《Industrial Crops and Products》：Methods to optimize tribological properties of pineapple leaf fiber epoxy composites
编辑推荐：
本研究探索了利用优化技术和机器学习方法增强菠萝叶纤维（PALF）（Ananas comosus）增强环氧复合材料摩擦学性能的途径。本研究的理论基础在于利用生物基纤维开发可持续、高性能的工业应用材料，此类纤维具有环境效益。研究采用响应面法（RSM）结合中心复合设
本研究探索了利用优化技术和机器学习方法增强菠萝叶纤维（PALF）（Ananas comosus）增强环氧复合材料摩擦学性能的途径。本研究的理论基础在于利用生物基纤维开发可持续、高性能的工业应用材料，此类纤维具有环境效益。研究采用响应面法（RSM）结合中心复合设计（CCD），共进行24组实验。关键因素包括纤维质量百分比（0 wt%纯环氧树脂和30 wt% PALF/环氧树脂）、施加载荷（10 N和30 N）、滑动速度（0.7 mm/s和2 mm/s）以及滑动距离（500 mm和1500 mm）。X射线衍射（XRD）分析表明，纯环氧树脂呈现非晶态结构，而30 wt% PALF/环氧树脂复合材料的衍射峰位移至23.9°，表明结晶度提高。方差分析（ANOVA）显示，增加纤维含量可改善摩擦学性能。在优化条件下，含30 wt% PALF的复合材料磨损率降低94%，摩擦系数（COF）降低78%，磨损率和COF的R2值分别为0.9135和0.9203。研究采用三种机器学习模型——线性回归、梯度提升和高斯过程（GP）回归进行预测，其中GP模型表现最优，R2值超过0.98。SHAP分析确定纤维质量百分比是影响磨损率的最主要因素。本研究证明，实验、统计和机器学习方法相结合可有效优化生物复合材料的摩擦学性能，满足工业应用需求。
研究背景：随着环境问题日益受到关注，建筑、包装和汽车等行业对可持续材料的需求不断增长。传统热固性聚合物多源自石油，属于不可再生资源，带来显著的环境挑战。环氧树脂作为一种热固性聚合物，具有优异的力学性能、高强度、耐化学性和耐久性，仍是复合材料常用的基体材料。利用天然纤维增强环氧树脂制备环保复合材料，既能减少对不可再生资源的依赖，又能保持高性能，已成为研究热点。此前已有众多研究探索了各种纤维对环氧复合材料耐磨性的增强效果，然而，采用响应面法（RSM）、方差分析（ANOVA）和机器学习等先进统计技术和优化方法的研究仍较为有限。本研究旨在引入一种新型混合方法，将优化技术与机器学习模型相结合，以优化和预测菠萝叶纤维（PALF）（Ananas comosus）增强环氧复合材料的性能。菠萝叶纤维因其优异的力学性能、可生物降解性和作为农业副产品的可获得性而被选中，是环保型复合材料的理想候选材料。
研究内容：研究人员采用中心复合设计（CCD）框架下的响应面法（RSM）设计实验，共进行24组随机实验，考察纤维质量百分比（0 wt%纯环氧和30 wt% PALF/环氧）、施加载荷（10 N和30 N）、滑动速度（0.7 mm/s和2 mm/s）和滑动距离（500 mm和1500 mm）四个关键因素对摩擦学性能的影响。复合材料采用手糊成型工艺制备，利用销盘式摩擦磨损试验机按ASTM G99标准进行磨损测试。X射线衍射（XRD）分析表明，纯环氧树脂在19°附近呈现尖锐衍射峰，显示其非晶态性质；而30 wt% PALF/环氧复合材料的衍射峰位移至23.9°，表明PALF的加入改变了复合材料的结构有序度，同时在35–45° 2θ范围内出现一个宽化的新峰，说明菠萝叶纤维破坏了环氧分子的规则堆叠，导致结构更加无序。
研究结果：磨损测试结果显示，试验条件S19（0 wt%纤维）下测得最大磨损率为3.65 μmm3/N-mm，而试验条件S14（30 wt%纤维）下测得最小磨损率为0.233 μmm3/N-mm，磨损率降低达94%。摩擦系数方面，试验条件S1（0 wt%纤维）下测得最大COF为0.737，试验条件S14（30 wt%纤维）下测得最小COF为0.165，COF降低达78%。光学显微镜观察显示，纯环氧在10 N载荷下呈现平行浅沟槽和犁削特征，随载荷增加至20 N和30 N，磨损加剧，出现更深的沟槽和犁削，表明粘着磨损；而30 wt% PALF/环氧复合材料在相同载荷变化下表面损伤较轻，纤维/基体增强提高了刚度，促进载荷传递，减轻了严重沟槽的形成。
方差分析（ANOVA）结果：磨损率模型中，施加载荷（B2）具有显著影响（p=0.0091），纤维含量（B1）影响边缘显著（p=0.05），模型R2为0.9135，调整后R2为0.8010。COF模型中，施加载荷（B2，p=0.0371）和滑动距离（B4，p=0.0029）具有显著影响，模型R2为92.03%，调整后R2为0.7963。三维曲面图显示，纤维含量和施加载荷与磨损率正相关，而纤维含量增加可降低COF，滑动距离增大也倾向于降低COF。
机器学习预测结果：三种机器学习模型——线性回归、梯度提升和高斯过程（GP）回归被用于预测磨损率和COF。对于磨损率预测，线性回归R2仅为0.24，梯度提升R2为0.96，而高斯过程R2高达0.99，MSE低至5.74×10?1?。对于COF预测，线性回归R2为0.24，梯度提升R2为0.95，高斯过程R2为0.99，MSE低至0.0003。混淆矩阵分析显示，高斯过程在磨损率分类中准确率达83.33%，在COF分类中准确率达100%。SHAP分析表明，随着模型复杂度增加，纤维质量百分比逐渐成为影响磨损率和COF的最主要因素。相关热图显示，滑动距离与磨损率和COF均呈中等正相关（0.47），纤维含量与磨损率呈中等负相关（-0.27）。
研究结论：本研究表明，菠萝叶纤维增强环氧复合材料能显著改善其摩擦学性能。纤维质量分数是提高耐磨性和降低摩擦系数的关键因素。优化后的复合材料表现出优异的耐磨性和摩擦性能，证实了菠萝叶纤维作为环氧基材料可持续增强体的潜力。机器学习模型，尤其是高斯过程回归，能够以最小的实验投入为摩擦学性能提供准确预测，支持优化过程。这些发现凸显了利用生物基纤维增强复合材料力学性能以应用于工业领域的可行性。该研究发表在《Industrial Crops and Products》期刊上。
