基于机器学习预测纳米粉煤灰改性天然纤维增强复合材料的力学性能

《Bioengineering》:Machine Learning Prediction of Mechanical Properties of Nano Fly Ash-Modified Natural Fibre-Reinforced Composites

【字体: 大 中 小 】 时间:2026年10月22日 来源:Bioengineering 3.7

编辑推荐:

  本研究采用机器学习算法,即随机森林、极限梯度提升和最小绝对收缩与选择算子,用于预测纳米粉煤灰增强天然纤维复合材料的硬度、拉伸强度、弯曲强度和冲击强度。研究中尝试了三种类型的天然纤维(蕉麻、大麻和洋麻)以及不同含量的纳米粉煤灰(1%、3%、5%体积分数)。机器学

  
本研究采用机器学习算法,即随机森林、极限梯度提升和最小绝对收缩与选择算子,用于预测纳米粉煤灰增强天然纤维复合材料的硬度、拉伸强度、弯曲强度和冲击强度。研究中尝试了三种类型的天然纤维(蕉麻、大麻和洋麻)以及不同含量的纳米粉煤灰(1%、3%、5%体积分数)。机器学习模型在Python环境中开发,使用80%的数据进行训练,其余数据用于验证。在所尝试的模型中,随机森林模型实现了最高的预测精度(99%),同时具有最低的均方根误差和对称平均绝对百分比误差。极限梯度提升模型紧随其后,精度达到97%。相比之下,最小绝对收缩与选择算子的精度在不同力学性能指标间介于45%至75%,且均方根误差和对称平均绝对百分比误差值较高。此外,研究人员还开发了一个图形用户界面,以便于数据输入、模型选择和预测结果的可视化。
一、研究背景与问题提出
近年来,天然纤维因其低密度、可生物降解性、可再生性和环境可持续性,作为合成纤维的替代品受到了广泛关注。天然纤维增强聚合物复合材料在可持续工程应用中展现出巨大潜力,尤其是在引入合适的纳米颗粒作为增强相后。蕉麻、大麻和洋麻等天然纤维具有优良的力学性能,适用于汽车门板、飞机客舱内饰、装饰板和船舶部件等领域。然而,评估此类复合材料的力学性能通常需要进行大量耗时且昂贵的实验。此外,材料组成与力学性能之间的关系极为复杂,受到纤维类型、增强体含量、纳米填料浓度、加工条件、界面结合以及结构异质性等多种因素的交互影响,使得传统的经验方法难以建立可靠的预测模型。因此,人工智能和机器学习技术被越来越多地应用于材料性能预测,以减少重复实验并辅助材料设计与优化。
尽管已有研究将统计建模和机器学习应用于聚合物及纤维增强复合材料的性能预测,但对于经纳米尺度填料改性的天然纤维增强聚合物复合材料,特别是针对多种响应变量(如硬度、拉伸强度、弯曲强度和冲击强度)的同时预测,以及非线性集成模型与正则化回归方法的比较研究仍相对不足。因此,有必要系统地比较互补的机器学习算法,以评估它们在预测纳米改性天然纤维增强聚合物复合材料力学行为方面的适用性。
二、研究内容与结论
为解决上述问题,研究人员制备了分别由蕉麻、大麻和洋麻纤维增强,并含有不同体积分数(1%、3%、5%)纳米粉煤灰的不饱和聚酯树脂基复合材料。通过压缩手糊成型工艺制备层压板,并依据ASTM标准对试样进行了拉伸、弯曲、冲击和硬度测试。基于获得的实验数据,研究人员开发并评估了随机森林、极限梯度提升和最小绝对收缩与选择算子三种回归模型的预测性能。研究发现,在三种纤维体系中,含3%体积分数纳米粉煤灰的蕉麻纤维复合材料表现出最优的力学性能,其拉伸强度为49 MPa,弯曲强度为168.2 MPa,冲击强度为3.4 J,硬度为17.4 BHN。在所有模型中,随机森林模型展现了最佳的预测能力,预测精度高达99.99%,且均方根误差和对称平均绝对百分比误差值最低,表明其能有效捕捉输入变量与力学响应之间的非线性关系。极限梯度提升模型表现次之,精度约为97%。相比之下,最小绝对收缩与选择算子模型由于线性结构的局限性,无法充分表征复杂的非线性交互作用,预测精度较低,介于45%至75%之间。此项研究的重要意义在于,它证实了非线性集成模型在预测纳米填料改性天然纤维复合材料力学性能方面的优越性,并为快速、准确地筛选复合材料配方提供了有效的工具,有助于推动可持续复合材料的设计与应用。
三、关键技术方法
研究人员采用了以下关键技术方法:
  1. 1.
