基于机器学习模型预测聚合物表面空化气泡溃灭冲击载荷研究

《Micromachines》：Predicting Impact Loads on Polymer Materials from Laser-Induced Cavitation Bubble Collapse Using Random Forest Regression

　　

摘要

空化气泡溃灭产生的冲击载荷可引发表面损伤并加速液压及流体输送系统中材料的劣化。预测这些载荷仍然具有挑战性，因为溃灭响应取决于气泡动力学、离墙距离以及聚合物的力学、声学和黏弹性性质之间的非线性相互作用。本研究开发了机器学习回归模型，用于预测激光诱导单气泡溃灭在聚乙烯、聚四氟乙烯（PTFE）、聚酰胺和防静电聚对苯二甲酸乙二醇酯（防静电PET）上产生的冲击载荷。实验采用脉冲 Nd:YAG 激光器，能量分别为 12.5、25 和 50 毫焦，归一化离墙距离为 1–5，共获得 180 组测量数据。冲击载荷通过力校准的 PVDF 传感器测量，并使用各材料专用的校准方程。气泡半径由高速成像获取，而溃灭时间则由 PVDF 电压-时间响应确定。采用十三个输入变量训练线性、岭、LASSO、多层感知机和随机森林回归模型，并结合贝叶斯优化和分组五折交叉验证。随机森林回归表现最佳，其预测误差分别为 8.79%、9.52%、10.37% 和 11.45%（对应不同材料）。SHAP 分析确定溃灭时间、声阻抗和损耗模量为主要预测因子。因此，该模型适用于在已测实验域内进行趋势预测。