基于机器学习的预测及SHAP方法对苧麻/菠萝叶纤维/亚麻纤维增强乙烯基酯复合材料的力学性能解析

《Scientific Reports》：Machine learning-based prediction and SHAP interpretation of mechanical properties in Kenaf/PALF/flax reinforced vinyl ester hybrid composites

　　

摘要

由红麻、PALF纤维和亚麻纤维增强乙烯基酯制成的混合天然纤维复合材料是工程应用中的可持续替代材料，但这些复合材料的力学性能取决于纤维之间复杂的非线性相互作用，这使得传统的实验优化方法难以应用。本研究旨在系统比较并分析四种机器学习算法，即线性回归、岭回归、K近邻算法以及带有径向基函数核的支持向量回归，利用文献中记载的六种混合配方（HC1–HC6）的实验数据来预测其抗拉强度（67.51–73.67 MPa）、弯曲强度（157.06–187.31 MPa）、冲击强度（9–15 J/m2）以及硬度（82–93 Shore-D）。结果表明，支持向量回归模型在预测抗拉强度（R2 = 0.9975）、弯曲强度（R2 = 0.9978）、冲击强度（R2 = 0.9895）和硬度（R2 = 0.9454）方面表现最佳，而线性模型在预测冲击强度时效果很差（R2 = 0.03）。SHapley加性解释分析结果显示，这些复合材料的力学性能主要与混合纤维之间的相互作用有关，其中PALF与亚麻纤维的组合对抗拉强度和弯曲强度的影响最大（SHAP值分别为0.48–0.50和0.48–0.50），红麻与PALF的组合则对冲击强度和硬度有影响（SHAP值分别为0.38–0.40和0.95–1.00），而单个纤维的贡献相对较小（SHAP值小于0.16）。随后，该训练好的支持向量回归模型被用于预测五种未经训练的配方（HC7–HC11）的力学性能，显示出这种机器学习方法在初步材料筛选和配方优化方面的应用潜力。需要注意的是，这五种配方尚未经过实际实验验证，所给出的数值仅为估算值，可能不够准确。预测表明，如果纤维组合失衡，由于混合纤维间的协同作用减弱，其力学性能可能会下降。该框架具有快速、可解释且成本较低的特点，非常适合用于汽车和土木工程领域中可持续混合复合材料的初步筛选与设计。