一种基于知识引导的神经网络框架,用于加速复合材料的工程设计:在高性能可生物降解形状记忆泡沫中的应用

《Polymer》:A Knowledge-Guided Neural Network Framework for Accelerated Design of Composite Materials: Application in High-Performance Biodegradable Shape Memory Foams

【字体: 大 中 小 】 时间:2026年04月24日 来源:Polymer 4.5

编辑推荐:

  提出知识引导的神经网络框架加速生物降解功能材料设计,通过将领域知识转化为嵌入架构和约束条件,揭示超临界发泡制备PBST/PLA泡沫的加工-结构-性能关联,结合多目标优化遗传算法实现形状固定比93.5%、恢复比93.6%及降解率4.374%的高性能泡沫,验证了该框架在缩短材料开发周期、降低试错成本方面的有效性,并扩展至其他多孔、凝胶等材料体系。

  
郑工|周天|吕静怡|赵玲|钱峰
华东理工大学工业控制技术国家重点实验室,上海200237,中国

摘要

本文提出了一种新型的知识引导神经网络框架,用于加速可生物降解功能材料的设计。通过将领域专业知识从静态先验知识转化为可嵌入的架构组件和约束条件,该模型能够基于领域认知进行设计。该知识引导神经网络框架被应用于使用超临界发泡技术制备的高性能、可回收、可再加工和可生物降解的形状记忆聚(丁酸丁烯酯-对苯二甲酸丁酯)(PBST)/聚乳酸(PLA)泡沫。通过将知识引导神经网络框架与发泡过程的黑箱特性——性能关系相匹配,有效地揭示了泡沫的加工、结构和性能之间的相关性。通过使用可测量的形态特征作为中间预测输出,提高了模型的可解释性。采用多目标优化遗传算法预测了平衡形状记忆性能和降解性能的最优解,实现了93.5%的形状固定率(R_f)、93.6%的形状恢复率(R_r)和4.374%的降解率。回收和再加工的PBST/PLA泡沫保持了超过95%的形状记忆性能。通过将领域专业知识与神经网络相结合,这种知识引导神经网络框架不仅适用于泡沫,还可以扩展到更广泛材料的性能预测和优化,包括多孔材料、凝胶材料和纤维材料,以及更复杂的设计场景。知识引导神经网络框架代表了从传统的“试错”方法向逆向设计的范式转变,促进了可生物降解功能材料的可持续和智能化发展。

