加速阻燃聚丙烯复合材料的设计：一种基于可解释集成机器学习和贝叶斯优化的方法

《Composites Communications》：Accelerating the Design of Flame-Retardant Polypropylene Composites: An Approach Driven by Explainable Ensemble Machine Learning and Bayesian Optimization

本研究提出了一种整合可解释集成机器学习与贝叶斯优化的逆设计框架，用于聚丙烯复合材料的高效开发。通过结合人工神经网络和极端梯度提升树构建的集成模型，实现了极限氧指数（LOI）的高精度预测（决定系数R2=0.95），并通过SHAP分析揭示关键组分的影响机制。随后，利用贝叶斯优化算法在工程约束下进行逆配方设计，实验验证表明该框架能有效降低传统试错法的成本。

　　

吕伟泽|胡碧|方勇|林海阳|姜国东|沈玉才

南京工业大学材料科学与工程学院，中国南京211816

摘要

开发具有目标阻燃性能的聚合物复合材料通常需要大量的实验工作。尽管一些研究已经能够预测聚合物复合材料的阻燃性能，但尚未实现配方的合理设计。本研究提出了一种逆向设计框架，将可解释的集成机器学习与贝叶斯优化（BO）相结合。该方法能够高精度地预测极限氧指数（LOI），并促进逆向配方设计。开发了一种结合人工神经网络（ANN）和极端梯度提升树（XGBoost）的堆叠集成模型，该模型表现出优异的拟合准确性和泛化能力。使用SHAP（Shapley Additive ExPlanations）方法进行的可解释性分析揭示了关键成分对LOI的显著影响，为阻燃机制和配方优化提供了宝贵的见解。随后，建立了一个贝叶斯优化框架，采用高斯过程替代模型和期望改进（EI）获取函数，在工程约束条件下进行目标LOI值的逆向配方搜索。实验验证证实了该方法在预测性能和实现阻燃聚丙烯材料逆向设计方面的高准确性。这项工作为高效开发聚合物阻燃材料提供了一种可转移的策略。

引言

聚合物材料在各个领域的广泛应用显著提高了生活质量，然而它们的阻燃性能对于确保公共安全和降低火灾风险至关重要。因此，阻燃性已成为聚合物设计中的一个关键性能参数。因此，开发高效阻燃聚合物材料具有重要意义[1]、[2]、[3]。然而，传统的开发方法严重依赖于大量的实验，这既耗时又费力且成本高昂。因此，探索新的科学范式以支持材料开发和设计变得至关重要。人工智能（AI）的快速发展为此挑战提供了有希望的解决方案。特别是机器学习（ML），由于其低计算成本、短开发周期以及在数据分析和预测方面的强大能力，在材料科学中受到了越来越多的关注[4]、[5]、[6]、[7]、[8]。例如，ML在电池材料[9]、[10]、[11]、[12]、[13]、[14]、超导体[15]、[16]、[17]、[18]、[19]、[20]、催化剂设计[21]、[22]、[23]、[24]、[25]、半导体材料[26]、[27]、[28]、[29]、智能材料和传感器[30]、[31]、[32]、[33]、[34]等领域取得了显著的成功。通过应用现有的实验数据和高效的计算模型，机器学习可以揭示材料组成与性能之间的复杂关系，从而推动高效的材料设计。

近年来，一些研究人员开始应用ML来辅助阻燃聚合物的开发和应用。Ding等人[35]设计了一个将阻燃知识与机器学习相结合的自适应框架，有效预测了加入不同阻燃剂后的极限氧指数。Liu等人[36]基于EP/FR复合材料中阻燃剂的结构和含量开发了一个ML模型，该模型指导了一种新阻燃剂的合成，以提高EP的阻燃性能。Li等人[37]提出了一个基于子结构指纹识别和自执行深度神经网络（SDNN）的ML框架，用于预测阻燃环氧树脂的耐火性。Hu等人[38]构建了一个机器学习模型，结合了有机磷阻燃剂的结构和用量、基体燃烧性能以及助剂，有效预测了环氧树脂的LOI、峰值热释放率（PHRR）和UL-94等级。Yu等人[39]引入了一个结合无监督学习、监督学习和分子生成的新型ML框架，系统研究了化学结构、阻燃剂加载量、固化剂类型和固化剂比例对环氧复合材料LOI的影响。Wang等人[40]提出了一个可解释的模型，同时考虑了气相和凝聚相中的基团结构及其阻燃机制，实现了高精度的预测。

机器学习在预测阻燃聚合物的性能方面取得了相关进展，这主要归功于预测模型能够揭示配方与性能之间的复杂非线性关系。然而，这些预测模型本身无法直接生成合理的配方设计。同时实现性能预测和材料配方设计至关重要。将预测模型与逆向设计算法相结合，可以从目标性能反向推导出可行的配方，从而实现真正的数据驱动创新[41]、[42]。逆向设计方法已广泛应用于无机功能材料[43]、[44]、[45]、[46]、合金材料[47]、[48]、[49]、[50]、[51]以及超材料[52]、[53]、[54]、[55]、[56]、[57]等领域。然而，上述逆向设计逻辑并不适用于聚合物复合材料所固有的物理化学复杂性。这种差异使得直接转移此类方法变得不可行。因此，建立适用于聚合物复合材料的逆向设计框架具有重要的科学意义。

在本研究中，通过建立一个将LOI预测与目标驱动的逆向配方设计相结合的逆向设计框架，探索了阻燃聚丙烯复合材料的逆向设计。该框架包括一个前向预测模块和一个逆向设计模块。前向预测模块采用堆叠泛化技术，结合ANN和XGBoost构建了一个集成机器学习模型，并使用SHAP方法进行特征重要性分析。逆向设计模块在严格的配方约束下利用贝叶斯优化算法进行逆向配方设计。训练好的前向预测模型用于预测未知配方以进行实验验证，而逆向设计中的候选配方则通过实验制造出来以验证准确性。这种逆向设计框架显著降低了试错方法的高成本，展示了开发高性能阻燃聚丙烯复合材料的巨大潜力。

方法与结果

为了实现阻燃PP复合材料的自主设计，建立了一个从预测到设计的逆向设计框架，如图1所示。整个过程可以总结如下：

• A.
  从已发表的文献中收集数据，并整合实验室数据以构建高质量的数据集。
• B.
  比较和分析各种算法，以构建用于前向预测的集成机器学习模型。
• C.
  使用SHAP进行可解释性分析，以揭示不同因素的影响

结论

本研究提出了一种将可解释的集成机器学习与贝叶斯优化相结合的逆向设计框架，可以提高阻燃PP复合材料性能驱动配方开发的效率。构建了一个结合ANN和XGBoost的堆叠集成模型，用于预测LOI性能，决定系数为0.95。使用SHAP进行模型可解释性分析，为配方优化提供指导。

作者贡献声明

沈玉才：撰写——审稿与编辑、监督、方法论、资金获取、形式分析、概念化。姜国东：监督、方法论。林海阳：方法论、概念化。方勇：方法论、概念化。胡碧：验证、方法论、概念化。吕伟泽：撰写——原始草稿、可视化、验证、方法论、调查、形式分析、数据整理、概念化

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

数据可用性

数据将应要求提供。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

本工作得到了国家自然科学基金（编号：22175088）和江苏省高等教育机构优先学术发展计划（PAPD）的支持。