基于SVR（Support Vector Regression，支持向量回归）建模的中试级聚氨酯气凝胶生产数字孪生（Digital Twin, DT）驱动优化

《Gels》：Digital Twin-Driven Optimization of Pilot-Scale Polyurethane Aerogel Production Using SVR Modelling

　　

对可持续和高能效材料日益增长的需求使气凝胶成为先进隔热应用的有前景候选材料。其中，聚氨基甲酸酯（Polyurethane, PU）气凝胶因其隔热性能和机械可调控性受到越来越多的关注。然而，其开发通常依赖试错实验，耗时且耗费资源。本研究提出一个数字孪生（Digital Twin, DT）框架以支持PU气凝胶设计并减少实验工作量。研究人员利用21组合成实验数据构建了中试级DT，包括工艺配置、参数映射、模型开发和工艺分析。研究人员评估了两种预测模型，其中支持向量回归（Support Vector Regression, SVR）模型与实验数据吻合良好（R2= 0.964），被选用于在所研究参数范围内估算气凝胶密度。该DT框架能够识别与较低密度相关的合成条件，这可能有助于改善隔热性能。结果表明，DT辅助建模有潜力支持材料开发、加深工艺理解，并指导PU气凝胶合成中更高效的实验。总体而言，本工作突出了数据驱动方法在推进可持续和可扩展气凝胶制造中的作用。

论文解读：基于SVR建模的中试级聚氨酯气凝胶生产数字孪生驱动优化

该研究发表于《Gels》期刊。当前聚合物基气凝胶特别是聚氨酯（Polyurethane, PU）气凝胶因结合了传统气凝胶的低密度、高比表面积、优异隔热性与高分子材料的机械完整性，在节能建筑、航天等领域具应用潜力；但PU气凝胶从中试放大面临成本高、多步工艺（溶胶–凝胶聚合、老化、干燥）敏感性强，微小参数偏差致孔结构坍塌等问题，传统实验室放大依赖大量试错实验。 freeze-drying（冷冻干燥）虽可降低毛细力破坏、利于工业化，仍缺系统化预测工具。已有机器学习（Machine Learning, ML）用于预测聚酰亚胺等气凝胶性质，数字孪生（Digital Twin, DT——物理系统的动态虚拟映射，可集成数据、仿真与AI进行监控及优化）在复合材料固化、热塑性成型中有成功案例，但在气凝胶尤其是PU气凝胶中试合成参数与结构化部署方法结合的完整DT框架尚属空白。因此研究人员开展本研究，构建嵌入现象学约束的云基中试PU气凝胶生产DT，用少量实验数据驱动SVR模型预测密度并寻优合成窗口，以减少试错、加速放大。

为开展研究，研究人员采用以下关键技术方法：基于中试线21组PU气凝胶合成实验数据（固定HMDI、三乙胺TEA、二羟甲基丙酸DMPA，变量为固含量、乙二胺/六亚甲基二异氰酸酯EDA/HMDI摩尔比、聚乙二醇PEG分子量、分散方式——机械搅拌或超声），首先绘制含81个参数的生产工艺映射表并标准化CSV上传至云平台DT；密度用3D扫描体视法测定、导热系数用热流法（HFM）测定；分别建立带L1+L2正则化的Elastic Net线性回归与RBF核SVR模型，输入经标准化及可选PCA降维，超参数用留一法交叉验证（Leave-One-Out Cross-Validation, LOOCV）优选，评价指标含MSE、RMSE、MAE、R²；DT平台提供单点预测、等高线图、可行域分析及KPI看板，并将化学稳定性阈值（EDA/HMDI＞0.25致黄变脆化、过低致交联不足）、PEG分子量上限（过高致提前团聚）、固含量＜12 wt.%（过高致闭孔开裂）作为模型操作包络线嵌入。

