《Next Materials》：Integrated experimental, GA-ANN, and TOPSIS framework for optimizing mechanical and barrier properties of bio-modified PLA/wheat gluten film
编辑推荐：
聚乳酸（PLA）/小麦面筋（PGW）薄膜是一种有前景的可持续包装材料，但质地脆韧。本研究首次在同一PLA/WG体系中对合成改性剂（乙酸）和天然生物活性改性剂（迷迭香精油，REO）进行了直接比较，并通过基准测试五种回归模型采用留一交叉验证（LOOCV），建立了针
聚乳酸（PLA）/小麦面筋（PGW）薄膜是一种有前景的可持续包装材料，但质地脆韧。本研究首次在同一PLA/WG体系中对合成改性剂（乙酸）和天然生物活性改性剂（迷迭香精油，REO）进行了直接比较，并通过基准测试五种回归模型采用留一交叉验证（LOOCV），建立了针对小数据集配方优化且经严格验证的机器学习框架，该方法非常适合早期生物材料筛选阶段典型的有限配方数量（N=6）。验证结果表明，简单模型（线性回归、支持向量回归）的泛化可靠性远高于整体方法（随机森林、梯度提升、XGBoost），后者尽管样本内表现良好却倾向于过拟合。针对REO改性拉伸强度的最优拟合模型为线性回归（R2=0.978），而针对乙酸改性性能的最佳泛化模型为支持向量回归（R2=0.81–0.87）。然而，在当前样本量下，断裂伸长率和WVTR均无法对任一改性剂获得可靠预测。使用TOPSIS进行的多准则排序显示，3%REO为最优配方。综上，这些结果提供了两种改性剂化学机理的比较，以及在真实小数据条件下基于机器学习的可靠配方筛选的验证方法。
**论文解读：基于集成实验、GA-ANN与TOPSIS框架的PLA/小麦面筋膜力学与阻隔性能优化研究**
**一、研究背景与现存问题**
塑料在现代生活中无处不在，但其石油基来源、不可再生性以及极慢的降解速度造成了严峻的环境污染和废弃物管理挑战。为此，各国政府相继出台限塑政策，加速了可生物降解聚合物的研究与应用。聚乳酸（Polylactic acid, PLA）作为最具商业化的生物基聚合物之一，具备可工业堆肥降解、生物相容性好和力学性能稳健等优点，但其固有的脆性、断裂伸长率低等问题限制了其在高柔性、高耐久性包装领域的应用。为改善PLA性能，现有研究多聚焦于与聚己内酯（PCL）、聚羟基脂肪酸酯（PHA）、聚己二酸-对苯二甲酸丁二醇酯（PBAT）等聚合物共混，而对PLA与小麦面筋蛋白（Wheat gluten, WG）这类天然蛋白质聚合物的共混体系研究相对匮乏，两者界面相互作用机制尚不完全清晰。在配方优化层面，传统试错法效率低、成本高，已构成生物降解薄膜从实验室走向商业化的瓶颈。尽管已有将遗传算法（GA）、响应面法（RSM）、人工神经网络（ANN）等单一或混合智能算法用于聚合物加工优化的报道，但尚无研究针对同时含化学改性和生物活性添加剂的PLA/WG复合体系系统比较多种机器学习（Machine Learning, ML）方法的预测与泛化能力；此外，现有优化工作大多仅关注力学性能而忽视了阻隔性能。因此，亟需建立一种经过验证的、能够同时预测和优化力学与阻隔性能的数据驱动框架，以加速材料开发并提高最终产品在实际条件下的性能可靠性。
**二、研究开展的工作与主要结论**
针对上述问题，研究人员在该论文中首次将合成改性剂（乙酸）与天然生物活性改性剂（迷迭香精油，REO）置于同一PLA/WG体系中进行直接对比研究。研究人员采用溶剂浇铸法制备了含两种改性剂各五个浓度水平（1–5% w/w）的薄膜，并系统表征了其力学性能、微观结构和水蒸气透过率（Water vapor transmission rate, WVTR）。同时，研究构建了包含线性回归（LR）、支持向量回归（SVR）、随机森林（RF）、梯度提升（GB）和XGBoost五种回归模型的机器学习框架，并采用留一交叉验证（LOOCV）在小样本条件（N=6）下进行严格评估。进一步地，研究结合Pearson相关性分析与多准则决策方法TOPSIS（Technique for Order of Preference by Similarity to Ideal Solution），对薄膜的力学与阻隔性能进行了综合优化排序。结论表明，乙酸通过增强界面相互作用提升了拉伸强度但牺牲了断裂伸长率；REO则在低中等浓度下同时改善了拉伸强度与断裂伸长率，呈现非单调趋势，且3%REO配方为综合性能最佳配方。简单模型（LR和SVR）在真实留出验证下比集成方法（RF、GB、XGBoost）具有更可靠的泛化能力。该研究提供了一种在真实小数据条件下可迁移、可靠的基于机器学习的配方筛选框架，具有重要的方法论意义。该论文发表在《Next Materials》。
