面向注塑短玻纤增强热塑性塑料疲劳行为的物理信息异方差高斯过程回归建模与S–N曲线重构

《Polymers》：Feedstock-Informed Technology Selection for Chemical Recycling of Plastic Rejects: An Integrated Physicochemical Characterization and Multi-Criteria Decision Framework

　　

摘要专业翻译 预测注塑短玻纤增强热塑性塑料的疲劳行为，受制于疲劳数据巨大且不可约的离散性，以及响应强烈依赖于成型条件这一事实，而常规点估计模型既无法再现也无法量化上述特性。本研究提出一种物理信息异方差高斯过程回归模型（physics-informed heteroscedastic Gaussian process regression model, Pi-HGPR），通过预测疲劳应力幅值（作为循环次数、注塑温度、保压压力、试样取向及应力比的函数）来重构给定加工条件下的S–N曲线，并返回95%预测带而非单一数值。该模型将损伤过程型物理均值、具有自动相关性确定（Automatic Relevance Determination, ARD）的各向异性Matérn 5/2协方差函数，以及与过程似然耦合的局部离散滤波相结合，从而使噪声水平具有输入依赖性。模型基于文献汇编的S–N曲线进行训练，并在两种折外验证协议（逐点插值与留条件外推）下评估，在插值中决定系数达到2，在留条件外推中达到2，在两种机制下均优于随机森林（Random Forest）和梯度提升（gradient-boosting）基线模型；预测带的全局经验覆盖率分别为2和2，略低于其名义值，在加工空间中采样稀疏区域则降至76–2。自动相关性确定识别出保压压力和注塑温度为最具影响力的输入，领先于应力比和试样取向。将任务界定为沿S–N场低离散方向预测应力幅值，并引入输入相关的不确定性，可在所测试的加工窗口内获得准确模型，并提供由实验数据覆盖度而非学习器所决定的可靠外推界限。

论文解读文章

一、研究背景与问题提出

注塑成型是制造复杂几何形状短玻纤增强热塑性塑料部件的高效工艺，其力学性能强烈依赖于熔体温度、保压压力等工艺参数对纤维取向与分布的调控。尽管静态力学性能可通过工艺优化获得改善，但材料在交变载荷下的疲劳行为存在巨大的固有离散性——即使在名义制造条件完全相同的试样之间，疲劳寿命仍可相差数倍，这源于纤维分布、取向、界面强度及制造缺陷的微观差异。传统设计实验方法虽能定性评估工艺参数的影响，但面对由注塑温度、保压压力、试样取向和应力比构成的组合空间，穷举式实验在成本与时间上均不可行。现有机器学习模型多以疲劳寿命为预测目标，但寿命方向恰是S–N场中离散最大的方向，且多数模型在训练与测试间存在信息泄漏，导致其泛化能力被高估。因此，如何在量化不确定性的前提下，从工艺参数直接重构S–N曲线并可靠外推至未见加工条件，是亟待解决的工程与学术问题。

二、研究内容与核心结论

研究人员提出物理信息异方差高斯过程回归模型（Pi-HGPR），以疲劳应力幅值为预测目标，输入为循环次数对数、注塑温度、保压压力、试样取向和应力比。模型融合Basquin型对数线性物理均值、带自动相关性确定的各向异性Matérn 5/2协方差，以及耦合局部离散滤波的输入相关噪声模型，输出均值曲线与95%预测带。基于675个数据点、81条S–N曲线（涵盖PPGF、PA6GF、PBTGF三种30%短玻纤增强热塑性塑料）的训练与两种折外验证表明：插值协议下决定系数达²，留条件外推协议下达²，均优于随机森林与梯度提升基线；预测带全局经验覆盖率分别为²和²。自动相关性确定显示保压压力与注塑温度是最具影响力的工艺输入。该研究的意义在于：将疲劳预测从黑箱点估计转变为具备物理一致性与输入相关不确定性的设计许用值工具，明确外推界限由数据覆盖度而非学习器决定，为工艺参数驱动的疲劳设计提供了可靠框架。

