《Materials Today Communications》：Clustering experimental data for the prediction and classification of mechanical properties of carbon fiber–polysulfone composite materials
编辑推荐：
摘要专业翻译
碳纤维类型（FT）的准确判定及碳纤维–聚砜复合材料失效原因的分析，关键取决于能否根据实验数据对其力学性能进行预测与分类。然而，此类数据固有的异质性——源于不同的纤维类型或不同的工艺参数——往往导致预测与分类模型的性能下降。本研究旨在筛选最有效的聚
摘要专业翻译
碳纤维类型（FT）的准确判定及碳纤维–聚砜复合材料失效原因的分析，关键取决于能否根据实验数据对其力学性能进行预测与分类。然而，此类数据固有的异质性——源于不同的纤维类型或不同的工艺参数——往往导致预测与分类模型的性能下降。本研究旨在筛选最有效的聚类算法用于实验数据的初步分组，同时确定在高值区间预测稳定性极限与变形的精度。
研究人员在两组数据集上比较了五种算法（K-Means、CURE、HDBSCAN、DPMM和Louvain）：一组为包含四种纤维类型、共817个试样的异质数据集，另一组为包含单一纤维类型但聚砜浓度（CP）不同、共215个试样的均质数据集。聚类质量通过外部指标（ARI、AMI、V-measure、FMI）和内部指标（Silhouette、Calinski–Harabasz、Davies–Bouldin、DBCV、Jaccard）评估，并采用主成分分析（PCA）进行排序。
对于异质数据集，HDBSCAN取得了最佳聚类质量（ARI = 0.988）。对于均质数据集，K-Means取得了最佳结果（ARI = 0.756），并识别出与不同聚砜浓度相对应的具有统计学显著差异的组别。CURE和DPMM在第二组数据集上聚类质量较差（ARI ≤ 0.004）。将所得聚类作为特征纳入随机森林（RF）和卷积神经网络（CNN）模型后，抗拉强度（TS）预测的决定系数R2在第一组数据集上从0.735提升至0.947，在第二组数据集上从0.977提升至0.987。对于均质数据集上的CNN模型，最大载荷应变的预测精度同样得到提升（R2从0.899提升至0.995）。质量指标的提升已对照数据集的专家标注进行了评估。
所提出的方法——先进行初步聚类，再对识别出的各组分别建模——显著提高了复合材料力学性能的预测精度。对于包含多种纤维类型的异质数据，推荐使用HDBSCAN；对于工艺参数不同的均质数据，推荐使用K-Means。
论文解读
研究背景与问题
碳纤维增强热塑性聚砜基复合材料因其高比强度和优异的抗冲击韧性，在航空航天等领域得到广泛应用。在设计关键结构件以及分析失效原因时，根据复合材料的力学特性准确判定碳纤维类型至关重要。然而，实验获取的数据往往具有内在异质性——这种异质性可能源于不同的纤维类型，也可能来自不同的加工工艺参数（如聚砜浓度、加载速率等）。此前的研究已表明，碳纤维–聚砜复合材料的实验数据集中存在多个在力学性能上具有统计学显著差异的试样组，而这种数据异质性会显著降低机器学习预测与分类模型的质量指标。仅依赖分类的“批次”变量往往无法揭示具有物理意义的分组，而基于实测性能进行初步聚类则能获得更可解释的划分，并提升模型的泛化能力。
针对上述问题，本研究提出一种“先聚类、后建模”的策略：先对实验数据进行初步聚类分组，再针对识别出的各组分别构建预测与分类模型。该策略的核心在于选择最合适的聚类算法，以最大化对复合材料抗拉强度和最大载荷应变预测精度的提升，并实现对碳纤维类型的准确分类。
研究内容与结论
研究人员系统比较了五类代表性聚类算法：基于质心的K-Means、层次聚类的CURE、基于密度的HDBSCAN、基于分布规律分析的狄利克雷过程混合模型（DPMM）以及基于图网络的Louvain算法。这些算法的选取兼顾了自动确定簇数、对噪声的鲁棒性以及可恢复簇形状的多样性等关键能力。
