基于三次样条插值与集成机器学习的CaCO?/PP复合材料弯曲性能小样本预测方法

《Scientific Reports》：Enhancing bending load prediction of CaCO?-filled polypropylene composites via data augmentation and ensemble machine learning

　　

摘要

预测碳酸钙（CaCO?）填充聚丙烯（PP）复合材料的力学性能对于其工业应用至关重要。然而，传统实验成本高且耗时长，导致数据量有限，在小样本条件下难以实现精确建模。本研究提出了一种基于机器学习的框架，利用有限的实验数据准确预测CaCO?填充PP复合材料的弯曲性能。为实现这一目标，开发了一种集成的分析方法，结合正交实验设计、三次样条插值和机器学习技术。首先，通过正交实验设计获取了32个样本的初始数据集。随后，应用三次样条插值方法将数据集扩展至63、125和249个样本。构建了三种机器学习模型——支持向量机（SVM）、随机森林（RF）和极端梯度提升（XGBoost），并使用网格搜索和五折交叉验证进行优化。结果表明，数据增强显著提高了模型的预测性能。其中，在249个样本数据集上训练并优化的XGBoost模型表现最佳，其决定系数（R²）为0.8061，且均方误差（MSE）最低。此外，相关性分析揭示，粒径分布是影响复合材料弯曲载荷的最关键因素。总体而言，本研究提出了一种基于三次样条插值和集成机器学习方法的综合框架，为小样本条件下估算聚合物复合材料的力学性能提供了一种可行的途径。