拉伸测试参数对Poulsenia Armata纤维布力学性能的影响：实验分析与机器学习建模

《Next Materials》：Effect of tensile testing parameters on the mechanical performance of Poulsenia Armata fiber cloth: Experimental analysis and machine learning modeling

　　

本研究探讨了拉伸测试参数对Poulsenia Armata纤维布（PAFC）力学响应的影响，PAFC是一种源自厄瓜多尔亚马逊的新型木质纤维素材料。研究人员采用Taguchi L9实验设计，系统评估了标距长度（25–75 mm）和十字头速度（2.5–10 mm/min）对极限拉伸强度（UTS）、拉伸模量和断裂伸长率的影响。微观结构分析揭示了具有固有缺陷的层级纤维结构，这些缺陷控制损伤萌生并促进渐进失效机制，如微原纤脱粘、拔出和原纤化。PAFC的拉伸行为受缺陷控制的尺寸效应与应变率依赖的粘弹性之间耦合相互作用主导。增加标距长度使UTS降低高达28%，断裂伸长率降低高达55%；而增加十字头速度由于抑制微原纤松弛和提高载荷传递效率，使拉伸强度和模量分别提高高达43%和23%。统计分析确认两个参数均显著（p < 0.05），其中标距长度起主导作用。研究人员开发了一系列机器学习回归模型，包括随机森林、高斯过程、K近邻和多层感知器，用于预测拉伸强度。经过超参数优化后，随机森林和高斯过程回归取得了最佳预测性能，在测试集上达到R²值为0.863，并在交叉验证中保持稳健表现。实验设计、微观结构表征和机器学习的集成建立了一个稳健的框架，用于理解、预测和优化天然纤维系统的力学性能，突出了测试参数标准化对可靠材料表征的关键重要性。

**论文解读：拉伸测试参数对Poulsenia Armata纤维布力学性能的影响：实验分析与机器学习建模**

**研究背景与问题**
天然木质纤维素纤维（NLFs）因其可再生性、低成本和可接受的力学性能，在复合材料增强领域受到广泛关注。然而，现有研究多集中于纤维提取、化学表征或复合材料制备，而对拉伸测试参数（如标距长度和十字头速度）如何影响测量力学响应的问题探索不足。Poulsenia Armata纤维布（PAFC）是一种源自厄瓜多尔亚马逊的新型树皮纤维布，具有高纤维素含量（58%）和高结晶度（约70%），但其力学性能对测试条件的敏感性尚不明确。由于PAFC具有层级纤维结构和异质性，实测拉伸性能可能高度依赖于测试参数。因此，亟需系统研究标距长度（GL）和十字头速度（CS）的影响，以建立可靠的表征程序，并为PAFC增强复合材料的开发提供基础。此外，现有预测框架在天然纤维系统中仍较匮乏，机器学习（ML）方法可望弥补这一空白。本研究整合了实验设计、微观结构表征和机器学习，旨在理解、预测并优化PAFC的力学性能，论文发表在《Next Materials》。

**主要技术方法概述**
研究人员采用Taguchi L9正交实验设计，系统评估了两个因子（标距长度：25–75 mm，十字头速度：2.5–10 mm/min）对PAFC力学性能的影响。样本来自厄瓜多尔奥雷亚纳的当地采集者。主要方法包括：扫描电子显微镜（SEM）进行微观结构和断口形貌分析；统计学ANOVA分析识别因子显著性及贡献率；线性回归建立经验模型。此外，利用LazyPredict进行初始模型筛选，选取四种机器学习回归算法（K近邻、随机森林、高斯过程回归、多层感知器），通过GridSearchCV进行超参数优化，并采用5折交叉验证和留一交叉验证（LOOCV）评估模型稳定性。

**研究结果**
**3.1 微观结构分析**
通过SEM观察，PAFC呈现高度取向的微原纤层级结构，表面存在空隙、腔体和微孔等固有缺陷。这些缺陷是应力集中源，控制损伤萌生。粗糙表面有利于与聚合物基体的机械互锁，但缺陷也可能促进裂纹扩展。

**3.2 拉伸响应**
在标距长度25 mm、十字头速度2.5 mm/min时，PAFC的UTS为21.83 MPa，模量为98.43 MPa，断裂伸长率为35.29%。增加十字头速度使UTS和模量分别提高高达43.6%和23.1%，而断裂伸长率降低。增加标距长度使UTS下降高达28.4%，模量增加（受系统柔度和变形效应影响），断裂伸长率降低高达55.3%。UTS与应变率呈正相关，体现粘弹性材料的应变率敏感性。

**3.3 断口表面分析**
SEM显示断裂模式为纤维拔出、原纤化、微原纤脱粘及渐进式束状断裂。高倍观察揭示微原纤分层和粗糙断口，表明裂纹沿原纤界面扩展，能量通过摩擦滑动耗散。缺陷作为裂纹萌生点，支持标距长度增加导致强度降低的“最弱链”解释。高十字头速度下，由于时间不足，原纤间滑动被抑制，荷载传递更高效，强度更高。

**3.4 统计分析**
ANOVA结果表明，标距长度和十字头速度对UTS均有显著影响（p < 0.05），其中标距长度贡献了55.8%的变异，十字头速度贡献26.9%。线性回归模型为：UTS = 26.462 ? 0.1914 GL + 0.8368 CS，R2约0.80，表明GL负系数和CS正系数符合物理机制，但线性模型未能完全捕捉非线性关系。

**3.5 机器学习预测**
通过LazyPredict筛选，随机森林（RFR）和高斯过程回归（GPR）表现最佳。经超参数优化，RFR和GPR在测试集上R2均达0.863，5折交叉验证中R2约0.80，LOOCV中R2约0.847。多层感知器（MLP）在LOOCV中R2达0.850，但跨验证策略稳定性稍差。机器学习模型优于线性回归，能捕捉非线性交互作用。

**讨论与结论总结**
讨论部分强调，PAFC的力学行为由缺陷控制的尺寸效应和应变率依赖的粘弹性共同主导。断口分析支持渐进失效机制，证明界面脱粘和原纤化是能量耗散的关键。统计分析和机器学习模型共同验证了测试参数的显著影响，其中机器学习提供了更精确的预测能力。研究结论如下：
- PAFC的拉伸响应受缺陷控制的尺寸效应与应变率依赖的粘弹性协同作用主导。增加标距长度因缺陷概率增加而降低拉伸强度和断裂伸长率，符合“最弱链”行为。
- 增加十字头速度提高拉伸强度（高达43%）和模量，同时降低延展性，反映抑制了时间依赖的变形机制（如微原纤滑动和基体松弛）。
- 统计分析（ANOVA）确认标距长度和十字头速度均为显著因素（p < 0.05），其中标距长度对拉伸强度起主导影响。
- 断口分析揭示失效由渐进式微原纤脱粘、拔出和原纤化主导，突出了界面相互作用和层级结构在能量耗散中的作用。
- 机器学习模型成功捕捉了拉伸参数与强度之间的关系。超参数优化后，随机森林和高斯过程回归在准确性和鲁棒性间取得最佳平衡，而神经网络对数据划分更敏感。