2.1. Density and Thermal Conductivity Results（密度与导热系数结果）

通过变更有机溶剂、固含量、PEG分子量合成多样品，发现EDA/HMDI比＞0.25时过量伯胺引发氧化降解发黄变脆、收缩涂层薄；过低比阻碍异氰酸酯转化致欠交联网络。PEG分子量在600–4000 g/mol内升高（尤其趋向3000 g/mol以上）降低密度——长链增大节点间距、软段膨胀使PU网络更开孔，降低干燥阶段毛细压力防介孔骨架塌缩；但接近上限易因黏度大、链迁移率低致聚合期提前团聚使合成不可行。固含量＞12 wt.%促闭孔形态、内应力大、宏裂纹及密度升高。密度与导热系数非严格线性，孔形态也影响气相传热。上述现象学约束被纳入DT模型界定操作包络。

2.2. Digital Twin as a Driver for Pilot Plants（作为中试工厂驱动器的数字孪生）

DT使决策由事后分析前移至预模拟优化。通过等高线图展现输入组合对密度影响，标定可行区定位最低密度工况；追踪密度（g/cm³）与导热系数（W/m·K）双KPI关联生产数据，开发含阈值报警、配比及密度比对图表的仪表盘持续集成新数据。

2.3. Mathematical Modelling of the Process Performance（工艺性能的数学建模）

数据集含21次运行、四输入因子（EDA/H12MDI比0.09–0.33 mol/mol，固含量2.7–10.7 wt.%，PEG分子量四水平600/1000/2000/3350 g/mol，分散方式机械/超声），输出密度0.034–0.121 g/cm³、导热0.030–0.051 W/m·K，分布偏低密度端。因小样本谨慎评估泛化性。

• •
  2.3.1. Elastic Net（弹性网络回归）
  Elastic Net(L1+L2正则)将固体份、EDA/HMDI比、PEG分子量、超声标记中多数因子系数压零，仅固含量显著——降固含量降密度，R²=0.820，MSE=1.2×10^?4，RMSE=1.1×10^?2，MAE=7.2×10^?3。适合识别主效因子但难捕捉非线性及其他输入微效。
• •
  2.3.2. Support Vector Regression（支持向量回归）
  RBF核SVR考虑全部四输入，LOOCV调C∈[10^?4,10⁵]与ε∈[10^?10,10^?1]，得R²=0.964，MSE=2.3×10^?5，RMSE=4.8×10^?3，MAE=4.2×10^?3，优于Elastic Net。等高线分析示EDA/HMDI比0.15–0.25 mol/mol、PEG分子量趋近3000 g/mol以上（上限受工艺性约束）、固含量降低均降密度；机械搅拌（Sonication=0）较超声得更低密度。综合约束得最优工况：EDA/HMDI=0.186 mol/mol，固含量计算值3.25 wt.%，PEG Mw=3350 g/mol，机械搅拌，模型预测密度0.037 g/cm³，最接近实测PU-20相对误差12%（绝对偏差0.003 g/cm³），对应导热系数验证值0.034 W/m·K（处于实验低值端）。
• •
  2.3.3. Elastic Net Model for Thermal Conductivity（导热系数的弹性网络模型）
  同架构模型预测导热系数表现差（R²低），仅EDA/H12MDI比有影响，RMSE=0.0036 W/m·K、MAE=0.0027 W/m·K与重复实验间变异相当，作最低密度点量级估计用。

讨论与结论翻译总结：

研究人员指出，数字孪生（DT）整合可配置模型、仪表盘与KPI显著提升工艺理解以支撑PU气凝胶生产与属性优化决策。所建支持向量回归（SVR）模型对气凝胶密度具高预测精度（R²= 0.964）并可有效引导合成路径优化。模型探索实验空间表明：PEG分子量约3000 g/mol、EDA/HMDI摩尔比介于0.15–0.25 mol/mol、固含量低于12 wt.%是获得最低密度且避免团聚或不稳定最有利的参数窗口；机械搅拌为制低密气凝胶最适分散方式。降低固含量一般改善属性但过低损及成形能力。上述结论基于有限数据集，需在探索设计空间外进一步实验确认。整体证明结合实验合成、预测建模与DT技术可加速PU气凝胶开发、减少试错并支持中试实施；未来应扩充数据集、精炼模型特征及强化DT基础设施以促进工业级放大，以数据驱动工程对接可持续制造原则推动智能材料与环境友好型生产系统发展。