微观结构和力学性能之间复杂关系的限制。我们开发了一个机器学习框架,该框架基于通过压缩成型、挤出和注塑制备的聚乙烯、聚丙烯和聚丁烯-1的多源实验数据集进行训练。系统评估了九种算法,用于预测杨氏模量、断裂伸长率和拉伸强度。其中,随机森林(Random Forest)和极端梯度提升(Extreme Gradient Boosting, XGB)在预测聚丙烯和聚丁烯-1的性能时表现出优异的准确性,R2值超过0.80,有效捕捉了非线性的加工-结构-性能相关性。模型分析显示,测试温度、样品厚度和加工方法是影响性能的最关键因素,这与已建立的聚合物物理原理一致。此外,在融合了多种材料的数据集上训练的通用模型与特定材料模型之间的预测误差在5%以内,证明了数据融合在小样本学习中的可靠性。使用XGB重建的工程应力-应变曲线获得了R2值超过0.85,进一步体现了该框架的稳健性。这项工作为理解和预测聚烯烃的力学性能提供了一种数据驱动的方法,为加速聚合物设计和加工优化提供了定量见解。
引言
聚烯烃材料在人类文明的发展中发挥了关键作用。从古代玛雅人利用橡胶树的汁液制作橡胶球,到现代合成材料的突破减少了我们对自然资源的依赖——聚烯烃已成为当今产量最大、应用最广泛的塑料之一。它们的发明标志着一个新时代的开始,不仅减少了对钢铁和木材等材料的依赖,还改善了医疗条件并支持了全球人口的增长。根据Plastics Europe发布的一份报告,2023年全球塑料产量将达到4.138亿吨[1]。聚烯烃是塑料领域最大、应用最广泛的有机合成材料类型,包括由α-烯烃(如乙烯、丙烯、苯乙烯和某些环状烯烃)聚合而成的热塑性树脂,其中聚乙烯(PE)和聚丙烯(PP)占主导地位,年产量超过2.2亿吨。它们卓越的化学稳定性[2]、加工性能和成本效益推动了从包装和管道到汽车零部件和医疗设备的广泛应用。中国每年生产超过7000万吨聚烯烃,使其成为国内聚合物市场的支柱。随着全球产业追求碳中和目标,市场对低成本通用聚烯烃以及具有增强光学、电学或力学性能的高性能功能性聚烯烃的需求也在增加。
聚烯烃开发的核心在于理解控制其力学行为的复杂“结构-性能关系”。与其他材料不同,特别是半结晶聚烯烃,聚合物材料表现出多尺度结构,其力学性能不仅取决于分子结构(链长、分支度、分子量分布),还严重依赖于加工过程中形成的形态,包括结晶度、晶体多态性和链取向[3][4][5]。这些微观结构对加工参数(温度、压力、冷却速率和服务环境)非常敏感,从而形成了一个高维的设计空间[6]。对于需要长期性能验证的材料来说,这一挑战更加严峻:例如用于热水管道的“塑料黄金” isotactic polybutene-1 (iPB-1) 在室温下需要超过10天才能从亚稳态晶体形式II转变为稳定形式I,这种尺寸变化限制了其商业化[7][8]。传统的蠕变测试方法即使采用时间-温度叠加技术,也需要数月至数年才能预测百年级别的使用寿命,导致开发成本过高[9][10]。
机器学习(ML)通过从现有数据中提取预测模式而无需显式物理编程,具有变革潜力[11][12]。最近的进展展示了ML在聚合物科学中的强大能力:变分自编码器用于自动化单体生成[13][14],图神经网络显著加速了聚合物特征分析[15],高斯过程回归(GPR)可用于预测玻璃化转变温度和带隙[14]。在力学性能方面,人工神经网络能够将聚丙烯的工程应力-应变曲线与温度和应变率相关联[16],随机森林(Random Forest, RF)在预测聚合物热性能方面表现出优势,而用于聚氨酯弹性体的分层ML模型则优于基于成分的直接方法[17]。
尽管取得了这些进展,但在聚烯烃力学性能预测方面仍存在关键差距。首先,数据稀缺是一个普遍问题:与具有标准化SMILES[18][19]表示的小分子或简单聚合物(如聚酯)不同,聚烯烃的链多分散性使得定量表征变得复杂[20],而商业保密限制了公开数据集的可用性[21][22][23][24]。其次,模型可解释性仍然具有挑战性——尽管SHAP(SHapley Additive Explanations)分析揭示了特征在材料吸附、太阳能电池效率和玻璃化转变预测中的重要性,但要理解多参数相互作用(例如成型温度-压力对结晶度的影响)需要更深入的机制整合[25][26][27]。第三,大多数ML聚合物研究集中在聚氨酯[17][28]或环氧树脂[29]上,而聚烯烃尽管在市场上占据主导地位,但相关研究仍然不足[21][22][23][24]。