引言

不可降解塑料的有害影响日益严重[1],[2]。由于它们在自然环境中分解需要很长时间,这些塑料会积累成废物,污染土壤、河流和海洋,对生态系统造成巨大压力[3],[4]。特别是在海洋环境中,塑料废物不仅威胁水生生物的生存,还会进入人类食物链,带来潜在的健康风险[5],[6]。相比之下,可生物降解塑料为解决这一问题提供了可行的替代方案。这些塑料可以被微生物分解,从而减少塑料废物的长期环境影响[7]。PLA来源于植物基材料,具有宽加工温度范围、高刚性、良好的生物降解性,广泛用于一次性吸管、餐具、医疗材料等应用[8],[9],[10]。PBST具有很强的延展性、高韧性、良好的抗冲击性和生物降解性,广泛应用于包装材料、农业薄膜等领域[11],[12]。形状记忆聚合物是一种具有适应性、耐用性和易于加工及定制的智能材料[13]。它们可以广泛应用于医疗设备、航空航天、机器人技术等领域[14],[15],[16],[17]。此外,它们可以与传感器、控制系统和其他智能设备结合,形成智能系统,实现更高效和精确的功能[18],[19],[20]。因此,使用可生物降解聚合物制造形状记忆材料符合可持续发展的理念。顾等人将纳米纤维引入聚己内酯(PCL)/PBAT中,并系统研究了界面形态、机械性能和形状记忆性能[21]。通过利用形状记忆响应,他们实现了仿生抓取行为,展示了其在软体机器人中的潜在应用。
与传统可生物降解形状记忆材料相比,可生物降解多孔形状记忆材料具有更轻的重量和更低的成本[22],[23],[24]。多孔结构显著提高了渗透性和热质传递率,从而大大加速了形状记忆的触发和恢复,并实现了对降解行为的精确控制[25],[26],[27]。制备多孔可生物降解形状记忆材料的方法包括发泡、粒子浸出、3D打印、电纺等。粒子浸出技术繁琐且耗时,存在残留有机溶剂的风险,并且对环境不友好。此外,孔径严格受孔隙生成剂尺寸的限制。在3D打印中,可实现的最小孔径受设备精度的限制,打印部件之间的界面粘合可能比整体泡沫弱,且该方法生产成本较高、效率较低[28]。电纺通常只能产生二维膜或薄层,难以制备三维块状材料。然而,超临界流体发泡技术具有环保和安全的特点,是一种高效的制备多孔材料的方法[29],[30],[31],[32],[33],[34],[35],[36]。利用这项技术制备多孔可生物降解形状记忆材料是重要的可持续发展趋势[37]。在我们之前的研究中,将碳纳米管引入PBAT/PCL中,制备了导电和可生物降解的形状记忆泡沫[38]。我们系统研究了它们的传感性能、驱动性能、发电性能和降解行为。上述研究为后续研究奠定了坚实的基础。
目前某些材料的性能缺乏可靠的第一性原理计算模型,这使得难以直接从加工条件和配方计算材料性能。利用人工智能,特别是机器学习技术来预测和指导实验,正在推动实验科学的范式转变[39]。这种数据驱动的研究范式能够从有限的数据集中发现深层模式,有效增强实验设计的能力,大大提高实验的成功率和效率,同时减少试错成本和冗余实验[40]。机器学习包括决策树、随机森林、支持向量机和人工神经网络(ANNs)等多种方法。其中,ANNs是一种受人类神经系统启发的计算模型,以其提取深层特征和建立复杂映射关系的能力而著称。作为能够自主从数据中学习复杂模式和规则的强大机器学习模型,ANNs是这一变革性转变的关键驱动力。然而,传统的ANNs通常被视为黑箱模型,其决策过程缺乏可解释性,需要大量数据来隐式学习复杂的物理关系。
此外,在材料领域,加工过程决定了结构,而结构又决定了性能。吴等人对聚丙烯的注塑过程采用了两种机器学习模型:“加工-结构”模型和“加工-性能”模型[41]。这两种模型完全独立。尽管这种端到端的预测方法具有高效和快速等优点,但模型之间的隔离阻碍了算法真正学习和捕捉内在的“加工-结构-性能”关系。为了更准确地反映潜在的物理机制,通过将领域专业知识从静态先验知识转化为可嵌入的架构组件和约束条件,模型能够基于领域认知进行设计。已知物理依赖关系的显式编码显著降低了模型的样本复杂性,即使在数据受限的情况下也能保持优异的性能。此外,分层架构将完整的预测过程分解为多个具有明确物理意义的子过程,并输出可解释的中间变量,使整个推理过程更加透明和可靠。Alghossoon等人基于机械原理建立了一个具有物理意义的基础方程框架,其中存在两个未知的物理系数[42]。他们利用模型的强大数据拟合能力获得了这些通过纯机械推理难以得出的复杂系数。最终的方程不仅在数据预测方面实现了高精度,而且部分基于机械机制,为未来建筑设计规范的制定提供了可能性。领域知识不仅可以表现为具体的代数方程,还可以表现为从化学原理中得出的“定性隐含规则”。周等人将定性的单调性规律作为物理约束纳入机器学习[43]。这种知识驱动的方法迫使模型在拟合现有数据时严格遵循化学反应的客观趋势。即使在处理未知数据时,模型也不会违反科学原理,从而提高了其可解释性、泛化能力和在工业应用中的可靠性。
然而,可生物降解形状记忆泡沫的发展受到黑箱问题的限制,即发泡过程与材料性能之间的关系仍然不明确。知识引导神经网络框架是解决这一挑战的关键。通过使用知识引导神经网络框架构建准确的加工-结构-性能预测模型,可以从少量数据中提取关键影响因素并预测性能。采用多目标优化遗传算法进行材料逆向设计可以显著缩短材料开发周期,降低实验成本,并加速高性能可生物降解形状记忆泡沫的快速发展和工业化。这代表了材料研究的新数据驱动范式。然而,目前尚无关于能够加速可生物降解功能材料性能预测、优化和逆向设计的知识引导神经网络框架的报道。缺乏关于可生物降解功能材料的应用研究。
在这项研究中,提出了一种新型的知识引导神经网络框架,用于加速可生物降解功能材料的设计。通过将领域专业知识从静态先验知识转化为可嵌入的架构组件和约束条件,该模型能够基于领域认知进行设计。该知识引导神经网络框架被应用于使用超临界发泡技术制备的高性能、可回收、可再加工和可生物降解的形状记忆泡沫。通过将知识引导神经网络框架与发泡过程的黑箱特性——性能关系相匹配,有效地揭示了泡沫的加工、结构和性能之间的相关性。通过多目标优化遗传算法,实现了高性能形状记忆泡沫的逆向设计,并通过实验验证了结果的可行性。

部分摘录

材料

PBST(TS159,1.26 g/cm3)和PLA(4032D,δ-内酯含量为1.4%,1.25 g/cm3)分别来自中国石化仪征化工和美国的Natureworks。Ecard和T101分别由中国的Cardolite Chemical和Aladdin Reagent提供。抗氧化剂1010(纯度:99%,w/w%)和CO?气体(纯度:99.99%,w/w%)分别来自德国的BASF和中国的Air Products。

PBST/PLA复合材料的制备

PBST/PLA混合物的具体组成列于表S1.A中

FTIR光谱和热行为

对PBST/PLA复合材料进行了FTIR分析,如图1所示。Ecard是一种生物相容性和反应性的链延长剂,在910 cm?1处显示出明显的特征峰,对应于其分子结构中环氧基团的拉伸振动。T101在1366 cm?1处显示出强烈的吸收峰,归因于C–H弯曲振动。这些特征峰在PBST/PLA复合材料的FTIR光谱中不存在,表明链延长反应尚未发生

结论

本文提出了一种新型的知识引导神经网络框架,用于加速可生物降解功能材料的设计。通过将领域专业知识从静态先验知识转化为可嵌入的架构组件和约束条件,该模型能够基于领域认知进行设计。该知识引导神经网络框架被应用于高性能、可回收、可再加工和可生物降解的形状记忆PBST/PLA泡沫

CRediT作者贡献声明

郑工:撰写——原始草案、方法论、研究、概念化。赵玲:研究、数据管理。钱峰:撰写——审阅与编辑、监督。周天:撰写——审阅与编辑、监督、方法论。吕静怡:方法论、概念化

数据可用性

本文描述的研究未使用任何数据。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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