随着电子设备功率密度的不断提高以及对能源效率需求的增长,有效散热在确保设备性能、稳定性和使用寿命方面变得至关重要[[1], [2], [3]]。因此,高导热复合材料的开发已成为材料科学和工程领域的研究热点,因为它们在散热和热管理中起着关键作用[[4], [5], [6]]。一些传统的导热材料,如金属或陶瓷,在提高导热性能方面取得了一定的进展。然而,它们通常存在密度高、轻量化特性不足、加工和成型困难以及设计灵活性有限等缺点,这限制了它们在高性能设备(如柔性电子产品)中的应用[[7], [8], [9], [10], [11]]。
值得注意的是,基于聚合物的导热复合材料因其低密度、优异的柔韧性、易于加工以及在组成和结构上的广泛可调性而受到越来越多的关注,使其成为下一代热管理材料的有希望的候选者[12,13]。通过各种加工技术,已将一系列导热填料引入聚合物基体中以提高导热系数(TC)[14]。其中,包括石墨烯、碳纳米管(CNT)及其多尺度混合物在内的碳基填料在聚合物基体内构建高效导热网络方面具有明显优势,这得益于它们本身的高导热性和与聚合物的优异界面相容性[15,16]。
传统上,导热复合材料的开发依赖于反复的实验测量和个人研究经验来优化配方和加工条件。这种试错策略通常耗时且劳动密集,并且受到实验可获取的材料组成和加工参数范围的限制。为了解决这些限制,已广泛应用分子动力学和密度泛函理论等数值模拟方法来计算热传输特性[[17], [18], [19], [20]]。然而,这些数值模拟方法通常受到高计算成本和模拟系统规模有限的限制,难以捕捉实际复合材料的复杂多尺度相互作用[21,22]。更关键的是,这两种主要依赖实验和模拟的方法无法有效探索由组成、界面工程和多尺度结构调节所定义的广阔设计空间。因此,筛选和优化高性能复合材料的效率受到严重限制,从而阻碍了材料开发的加速和突破。
在这种背景下,数据驱动的机器学习(ML)方法为材料预测和设计提供了新的范式[[23], [24], [25], [26]]。通过高效分析大型和异构数据集,ML可以快速预测材料性能并识别关键影响因素,从而显著降低研究成本和时间[27]。例如,Shi等人[28]使用集成学习优化了电磁屏蔽复合材料,实现了高预测准确性并识别了关键设计参数。此外,He等人[29]利用全连接神经网络(FCNN)预测电磁屏蔽效果,大幅减少了实验工作量。这些研究强调了ML在加速材料开发方面的潜力。Barua等人[30]利用自己实验室生成的数据和加权元素到化学性质特征构建了XGBoost模型,实现了掺杂SnSe块材料TC的高精度预测。尽管数据驱动方法在导热复合材料研究方面取得了进展,但仍存在几个关键挑战需要解决。首先,系统地分类和发现高导热性的碳基填料/聚合物复合材料配方仍然不足。其次,现有的集成和堆叠策略通常将多个高容量学习器结合在一起,而没有明确区分全局线性趋势和结构化非线性残差,这会导致对同一特征的重复建模和样本效率低下[31,32]。同时,缺乏可解释性进一步阻碍了特征-性能关系的阐明,并限制了为材料合成和工艺优化提供实际指导的能力[33,34]。
在本研究中,开发了一个基于ML模型的数据驱动框架,用于高效筛选高TC的碳基填料/聚合物复合材料,从而与传统实验方法相比减少了时间和成本。随后,基于Logistic回归、XGBoost和FCNN基线模型,设计了两种混合模型LXGBT和Logistic+FCNN(LFCNN),以全面捕捉TC-复合材料配方数据中的线性和非线性信息。在这种策略中,线性和非线性模型能够在捕捉特征方面发挥互补作用,使每种模型在其最有效的领域充分发挥优势。最终,LFCNN模型实现了96.77%的最高分类准确性,表明该方法能够从异构数据集中高效识别出高TC的新复合材料。此外,利用Shapley Additive exPlanations(SHAP)值量化了每个特征对TC的贡献,为复合材料设计提供了可解释的指导[35,36]。从模型和高通量组成空间中识别出的高潜力组分最终通过实验进行了验证,形成了预测、验证和解释的闭环。