为解决这些问题,我们构建了一个高质量的聚烯烃实验数据集,涵盖了PE、PP和iPB-1,并涵盖了多种加工历史和服务条件,然后系统评估了八种ML架构——从可解释的线性模型(Lasso)到集成方法(RF;XGBoost, XGB)[30][31]以及基于核的方法(高斯过程回归,GPR;核岭回归,KRR)[32][33]——用于预测三个基本力学性能:杨氏模量(YM)、断裂伸长率(EB)和拉伸强度(TS)。重要的是,所有数据均来自受控的实验室实验,而非文献汇编,从而保证了数据的质量和一致性。我们证明了:(1)基于树的集成模型(RF, XGB)能够最佳地捕捉聚烯烃的非线性特征,测试R2值超过0.80;(2)通过SHAP分析,测试温度、厚度和加工方法对力学性能有显著影响;(3)多材料数据融合后的预测准确性与单材料模型相差在5%以内,验证了数据集扩展策略的有效性;(4)基于XGB的工程应力-应变曲线重建在受控变量数据集上的R2值超过0.85,实现了完整的力学响应预测。这一框架为聚烯烃开发建立了一种数据驱动的方法,并为未来的聚合物混合物研究和主动学习引导的实验提供了可能。
材料与样品制备
使用的商业聚烯烃材料包括聚丁烯-1颗粒和粉末(山东辰博石化有限公司、山东东方宏业化工有限公司,中国),聚丁烯-1添加剂(包括成核剂、抗氧化剂)和聚丙二醇(PPA;Ultron PolyMater有限公司,中国),以及未经纯化的商业级聚乙烯、 isotactic 聚丙烯(iPP)和随机共聚物聚丙烯(PPR)。
样品通过三种加工路线制备,所有样品均
集成模型捕捉非线性结构-性能关系
我们系统比较了七种ML架构,包括Lasso、RF、XGB、KRR、GPR、KNN和DTR,在PE、PP和iPB-1数据集上进行测试(见图1)。这些模型被训练用于根据加工参数、样品几何形状和材料成分特征(经过one-hot编码后共32个特征)预测三个核心力学性能:杨氏模量(YM)、断裂伸长率(EB)和拉伸强度(TS)。
对于PP数据集(iPP和PPR样品,包括压缩成型和受控变量实验),RF和XGB表现出优异的性能
讨论
本研究建立了一个用于聚烯烃力学性能预测的机器学习框架,解决了数据可用性、模型可解释性和多材料集成方面的关键问题。基于树的集成方法(RF, XGB)通过分层特征空间划分自动学习加工特定的结构-性能映射,使得PP和iPB-1的测试R2值超过0.80。SHAP分析证实了物理一致性:测试温度、样品厚度和
结论
总之,本研究建立了一个基于实验的聚烯烃数据库,涵盖了多种加工路线和服务环境,实现了基于机器学习的力学性能预测和工程应力-应变曲线重建。在评估的九种模型中,RF和XGB在预测PP和iPB-1的性能方面表现出优异的准确性,测试集R2值超过0.8,有效捕捉了非线性的加工-结构-性能关系。
CRediT作者贡献声明
袁文博:研究、数据整理。陈洪源:撰写 – 审稿与编辑、监督、数据整理。李洪飞:撰写 – 审稿与编辑、资源提供、形式分析、数据整理。门永峰:撰写 – 审稿与编辑、监督、形式分析、数据整理。姜世春:撰写 – 审稿与编辑、监督、项目管理、方法论制定、资金筹集、数据整理、概念构思。张乐康:撰写 – 初稿撰写、软件开发、研究
利益冲突声明
? 作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:姜世春报告获得了中国国家自然科学基金的财政支持。姜世春与中国国家自然科学基金存在关系,包括资金资助。如果还有其他作者,他们声明没有已知的竞争性财务利益或个人关系
致谢
本工作得到了中国国家自然科学基金和中国科学院长春应用化学研究所的聚合物科学技术国家重点实验室开放研究基金的财政支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号