跨材料物理信息机器学习框架用于优化高压绝缘环氧纳米复合材料中的纳米填料负载量

《Scientific Reports》：Cross-material physics-informed machine learning framework for optimizing nanofiller loading in epoxy nanocomposites for high-voltage insulation

　　

环氧基纳米复合材料因其高介电强度、机械鲁棒性和可加工性，成为高压应用中极具前景的固体绝缘材料。然而，确定最大化介电击穿强度（BDS）的最佳纳米填料负载量仍具挑战，因为传统的试错法成本高、耗时长且难以跨材料系统推广。本研究提出了一种跨材料物理信息机器学习框架，整合了四种结构不同的纳米填料：Zn/Al-LDH、Mg/Al-LDH、γ-Al₂O₃和α-Al₂O₃，其中氧化铝纳米颗粒由回收铝饮料罐合成，作为可持续材料来源。对于每个体系，研究人员对每个浓度进行了15次击穿测量，并使用威布尔分析（Weibull analysis）进行统计验证。在所有体系中，α-Al₂O₃在5 wt%时表现出最高的BDS，达46.8 kV/mm，相较于纯环氧树脂提升约56%。研究人员采用PCHIP插值结合高斯噪声注入进行数据集扩充，并通过留一重构分析（Leave-One-Out Reconstruction analysis）验证，结果显示内部浓度点的插值误差低于7.76%。中间浓度下的复合材料相对介电常数使用麦克斯韦-加尼特模型（Maxwell–Garnett model）估算，并作为物理约束输入特征纳入模型。研究人员训练了五种回归算法并在材料特定数据集上进行基准测试，R²值高达0.959，实验验证误差低于5.2%。进一步开发了跨材料模型，通过将分类材料身份替换为固有填料介电常数作为基于物理的描述符，实现了使用共用描述符在多个研究的纳米填料体系间的可迁移预测。跨材料模型实现了R²=0.919，预测误差低于6%。该框架为优化GIS/GIL间隔用环氧绝缘体系提供了一条可扩展且经实验验证的路径。

**论文解读：跨材料物理信息机器学习框架优化环氧纳米复合材料纳米填料负载量**

**研究背景与问题**
在高压绝缘领域，环氧基纳米复合材料因其高介电强度、机械鲁棒性和可加工性而备受关注。然而，确定最大化介电击穿强度（BDS）的最佳纳米填料负载量仍面临挑战。传统试错法成本高、耗时长，且难以在不同材料体系间推广。现有研究多局限于特定材料体系，缺乏统一的框架来利用物理有意义的描述符预测不同纳米填料种类的介电行为。此外，纳米填料固有特性（如介电常数）在预测建模中很少被纳入。为克服这些局限性，本研究提出了一种集成实验、统计和机器学习（ML）的框架，系统研究两种主要纳米填料类别：层状双氢氧化物（LDHs）和氧化铝（Al₂O₃）纳米颗粒，包括从回收铝饮料罐合成的氧化铝，以实现可持续性。该研究旨在开发一种可扩展的数据驱动方法，高精度预测最佳填料浓度，显著减少实验工作量，并为高压应用先进环氧绝缘材料的设计提供实际指导。论文发表在《Scientific Reports》。

**主要技术方法**
研究人员采用以下关键方法：首先，通过共沉淀法制备Zn/Al-LDH和Mg/Al-LDH，并通过溶解回收铝罐后煅烧获得γ-Al₂O₃和α-Al₂O₃，所有纳米颗粒经硅烷偶联剂（APTES）表面功能化以改善分散性。其次，采用逐步负载策略制备环氧纳米复合材料，在1、3、5、7 wt%四个浓度下进行15次AC击穿测试（ASTM-D149），并使用威布尔分析（Weibull analysis）进行统计验证。第三，采用PCHIP插值结合高斯噪声注入进行数据增强，并通过留一重构分析（LOO-R）验证，确保插值误差低于7.76%。第四，使用麦克斯韦-加尼特模型（Maxwell–Garnett model）估算中间浓度下的复合材料相对介电常数，作为物理约束输入特征。第五，训练并比较五种回归算法（随机森林回归器RFR、梯度提升回归器GBR、支持向量回归器SVR、AdaBoost回归器和极端梯度提升XGBoost），通过SHAP（SHapley Additive exPlanations）进行特征重要性和可解释性分析。最后，开发跨材料模型，将分类材料身份替换为固有填料介电常数作为物理描述符，实现统一预测。