三、主要关键技术方法

研究人员采用以下关键技术方法：其一，物理信息均值函数，以Basquin型对数线性关系作为高斯过程先验均值，使远离训练数据的预测保持疲劳一致性；其二，异方差噪声建模，通过耦合Nadaraya–Watson局部离散滤波估计输入相关噪声方差，使预测带宽度随局部数据离散程度自适应变化，并对未失效（runout）样本施以方差膨胀；其三，自动相关性确定协方差，对各输入维度分配独立长度尺度以量化变量重要性；其四，两阶段超参数优化，结合边际似然最大化与基于GroupKFold的交叉验证长度尺度缩放选择；其五，双协议折外验证，分别采用逐点5折与按曲线分组的留条件外推协议。数据来源为1989至2024年间文献汇编，涵盖三种材料体系。

四、研究结果

4.1 学习算法对比。 在相同五输入条件下，Pi-HGPR在插值与外推两种机制下均取得最高决定系数与最低误差，树集成模型因训练支撑域外退化为分段常数预测而受限，物理均值则保证未见条件下的S–N趋势一致性。

4.2 流水线消融分析。 Basquin均值函数是贡献最大的组件，将外推决定系数从²提升至²；耦合异方差滤波不改变点精度，但使预测带宽度随局部离散度自适应，并取代了初步研究中会虚增插值精度的单调预滤波方案。

4.3 整体预测性能与不确定性校准。 插值中典型误差为²十进制的应力幅值对数，²的预测落在实测应力±²范围内；外推中仍解释²方差且²预测落在±²内。预测带全局覆盖率在插值与外推中分别为²和²，在稀疏采样区域降至76–²，误差集中于流动方向试样、最高保压压力与最高注塑温度区域。

4.4 工艺参数相关性。 自动相关性确定长度尺度显示保压压力与注塑温度最具影响力，其长度尺度比应力比和取向短4至6倍；循环次数因已被物理均值吸收而具有最大长度尺度。

4.5 特征信息对外推上限的影响。 加入弹性模量、极限抗拉强度等材料描述符后，留曲线外推似有提升，但严格留材料外推协议下分数反而低于五输入模型，证实外推上限由材料空间数据覆盖度决定。

4.6 讨论。 预测应力幅值而非寿命避免了S–N浅斜率（约²）导致的约13倍误差放大；插值误差仅为不可约实验离散的约²倍。模型输出直接映射至统计S–N设计许用值，窄带可直接作为设计许用，宽带则提示需补充验证实验。

4.7 实际影响。 模型将数周疲劳实验转化为设计期查询，并在数据支撑不足时通过带宽展宽主动提示最需补充的实验条件，实现主动学习导向的数据驱动疲劳预测。

五、讨论总结与结论翻译

讨论部分指出，模型预测的应力幅值是设计中的良态量，避免了寿命方向预测的固有误差放大；预测带直接对应统计S–N设计许用值，窄带可用于设计，宽带则提示条件超出数据支撑范围。结论部分可翻译为：本研究提出物理信息异方差高斯过程回归模型，从注塑温度、保压压力、试样取向和应力比重构PPGF、PA6GF和PBTGF的S–N曲线并返回95%预测带。模型在675个点和81条曲线上训练，完成已表征曲线时决定系数达²，留条件外推下达²，均优于随机森林与梯度提升。耦合异方差滤波使预测带宽度输入相关，全局覆盖率略低于名义值且在稀疏区域降至76–²。Basquin均值是最有影响的组件，预测应力幅值避免了浅S–N斜率导致的约13倍误差放大。自动相关性确定识别保压压力与注塑温度为最具影响力输入。外推上限由数据在材料空间的覆盖度决定，添加材料描述符不改善留材料外推；基体未作为显式输入，微观结构变量在文献中缺乏一致性数据，未失效样本通过膨胀噪声近似处理。未来工作将拓宽加工与材料覆盖范围，纳入微观结构描述符与删失似然，并利用预测带进行主动学习实验选择。