含Al2O3、ZnO和PTFE的环氧复合材料摩擦技术特性神经网络研究

《SPE Polymers》：Investigation of Tribotechnical Characteristics of Epoxy Composites Containing Al2O3, ZnO, and PTFE Using Neural Networks

　　

摘要翻译：本文研究了环氧复合材料的磨损强度和摩擦系数对填料（氧化铝(Al₂O₃)、聚四氟乙烯(PTFE)和氧化锌(ZnO)）含量的依赖性。为处理摩擦技术特性结果，研究人员构建了结合Akima和样条插值方法的神经网络模型，从而提高了实验数据处理的准确性。为生成实验数据集并用于后续神经网络应用，研究人员在直径24.5?mm的圆柱形对偶件往复运动条件下进行了摩擦学研究。测试在滑动速度0.125?m/s和压头载荷43?N下进行。实验期间摩擦区的温度未超过22°C–24°C，从而最小化了聚合物基体热降解对研究结果的影响。研究发现，ZnO和PTFE提供最低的磨损强度，I?=?3?×?10^?9，而Al₂O₃的I?=?15?×?10^?9。将PTFE和ZnO引入材料可显著降低摩擦系数。残差值分析证实了模型的高精度，残差值集中在零附近。研究揭示了Akima方法在详细分析局部偏差和复杂非线性依赖关系方面的有效性。样条方法更适合于数据平滑时处理较大偏差值。摩擦系数的残差值偏差，Akima方法在?0.002至0.002之间，样条方法在?0.001至0.001之间。这意味着在研究环氧复合材料的摩擦技术参数并使用神经网络时，研究人员能够显著提高数据的显著性，减少残差值并确保实验数据与预测数据之间的高度相关性。研究结果证实了所开发模型处理实验结果的可靠性，这将确保创造出性能改善的新材料。所提出的方法可应用于其他类复合材料的分析。

论文解读：

**研究背景与意义**

现代机械工程中，超过80%的部件涉及摩擦学组件，摩擦磨损导致零件表面破坏，造成巨大的能量和金属消耗。复合材料（CMs）特别是基于环氧树脂基体的聚合物复合材料，因其低密度、高耐腐蚀性、易成型以及可在不拆卸大型结构的情况下进行修复等优势，在摩擦部件中得到广泛应用。然而，环氧复合材料相较于金属合金承载能力较低，其主要的失效机制之一是长期摩擦作用下表面层的磨损。为提高耐磨性，常将高模量增强填料如氧化铝（Al₂O₃）和氧化锌（ZnO）引入环氧基体，这些填料可提高弹性模量、硬度和接触疲劳抗力，从而降低摩擦的机械分量。同时，聚四氟乙烯（PTFE）具有低表面能和形成转移膜的能力，可降低摩擦系数。目前研究多聚焦于最终耐磨性或摩擦系数，对往复运动工况下变形-机械摩擦分量的作用机制关注不足，且将摩擦学实验与神经网络分析结合以揭示隐藏非线性规律的研究有限。因此，本研究旨在开发一种综合方法，结合样条插值、Akima方法和人工智能技术，分析环氧复合材料在往复运动下的摩擦技术特性，探究增强填料对变形-机械摩擦分量的影响机制，为设计具有可预测性能的复合材料奠定基础。

**主要技术方法**

研究人员选用ED-20环氧二烷树脂（GOST 10587-76）为基体，聚乙烯多胺（TU 6-05-241-202-78）为固化剂，填料包括Al₂O₃（粒径63?μm）、ZnO（63?μm）和分散PTFE（100?μm）。试样通过自由浇铸成型，涂层厚度0.5–0.8?mm。摩擦学测试采用“圆柱-平面试样”配置，圆柱压头直径24.5?mm，在往复运动条件下进行，滑动速度0.125?m/s，载荷43?N，温度控制在22–24°C。采用水动力混合制备复合材料，部分试样真空处理去除气体。磨损强度按公式I = Δm/(LρS) × 10^?8计算，摩擦系数由摩擦力与法向载荷之比确定。数据处理采用样条插值和Akima方法，并构建多层感知器（MLP）神经网络，输入层4个神经元（温度、滑动速度、载荷、填料类型），两个隐藏层分别有32和16个神经元，输出层2个神经元（I和f_fr），训练集/验证集共40,000个插值数据点，采用误差平方和（SOS）损失函数和Adam优化算法。

**研究结果**

**磨损强度与摩擦系数的浓度依赖性**：实验表明，磨损强度随填充度增加先下降后上升，出现两个极小值。对于Al₂O₃，第一极小值在18–20 wt%处，第二极小值在80–120 wt%范围；对于ZnO，第一极小值在7–8 wt%，第二极小值在16–18 wt%。PTFE填充的复合材料磨损强度在低填充度时较低。摩擦系数与磨损强度曲线相关。研究人员通过分析弹性模量、交联密度和顺磁探针迁移率，证实Al₂O₃和ZnO的引入导致基体物理交联密度增加，形成更紧密的结构网络，从而提高了变形抗力和接触疲劳抗力。PTFE则通过形成转移膜降低剪切阻力。

**神经网络模型与插值方法对比**：针对不同填料，研究人员优化了网络架构。例如，对于Al₂O₃的磨损强度采用MLP 1-9-2（一个隐藏层9个神经元），激活函数为Tanh和Identity；对于PTFE采用MLP 1-9-2（Tanh和Logistic）；对于ZnO采用MLP 1-5-2（Logistic和Exponential）。摩擦系数模型也相应调整。Akima方法能更精确地反映局部变化和复杂非线性依赖，而样条方法则对数据平滑更有效。残差分析显示，Akima方法下摩擦系数残差在?0.002至0.002之间，样条方法在?0.001至0.001之间，表明两种方法均具有高精度。

**结论与意义**

研究表明，Al₂O₃和ZnO通过降低变形-机械摩擦分量提高了环氧复合材料的耐磨性，而PTFE通过形成转移膜提供正机械性能梯度。神经网络与插值方法的结合显著提高了实验数据处理精度，减少了残差值，确保了预测值与实验值的高度相关性。该研究为开发具有可预测性能的复合材料提供了科学依据，可应用于机床导轨表面、机器人操纵器、旋转机构等摩擦组件。

**讨论与结论翻译**：研究人员验证了初始假设，即增强填料通过改善基体变形特性降低摩擦机械分量，实验结果与物理理论一致。神经网络的有效性得到确认，高相关性表明数据处理的充分性。未来研究将聚焦于添加成膜添加剂以进一步提高耐磨性。总之，神经网络的应用显著提高了摩擦技术参数研究的显著性，所得依赖关系可用于开发可预测特性的复合材料。