**研究结果**
**实验与统计结果**
- 纯环氧基BDS约为30 kV/mm。所有纳米填料体系在5 wt%附近达到最佳性能，其中α-Al₂O₃的最高BDS为46.8 kV/mm，γ-Al₂O₃为44.2 kV/mm，较纯环氧提升约56%。LDH体系提升约25%。过量负载（7 wt%）因团聚导致性能下降。
- 威布尔分析显示形状参数β在25–60之间，表明测量具有良好的可重复性。SEM图像确认了纳米颗粒在最佳负载量下的均匀分散，仅出现轻微局部团聚。
- 相对介电常数测量表明，麦克斯韦-加尼特模型与实验数据最吻合，用于估算中间浓度值。

**数据处理**
- PCHIP插值生成中间浓度（2、3.5、4.5、5.5、6、6.5 wt%）的BDS均值及标准差，并添加高斯噪声产生15个合成数据点。留一重构分析验证内部浓度点重构误差低于7.76%，确认插值可靠性。

**模型开发**
- 针对每种纳米填料的材料特定模型：Zn/Al-LDH最佳模型为AdaBoost（R²=0.867）；Mg/Al-LDH最佳为XGBoost（R²=0.942）；γ-Al₂O₃最佳为SVR（R²=0.959）；α-Al₂O₃最佳为AdaBoost（R²=0.949）。误差指标（MAE和RMSE）均处于物理可接受范围。
- SHAP分析表明，填料浓度是主导预测因子（贡献78–95%），复合材料介电常数贡献较小（5–22%），但在Mg/Al-LDH体系中相对重要（约22%）。SHAP依赖图显示非线性趋势：中等浓度（约3–5 wt%）提升BDS，过量浓度导致下降，与实验观察一致。

**模型验证**
- 使用最佳模型预测各体系的最佳浓度，并制备样品进行实验验证。预测误差低于5.2%，其中α-Al₂O₃预测最佳浓度约4.25 wt%，对应BDS约46.3 kV/mm，与实验值（46.8 kV/mm）高度吻合。

**跨材料模型**
- 通过将固有填料介电常数作为物理描述符，开发跨材料模型，统一训练所有数据。支持向量回归器（SVR）表现最佳，R²=0.919，预测误差低于6%（1.55–5.79%），表明模型具有良好的可迁移性和泛化能力。

**讨论与结论**
讨论部分指出，该框架在有限实验数据下实现了高精度预测，但存在局限性：未纳入微观结构描述符（如粒径、比表面积、分散特征）；插值假设可能不适用于具有突跃渗流行为的体系；麦克斯韦-加尼特模型在更高浓度或强粒子相互作用下可能需替代模型；跨材料模型尚未在独立纳米填料家族中验证。尽管如此，该框架提供了一种可扩展的低数据优化工作流，为未来描述符丰富和外部验证的机器学习模型奠定了基础。研究结论总结如下：
1. 纳米填料显著提升环氧介电强度，最佳负载量约5 wt%，α-Al₂O₃和γ-Al₂O₃分别提升约56%和47%，LDH体系提升约25%。
2. PCHIP数据增强策略成功扩展数据集，内部插值点重构误差低于7.76%。
3. 材料特定机器学习模型实现高预测性能，R²值在0.867–0.961之间，且MAE/RMSE低。
4. 特征重要性和SHAP分析显示填料浓度是主导因素，复合材料介电常数提供次要但物理有意义的贡献。
5. 在ML预测的最佳浓度下进行实验验证，预测误差低于5.2%，确认模型准确捕捉介电击穿行为。
6. 跨材料物理信息模型通过固有填料介电常数实现统一预测，R²=0.919，预测误差低于6%，展现出强可扩展性和跨材料预测能力。
该框架为优化环氧纳米复合材料绝缘体系提供了一种鲁棒且可扩展的数据驱动方法，显著减少实验工作量，并有望用于需要高介电可靠性和精确击穿强度预测的先进GIS/GIL间隔材料设计。