
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于机器学习的设计形状记忆复合材料:在PVDF/SMPU/BTO体系中平衡压电性能与机械恢复能力
《Scientific Reports》:Machine learning–guided design of shape memory composite: balancing piezoelectricity and mechanical recovery in PVDF/SMPU/BTO
【字体: 大 中 小 】 时间:2026年08月30日 来源:Scientific Reports 4.9
编辑推荐:
摘要基于聚偏二氟乙烯(PVDF)的多功能复合材料能够在同时实现压电能量收集和形状记忆特性的前提下,成为下一代柔性电子设备、软体机器人和可穿戴系统的理想材料。本研究采用了一种数据驱动的设计方法,结合了田口L27实验设计和机器学习(ML)技术,对PVDF/形状记忆聚氨酯(SMPU)/
基于聚偏二氟乙烯(PVDF)的多功能复合材料能够在同时实现压电能量收集和形状记忆特性的前提下,成为下一代柔性电子设备、软体机器人和可穿戴系统的理想材料。本研究采用了一种数据驱动的设计方法,结合了田口L27实验设计和机器学习(ML)技术,对PVDF/形状记忆聚氨酯(SMPU)/钛酸钡(BTO)纳米复合材料进行了优化。结构表征显示,钛酸钡(BTO)能够促进β相的成核并提高材料的结晶度,而形状记忆聚氨酯(SMPU)则提升了材料的柔韧性和弹性恢复能力。富含SMPU的复合材料表现出优异的形状恢复性能(>90%),而富含PVDF和BTO的复合材料则能够产生较高的压电输出电压(高达12伏特),这揭示了在驱动性能与能量收集能力之间的权衡。经过优化的复合材料配方(85% PVDF、5% SMPU、10% BTO)在保持多功能性的同时,其拉伸强度达到了21兆帕。通过机器学习模型建立了材料结构与性能之间的关联关系,其中形状恢复性能的预测r2值为0.81,输出电压的预测r2值为0.75(采用留一法交叉验证LOOCV)。梯度提升算法在形状恢复性能的预测上显示出更高的准确率(r2=0.96),而岭回归方法则能提供更稳定的电压预测结果。特征重要性分析表明,SMPU是影响材料形状恢复的主要因素,而PVDF的含量及β相的多少则决定了材料的压电响应特性。本研究展示了一种集实验设计与机器学习于一体的方法框架,用于优化多功能聚合物复合材料,以应用于先进的柔性设备领域。