《Composites and Advanced Materials》:Machine learning-driven design and mechanical performance evaluation of sustainable bamboo wood/LD sludge reinforced epoxy composites
编辑推荐:
本研究报道了混合填料,即竹木粉(Bamboo Wood Dust,BWD)和Linz-Donawitz污泥(Linz-Donawitz Sludge,LDS)对环氧基复合材料力学行为的协同效应。纯环氧树脂的密度为1.1 g/cc,且随着BWD和LDS的掺入而降
本研究报道了混合填料,即竹木粉(Bamboo Wood Dust,BWD)和Linz-Donawitz污泥(Linz-Donawitz Sludge,LDS)对环氧基复合材料力学行为的协同效应。纯环氧树脂的密度为1.1 g/cc,且随着BWD和LDS的掺入而降低。当BWD含量增加至6 wt.%时,复合材料的显微硬度、弯曲强度、拉伸强度和冲击强度显著提高。拉伸强度从纯环氧树脂(EP)的48.25 MPa增加到添加10 wt.% LDS和6 wt.% BWD的环氧树脂(EP-LD-6BWD)的59.18 MPa。同样,弯曲强度从EP的22.62 MPa增加到EP-LD-6BWD复合材料的27.27 MPa。复合材料在冲击载荷下的强度以及显微硬度也显著增加,分别从EP的12.32 kJ/m2和13.31 Hv提高到EP-LD-6BWD和EP-LD-8BWD复合材料的23.55 kJ/m2和22.23 Hv。此外,还采用了决策树(Decision Tree)、随机森林(Random Forest)和支持向量回归(Support Vector Regression,SVR)三种机器学习模型来分析和比较环氧基复合材料的密度、拉伸强度、弯曲强度、冲击强度和显微硬度性能。其中,SVR模型对拉伸强度和弯曲强度的预测效果最佳,R2值分别高达0.9238和0.9404,且预测误差小于1.5 MPa。
### 论文解读:机器学习驱动的竹木粉/LD污泥增强环氧复合材料
#### 1. 研究背景与问题
机器学习(ML)在材料科学中的应用为快速探索复合材料行为提供了新机遇,可最大限度减少实验或高成本计算模拟。然而,现有ML研究多集中于单一纤维体系且依赖较大数据集,在聚合物复合材料早期开发阶段,实验数据往往十分有限,ML方法如何在这一场景下发挥有效作用尚未得到充分研究。此外,将有机废弃物(如竹木粉,BWD)与工业副产物(如Linz-Donawitz污泥,LDS)作为混合填料制备环保型复合材料,并采用ML进行性能预测的研究仍属空白。为此,研究人员提出了一种结合实验表征与多种ML模型的系统方法,旨在仅凭极小数据集(n=5)识别影响力学性能的关键物理参数,为低成本、高效的复合材料配方筛选提供工具。
#### 2. 研究内容与意义
研究人员以环氧树脂为基体,固定LDS含量为10 wt.%,将BWD含量从0 wt.%递增至8 wt.%(间隔2 wt.%),通过手糊成型制备了五种复合材料(EP、EP-LD-2BWD、EP-LD-4BWD、EP-LD-6BWD、EP-LD-8BWD)。实验测试了密度、空隙率、拉伸强度、弯曲强度、冲击强度和显微硬度,并运用决策树(DT)、随机森林(RF)和支持向量回归(SVR)三种ML模型,以理论密度、实际密度和空隙率为输入特征,对力学性能进行预测和比较。该研究首次将双废物流填料混合体系、极小数据集(n=5)以及三种ML算法结合留一交叉验证(LOOCV)的系统比较相结合,为数据稀缺条件下复合材料早期开发提供了可操作的框架。
#### 3. 主要技术方法
研究人员采用手糊成型法制备复合材料,LDS来自印度Rourkela钢厂,BWD取自当地木工车间,填料经103 °C干燥4小时、BWD筛分至150 μm。按ASTM D638、D790、D256标准分别测试拉伸、弯曲和冲击强度,显微硬度采用显微硬度计测量。ML模型基于Python 3.9和scikit-learn库实现,使用MinMaxScaler进行特征归一化,采用LOOCV验证,评估指标包括MAE、MSE、RMSE和R
2。DT深度设为3,RF树数为100,SVR采用RBF核,C=100,γ=0.5,ε=0.1。