研究在两个实验数据集上开展。数据集1包含817个单向碳纤维–聚砜复合材料试样的拉伸试验结果，涉及四种纤维类型（高强型633个、高模量型184个）、四种纤维制造商（Toray T700SC-12K、Toho Tenax HTS40-12K、UMT400-12K-EP、Toray M35J-12K）、聚砜浓度（50–90 wt.%）、加载速率（1–100 mm/min）、纤维密度及抗拉强度等变量。数据集2包含215个试样，仅含单一碳纤维类型，但聚砜浓度不同（15%、20%、30%、40%、50 wt.%，对应试样数分别为33、35、55、51和41），变量包括杨氏模量、抗拉强度、最大载荷应变、试样长度和重量等9个变量。
聚类质量采用外部指标（ARI、AMI、V-measure、FMI）和内部指标（Silhouette、Calinski–Harabasz、Davies–Bouldin、DBCV、Jaccard）综合评估，并通过主成分分析（PCA）对算法进行排序。结果表明：对于异质数据集1，HDBSCAN取得最佳聚类质量（ARI = 0.988）；对于均质数据集2，K-Means取得最佳结果（ARI = 0.756），且识别出的组别与不同聚砜浓度相对应，具有统计学显著差异。CURE和DPMM在数据集2上表现较差（ARI ≤ 0.004）。
将聚类结果作为特征纳入随机森林（RF）和卷积神经网络（CNN）模型后，抗拉强度预测的R2在数据集1上从0.735提升至0.947，在数据集2上从0.977提升至0.987。对于均质数据集上的CNN模型，最大载荷应变的预测R2从0.899提升至0.995。研究还通过专家标注验证了质量指标的提升效果。
关键技术方法
研究人员采用了以下主要技术方法：一是数据预处理，鉴于力学性能数据不服从正态分布，采用Min–Max线性归一化方法将数据缩放到[0, 1]区间，以保持多维空间中点之间的相对距离；二是五种聚类算法（K-Means、CURE、HDBSCAN、DPMM、Louvain）的系统比较，各算法均具备自动确定簇数的能力；三是模型验证采用蒙特卡洛算法重复100次，每次随机生成75/25的训练/测试划分，聚类和模型训练仅在训练集上进行，测试集通过最近质心或密度分支方式投影获得簇标签，确保无信息泄漏；四是预测模型采用随机森林（RF）和卷积神经网络（CNN），将聚类编号作为类别特征纳入预测变量。
研究结果
聚类算法质量比较
对于数据集1（异质数据），HDBSCAN在外部指标上表现最佳（ARI = 0.988），显著优于其他四种算法，表明基于密度的方法能有效识别不同纤维类型对应的数据分组。对于数据集2（均质数据），K-Means取得最佳聚类质量（ARI = 0.756），成功识别出与不同聚砜浓度相对应的统计学显著不同的组别。CURE和DPMM在数据集2上聚类质量极差（ARI ≤ 0.004），说明层次方法和基于分布假设的方法在处理此类均质但存在工艺参数变化的数据时存在明显局限。
聚类特征对预测模型的提升
将聚类编号作为特征纳入随机森林（RF）和卷积神经网络（CNN）模型后，抗拉强度预测的R2在数据集1上从0.735大幅提升至0.947（RF模型），在数据集2上从0.977提升至0.987。对于均质数据集上的CNN模型，最大载荷应变的预测R2从0.899提升至0.995。研究还进行了鲁棒性检验，在排除纤维类型和纤维密度变量后，聚类效果和预测提升依然稳健。
算法适用性建议
基于上述结果，研究人员给出了明确的算法选择建议：对于包含多种纤维类型的异质数据，推荐使用HDBSCAN；对于工艺参数（如聚砜浓度）不同的均质数据，推荐使用K-Means。
讨论与结论
研究讨论指出，初步聚类后分组建模的策略能显著提升复合材料力学性能的预测精度。正确选择聚类方法可使决定系数R2相对专家标注提升20–25%（数据集1、RF模型），且无需改变预测模型架构。值得注意的是，相对于完全不考虑数据标注的模型，增益不足0.5%，这进一步说明聚类分组策略的核心价值在于对已知分组信息的有效利用和结构发现。
本研究的科学新颖性在于：首次在碳纤维–聚砜复合材料力学测试的真实实验数据上，系统比较了五种现代自动聚类算法（K-Means、CURE、HDBSCAN、DPMM、Louvain），并通过回归模型精度的提升验证了聚类方法的有效性。研究证实，初步识别统计上同质的试样组可以显著提高力学性能的预测精度，并确定了能带来最大质量指标提升的算法。这一“先聚类、后建模”的研究范式为复合材料领域处理异质实验数据提供了可操作的方法论指导，对于材料设计、质量控制及失效分析具有重要的工程实践意义。
