基于微观结构的卷积神经网络预测含木质素聚氨酯硬质泡沫的力学性能

《Polymers》：Predicting Mechanical Properties of Lignin-Containing Polyurethane Rigid Foams from Microstructure Using Convolutional Neural Networks

　　

传统硬质泡沫的生物基替代品因其可持续性增强和具有竞争力的性能，已被证明是良好的替代物。然而，由于其制造过程复杂且破坏性测试往往不可行，本研究探讨了能否利用机器学习方法将含木质素硬质聚氨酯（PU）泡沫的微观结构特征与其力学性能关联起来。研究人员研究了多种类型和不同比例的木质素基多元醇作为多元醇的部分替代物，包括LHO、DCA、DCA-D、LHO-O、硫酸盐木质素（Kraft lignin，KL）和LHO-MD，多元醇替代水平为12.5%至50%，并包含一种对照配方。使用扫描电子显微镜（SEM）图像和对应的力学压缩数据，训练了一个定制的先进双头卷积神经网络（CNN），专门用于预测密度、比压缩模量、比屈服应力和比压缩强度。该CNN采用加权多输出损失函数进行优化，取得了很强的预测性能，R²值在0.850至0.91之间，相关系数高于0.92，平均绝对百分比误差保持在约9%以下。这证明了所训练网络具备预测和捕捉控制承载响应的形态特征的能力。另一方面，Grad-CAM可视化显示，该网络将其预测聚焦于具有物理意义的微观结构区域，如胞壁和支柱结点，从而证实所提出的网络可被归类为一个可解释、无损且数据驱动的框架，用于预测和理解生物基PU泡沫的力学行为，进而减少耗时的制造和破坏性测试带来的不便。

**研究背景与问题**

绝缘、力学韧性和轻质是交通运输和建筑等工业领域的关键材料性能，聚氨酯（PU）硬质泡沫具备这些特性。但传统PU泡沫由石油基多元醇和聚异氰酸酯制造，存在环境和可持续性问题。木质素是最丰富的生物基聚合物，可作为多元醇部分替代PU配方中的多元醇；然而，木质素的异质性和有限反应性会显著影响泡沫的形态和力学响应。泡沫微观结构，特别是泡孔尺寸、分布和形状，决定其压缩强度、模量和密度等力学性能。传统破坏性力学测试制样繁琐、耗时。近年人工智能图像预测方法已在多孔泡沫状材料中取得进展，但对木质素改性PU硬质泡沫的研究仍较少。已有工作如Hage等人用神经网络对木质素基PU泡沫进行分类，而本研究则首次将微观图像与定量多输出回归框架结合，直接预测密度、比压缩模量、比屈服应力和比压缩强度，并验证模型的可解释性。

**研究内容与结论**

研究人员基于Quinsaat等人先前实验产生的107张SEM图像和相应力学压缩数据，设计了一种共享骨干、双输出头的卷积神经网络（CNN）：一个输出头独立预测密度，另一个输出头联合预测相互关联的比压缩模量、比屈服应力和比压缩强度。模型采用加权多输出损失、数据增强、自适应多阶段训练和Grad-CAM解释。结果表明，模型对四个目标均具有良好预测能力，R²为0.850至0.91，皮尔逊相关系数高于0.92，平均绝对百分比误差（MAPE）低于9.12%；Grad-CAM显示网络关注胞壁、支柱和结点等承载结构，具备物理可解释性。该研究提供了一种快速、无损、可解释的人工智能框架，替代传统破坏性测试，为可持续生物基PU泡沫的设计与优化提供了数据驱动途径。

**主要关键技术方法**

数据来自Quinsaat等人先前报道的实验：木质素改性PU硬质泡沫，含聚合MDI（pMDI）、山梨醇/蔗糖基聚醚多元醇等，木质素基多元醇（LHO、KL、DCA、DCA-D、LHO-O、LHO-MD）替代0–50 wt%多元醇，NCO/OH摩尔比固定为1.3；压缩测试依据ASTM D1621-10标准，SEM图像在40×放大下采集，共107张。方法包括：图像缩放至240×320×3并归一化；Z-score标准化标签；按40%/30%/30%划分训练、测试、验证集；训练集施加小角度旋转、亚像素平移和±3%缩放增强；构建共享CNN骨干（3个卷积阶段、批归一化、LeakyReLU、最大池化、全局平均池化、全连接层）后分支为密度头与力学性能头；采用加权多输出损失、SGDM/AdamW优化、梯度裁剪、早停、自适应任务加权；利用Grad-CAM进行特征归因可视化。

**研究结果**

**4.1 定量评价指标**

为评估模型表现，研究人员计算了决定系数R²、平均绝对百分比误差（MAPE）和皮尔逊相关系数r，并重复五次完整训练-评估以报告均值±标准差。结果显示，训练集R²为0.861–0.904，验证集为0.808–0.968，测试集为0.850–0.950；测试集r为0.922–0.975，平均MAPE为6.90%–12.65%。在四个目标中，压缩强度预测最准确（R²=0.914，MAPE=6.16%，r=0.956），压缩模量次之（R²=0.897，MAPE=8.74%，r=0.947），屈服应力（R²=0.888，MAPE=9.13%，r=0.943）和密度（R²=0.851，MAPE=5.57%，r=0.922）也表现出较强一致性。预测值与真值散点图显示两者高度吻合，说明模型具备强泛化能力和低偏差。

**4.2 基于Grad-CAM的模型可解释性与稳健性分析**

**4.2.1 利用Grad-CAM实现孔形态可视化与特征归因**

研究人员将Grad-CAM分别应用于密度头和力学性能头，生成热力图以显示影响预测的微观结构区域。结果显示，高激活区域始终沿胞壁、支柱和结点分布，而孔洞内部保持不激活，说明网络聚焦于多孔结构的承载骨架。密度头的激活集中在较厚支柱和较低孔隙区域；力学性能头的激活范围更广，涉及相互