**三、关键技术方法**
研究人员主要应用了以下关键技术方法：（1）薄膜制备采用溶剂浇铸法（solvent casting）；（2）力学性能测试采用万能试验机（UTM）依据ASTM标准方法进行；（3）微观结构表征采用扫描电子显微镜（SEM）；（4）水蒸气阻隔性能测试依据ASTM E96/E96M标准采用干燥剂法测定WVTR；（5）机器学习建模基于Python语言及相关库（Scikit-learn、XGBoost），对LR、SVR、RF、GB和XGBoost五种模型进行LOOCV评估；（6）多准则优化采用TOPSIS方法。原料包括PLA、小麦面筋、甘油、乙酸及迷迭香精油，均购自印度Himedia Labs和Sigma-Aldrich Chemicals公司。
**四、研究结果**
**4.1 机械强度**：通过万能试验机测试发现，乙酸改性膜（PGWA）的拉伸强度从对照组的11.63±0.09 MPa升至4%浓度时的最大值15.61±0.07 MPa，但断裂伸长率随浓度增加持续下降；REO改性膜（PGWR）的拉伸强度在4%时达最高值，断裂伸长率在2–3%中等浓度下显著提升但高浓度时下降。ANOVA分析确认两种改性剂浓度对力学性能有显著影响（p<10??），且乙酸对拉伸强度影响更显著，REO对断裂伸长率影响更显著。
**4.2 微观研究**：SEM观察显示，两种改性剂均使膜表面更致密均一。乙酸改性膜表面略粗糙但孔隙更少更小，表明PLA分散更均匀且界面相容性提高；REO改性膜表面微孔尺寸和分布有明显变化，归因于溶剂蒸发和相分离过程中的热力学与动力学因素。图4揭示了两种改性剂在分子水平的不同作用机理。
**4.3 水蒸气透过率**：WVTR测试显示，PGWA膜随乙酸含量增加先升至3%时的210.20 g·m?2·day?1后下降，呈非线性响应；PGWR膜WVTR呈“升-降-升”非单调变化，在3%REO时达最小值160.37 g·m?2·day?1。两者机理不同：乙酸通过氢键驱动的化学介导机制改变WVTR，REO则在固有疏水阻隔贡献与分散引入的自由体积/微观结构不连续性之间形成物理权衡。
**4.4 机器学习**：
**4.4.1 乙酸**：通过LOOCV比较五种模型，SVR对三种响应变量的泛化能力最强（拉伸强度R2=0.87，断裂伸长率R2=0.81，WVTR R2=0.65），LR、RF、GB和XGBoost均表现欠佳，表明在N=6时过于灵活的模型易过拟合训练折而不提升留出精度。
**4.4.2 迷迭香**：LR对REO改性拉伸强度的LOOCV R2高达0.978，为全研究中最佳。但五种模型对REO改性的断裂伸长率和WVTR均获得负的LOOCV R2值（均不如常数均值预测器），反映出这些性质的非单调趋势难以从仅6个数据点解析。
**4.4.3 模型性能总结与讨论**：SVR在六种情况中的五种达到最佳或近最佳性能；REO改性拉伸强度可由LR近乎完美建模。集成方法在所有情况下均过拟合。这些发现与其它小数据集材料信息学研究一致，表明模型复杂度的提升不一定转化为可靠的未知数据预测能力。
**五、讨论与结论**
Pearson相关性热图显示，拉伸强度与乙酸（r=0.87）和REO含量（r=0.77）强正相关，REO含量与断裂伸长率中度相关（r=0.58），而WVTR与各变量相关性总体较弱。TOPSIS分析表明，REO改性膜的整体表现优于乙酸改性膜，其中3%REO配方以最高贴近系数（C=0.9041）被评为综合性能最优。
研究结论指出：乙酸通过改善界面相互作用逐步提升拉伸强度，但以降低断裂伸长率为代价，属于典型的刚度-柔韧性权衡；REO在低中等浓度下保留拉伸强度的同时显著改善断裂伸长率，呈现不同于乙酸系列的的非单调趋势。通过LOOCV对五种回归模型的基准测试发现，预测可靠性取决于浓度-性能关系的形状而非模型复杂度；SVR对乙酸系列所有三种性质的泛化最佳，线性回归对REO拉伸强度拟合优秀（R2=0.978），但RF、GB和XGBoost等集成和提升方法在两种系列中均出现过拟合。受限于当前数据集分辨率，断裂伸长率和WVTR（尤其是REO系列）尚无法被任何模型可靠预测。TOPSIS多准则排序确定了3%REO配方为最佳配方。这些结果为两种改性剂的化学机理提供了比较，并建立了一个可迁移的、对可靠与不可靠预测具有判别能力的配方筛选框架，这对负责任的基于机器学习的材料设计至关重要。未来工作需扩展每个改性剂系列的配方数量，尤其在中间浓度增加配方点，以更好解析非单调趋势，并探索乙酸与REO联合使用的潜在协同效应。