#### 4. 研究结果
**4.1 密度和空隙率**:EP的理论密度和实际密度分别为1.1 g/cc和1.099 g/cc,随着BWD和LDS的加入,实际密度逐渐降低至0.929 g/cc(EP-LD-8BWD),空隙率介于0.091%至0.911%之间,均低于1%,表明复合材料制备质量良好,填料分布较均匀。
**4.2 力学测试结果**:填料的加入显著提高了复合材料的拉伸、弯曲、冲击强度和显微硬度。与纯EP相比,EP-LD-6BWD的拉伸强度从48.25 MPa提高到59.18 MPa,弯曲强度从22.62 MPa提高到27.27 MPa,冲击强度从12.32 kJ/m
2提高到23.55 kJ/m
2,显微硬度从13.31 Hv提高到22.23 Hv(EP-LD-8BWD)。但BWD含量超过6 wt.%后,拉伸、弯曲和冲击强度出现轻微下降,这归因于填料团聚形成的应力集中。
**4.3 ML预测拉伸强度**:DT模型的R
2为0.6896,RF为0.4475,而SVR表现出最佳预测能力,R
2达到0.9238,预测误差小于1.5 MPa,能较好地捕捉拉伸强度随BWD含量先升后降的非线性趋势。
**4.4 ML预测弯曲强度**:DT、RF和SVR的R
2分别为0.7572、0.7938和0.9404,SVR的预测误差(MAE=0.2-0.4 MPa)明显小于树模型,准确识别出EP-LD-6BWD为最优配方。
**4.5 ML预测冲击强度**:DT的R
2为0.8379,RF约为0.88-0.92,SVR约为0.94-0.97。SVR精确预测了冲击强度从纯EP到EP-LD-6BWD的大幅提升(约91%增幅)及在EP-LD-8BWD的轻微回落。
**4.6 ML预测显微硬度**:DT、RF和SVR的R
2范围分别为0.75-0.82、0.88-0.93和0.94-0.97。SVR再次表现最佳,表明其能有效映射硬度随填料含量增加而单调上升的趋势。
**4.7 材料性能比较**:综合对比显示,EP-LD-6BWD在拉伸、弯曲和冲击强度方面均优于其他配方,证明6 wt.% BWD为最优添加量。
**4.8 密度比较**:所有复合材料的实际密度均略低于理论密度,证实存在少量工艺性空隙,但空隙率极低,未显著影响材料整体性。
**4.9 空隙率对材料性能的影响**:特征重要性分析表明,空隙率是三个模型中最主要的预测变量(DT占60-70%,RF占50-65%,SVR影响极强)。适中的空隙率(约0.626%)有利于增韧,而过高空隙率(0.911%)则因应力集中导致性能下降。
**4.10 复合材料性能排名**:采用归一化性能指数(%),EP-LD-6BWD得分约97.5%,排名最高;EP-LD-8BWD约95.0%;EP-LD-4BWD约90.0%;纯EP约82.5%。
**4.11 性能指数权重**:硬度、拉伸强度和弯曲强度可按应用需求加权(如硬度30%、拉伸40%、弯曲30%),以反映不同服役条件对材料性能的侧重。
**4.12 相关矩阵**:线性相关分析显示,空隙率与密度高度负相关(-0.98),拉伸、弯曲、冲击和硬度之间呈强正相关(0.96-0.99),表明力学性能具有一致性。
**4.13 描述性统计**:拉伸强度均值为54.164 MPa(标准差4.783 MPa),弯曲强度均值25.260 MPa(标准差1.918 MPa),冲击强度均值18.888 kJ/m
2(标准差4.781 kJ/m
2),显微硬度均值18.054 Hv(标准差3.816 Hv),数据分布反映了填料和空隙对性能的显著影响。
#### 5. 讨论与结论
讨论部分指出,空隙率作为所有ML模型中最重要的预测变量,其物理机制在于空隙在载荷下充当应力集中源,影响裂纹萌生和扩展,其作用常超过填料的直接增强效果。空隙率同时综合反映了填料分散质量、界面润湿性和粘附程度,因此是微观结构缺陷的有效表征指标。SVR凭借核技巧在高维特征空间中有效捕捉非线性关系,相较于需要离散分割的决策树类模型,更适用于小样本数据下的趋势识别。但需注意,R
2值是基于n=5数据的初步指标,不能视为广义预测精度的绝对证明。
研究结论为:本研究成功制备了以LDS和BWD为增强体的环保杂化环氧复合材料,填料协同作用显著提升力学性能。与纯环氧树脂相比,EP-LD-6BWD的拉伸强度提高约22.65%,冲击强度提高约91.15%,弯曲强度提高约20.56%。SVR模型对拉伸和弯曲强度的预测R
2分别达0.9238和0.9404,且预测误差低于1.5 MPa,优于决策树和随机森林。在所有模型中,空隙率是最主要的预测变量,占总特征重要性的55%-70%。SVR的核方法在小样本材料科学数据中展现出独特优势,是一种可靠的配方优化和数据驱动筛选工具。这些复合材料可用于轻型板材、外壳、防护罩等非主要承力部件,同时实现了废弃物资源化利用的可持续发展目标。