    材料制备:使用蕉麻、大麻和洋麻三种天然纤维毡,以及不同体积分数(1%、3%、5%)的纳米粉煤灰粉末,通过压缩手糊成型工艺制备复合材料层压板。
  2. 2.
    力学性能测试:依据ASTM D638、ASTM D790、ASTM D256和ASTM E10标准,分别对试样进行拉伸、三点弯曲、Izod冲击和洛氏硬度测试,获取实验数据。
  3. 3.
    机器学习模型开发:在Python 3.14.6环境中,使用80%的实验数据(共500个观测值,其中150个来自本研究,存放于Zenodo仓库)训练随机森林、极限梯度提升和最小绝对收缩与选择算子模型,剩余20%用于测试。通过五折交叉验证和随机搜索进行超参数优化。
  4. 4.
    性能评估:采用均方误差、决定系数、均方根误差、皮尔逊相关系数、对称平均绝对百分比误差和精度等多个指标评估模型性能。
  5. 5.
    图形用户界面开发:利用Python库创建一个图形用户界面,允许用户选择纤维类型和纳米填料体积分数,并通过训练好的模型实时预测四种力学性能。
四、研究结果
4.1 实验结果
实验结果显示,所有复合材料的力学性能随纳米粉煤灰含量增加呈先升后降趋势,3%体积分数为最佳填充量。蕉麻纤维复合材料在3%纳米粉煤灰含量下获得最高力学强度。微观层面,适量分散的纳米颗粒改善了基体与纤维间的应力传递,阻碍了裂纹扩展。当含量增至5%时,颗粒团聚导致应力集中和缺陷形成,性能下降。
4.2 机器学习实施与超参数优化
研究人员对三种模型进行了超参数优化。随机森林模型在树的数量、最大深度等参数空间内搜索;极限梯度提升模型对学习率、树深度等进行了调优;最小绝对收缩与选择算子模型则优化了正则化参数alpha。最终配置基于最小化交叉验证均方根误差确定。
4.3 机器学习算法预测力学性能
对比预测值与实验值发现,随机森林和极限梯度提升模型的预测值与实验值高度吻合,能够准确反映不同纤维类型和纳米粉煤灰含量下的性能变化趋势。而最小绝对收缩与选择算子模型的预测偏差较大,尤其在拉伸和弯曲强度方面,无法有效捕捉非线性关系。
4.4 预测性能比较
通过多项指标比较,随机森林模型在所有力学性能预测上表现最优,其均方误差、均方根误差和对称平均绝对百分比误差最低,决定系数超过0.994,精度达99.99%。极限梯度提升模型紧随其后,精度超过97%。最小绝对收缩与选择算子模型精度波动在50%至85%之间,不推荐用于此场景。
4.5 计算效率与处理时间
随机森林和极限梯度提升的训练时间略长(分别为0.08秒和0.21秒),但预测时间极短。最小绝对收缩与选择算子模型因结构简单,训练和预测时间最短,但牺牲了预测精度。
4.6 图形用户界面
研究人员开发了一个图形用户界面,允许用户通过下拉菜单选择纤维类型和纳米粉煤灰含量,即可快速获得三种模型对硬度、拉伸强度、弯曲强度和冲击强度的预测结果,便于实际应用和模型比较。
五、总结与讨论
研究表明,非线性集成模型(随机森林和极限梯度提升)在预测纳米粉煤灰改性天然纤维复合材料力学性能方面远优于线性正则化模型(最小绝对收缩与选择算子),这归因于前者能有效捕获输入变量间的复杂交互和非线性关系。随机森林模型以其卓越的预测精度和稳定性成为首选模型。研究还确认了3%体积分数的纳米粉煤灰为最佳填充量,过量添加会导致性能下降。
研究结论翻译如下:
  • •
    含3%体积分数纳米粉煤灰的蕉麻纤维增强复合材料展现出最优的力学性能,其拉伸强度为49 MPa,弯曲强度为168.2 MPa,冲击强度为3.4 J,硬度为17.4 BHN。
  • •
    将纳米填料含量从1%体积分数增加到3%体积分数,由于增强了界面结合、提高了应力传递效率和改善了纳米颗粒在基体中的分散性,从而提升了力学性能。
  • •
    3%体积分数的纳米粉煤灰增强是实现最大强度的最佳填料浓度。进一步将纳米填料负载增加到5%体积分数则导致力学强度降低。
  • •
    随机森林和极限梯度提升模型有效地捕捉了纤维类型、纳米填料浓度与力学性能之间的非线性交互作用。
  • •
    随机森林模型在预测所有输出参数方面表现出色,精度达到99.99%,同时拥有最低的均方根误差和对称平均绝对百分比误差值,极限梯度提升模型次之。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号