电磁波 (EMWs) 是由电场和磁场的交替变化产生的能量传输形式，广泛应用于人造卫星、军用雷达和移动通信设备等领域[1], [2], [3]。然而，电磁波的广泛应用引发了电磁辐射污染，干扰电子设备的正常运行，并可能导致头痛和失眠等健康问题[4], [5], [6]。为了有效解决电磁污染问题，开发了 EMI 屏蔽材料。虽然传统金属基屏蔽材料具有出色的电导率，但其实际部署受到固有缺点的限制，包括高质密度、耐腐蚀性差、柔韧性有限以及加工要求复杂[7], [8]。此外，由于其电磁波反射特性，这些材料容易引起二次污染[9], [10]。相比之下，导电聚合物复合材料 (CPCs) 以其轻质、耐腐蚀、高加工性和性能可调等优势，成为新一代屏蔽材料的理想选择[11], [12], [13], [14]。得益于其优异的机械性能、易加工性和低成本，聚丙烯 (PP) 和聚乙烯 (PE) 已成为电磁屏蔽领域的热门选择[15]。通过掺入碳纤维、石墨烯或碳纳米管等导电填料，CPCs 的屏蔽效能可增强至超过 30 dB[16], [17]。然而，高填料含量往往导致材料柔韧性降低和成本增加等问题[18]。因此，开发主要依赖吸收机制、结合低反射性与高吸收效能的轻质屏蔽材料已成为当前研究重点[19], [20]。
目前，EMI 屏蔽复合材料的发展主要依赖于经验驱动的试错过程，需要大量的重复实验来验证材料成分优化和结构设计参数等关键因素。这种材料设计方法缺乏系统的理论指导，显著增加了研发周期和经济成本[21], [22], [23]。为了克服这一瓶颈，数值方法已被应用于预测屏蔽效能。例如，Tunakova 等人采用基于麦克斯韦方程组和传输线理论的数值模拟方法预测碳纤维增强环氧复合材料的电磁屏蔽效能，揭示了纤维取向和层叠模式对屏蔽效能的非线性效应[24]。在此基础上，Munalli 等人建立了层状碳纤维/环氧复合材料的多尺度有限元模型，该模型考虑了层间接触电阻，系统分析了厚度、电导率和各向异性对 SET 的贡献权重[25]。Prakhar Dubey 等人进一步利用 Ansys HFSS 中的有限元电磁求解器，系统研究了碳纳米管含量、厚度和填料几何形状 (球形、棒状和片状) 对导电聚合物纳米复合材料 X 波段电磁干扰屏蔽效能的影响，指出形状各向异性是触发界面极化弛豫和多重反射损耗的关键因素[26]。此外，Rajnish 等人采用数值模拟与实验分析结合的策略，重点关注碳纳米管 - 聚吡咯 (CNT-PPy) 纳米复合材料在 C 波段的电磁干扰屏蔽机理。他们发现了导电网络密度与界面极化损耗之间的协同增强效应，进一步验证了模拟结果与实测屏蔽效能之间的一致性[27]。然而，这些数值方法存在高计算复杂度和难以实现快速响应等局限性。
近年来，机器学习 (ML) 技术为预测材料性能提供了一种新的数据驱动范式[28]。与传统的试错方法和有限元模拟不同，机器学习可以自动从多源异构数据（包括材料成分、微观结构特征和加工参数）中学习和构建高维非线性映射关系，有效克服了传统研究依赖经验公式和物理模型的瓶颈[29], [30], [31]。对于预测复合材料性能的任务，可以使用多种数据驱动模型来实现机械性能、热导率、电磁干扰屏蔽性能、摩擦学特性和电性能的高精度预测。这些模型包括监督学习方法 (随机森林、支持向量回归、梯度提升)、深度学习网络 (卷积神经网络、图神经网络) 以及各种集成学习策略[32], [33], [34], [35], [36]。其中，基于 SHAP 分数和 PDP 的特征重要性分析已成为揭示物理机理的重要工具。此外，机器学习的应用已从单性质预测扩展到新材料虚拟筛选、微观结构逆向设计、多物理场耦合应力分析和成分梯度多目标优化等前沿领域[37], [38], [39], [40]。然而，目前缺乏对聚烯烃基复合材料 SEA 值预测的系统性研究。
基于这一研究背景，本研究从已发表的文献中提取了 265 组聚烯烃复合材料在 X 波段 (8.2-12.4 GHz) 的 SEA 值实验数据，并采用包括随机森林和 CatBoost 在内的六个机器学习模型预测其 SEA 值。通过比较模型精度 (R2) 和泛化能力，选择了最佳预测算法。结合逐列删除特征重要性分析和 PDP，本研究系统揭示了填料负载量、样品厚度和填料类型等参数对屏蔽吸收效能的独立效应和协同调控机制。此外，基于优化机器学习模型的预测结果，本研究制备了具有分相结构的 CNT-COOH/PE 复合材料以及使用超临界二氧化碳发泡方法生产的 CF/PE 泡沫；实验结果验证了模型的可行性。通过整合机器学习驱动的性能预测、机理分析和结构设计，本研究为聚烯烃基电磁屏蔽吸收材料的智能开发提供了一条可推广的技术路径。
