在相隔聚合物解决方案中连接结构特征和材料特性:相场建模和基于物理的神经网络

科学领域:

• 材料科学 材料科学 材料科学
• 聚合物科学 聚合物科学
• 计算材料科学科学 计算材料科学

背景情况:

• 在相位分离过程中形成的形态学极大地影响了材料特性,例如功能性膜.
• 由于复杂的分子相互作用,预测这种形态是具有挑战性的.
• 卡恩-希利亚德方程与弗洛里-哈金斯自由能量模型的聚合物溶液相分离.

研究的目的:

• 在2D聚合物溶液中分析参数对形态演变的影响.
• 开发一个基于物理学的神经网络 (PINN),用于逆参数预测.
• 确定管理阶段过渡和域增长的关键参数.

主要方法:

• 对形态演变的参数 (体积分数,流动性,聚合,表面张力,弗洛里-哈金斯相互作用) 的系统敏感性分析.
• 开发合前神经网络 (PINNs) 来表示相场方程.
• 使用PINNs对参数进行反向预测,并通过特征域大小变化进行重新规范化.

主要成果:

• 聚合物-溶剂亲和力 (Flory-Huggins相互作用参数) 被确定为最有影响力的参数.
• 通过两张形态快照,PINN可以准确地确定未知的参数.
• 在一定的宽容范围内,参数错误不会在域增长过程中显著影响形态.

结论:

• 基于物理学的神经网络为相分离系统的反向设计提供了一种有效的方法.
• 精确预测聚合物-溶剂亲和力是可以通过减少计算负载实现的.
• 该方法简化了针对特定材料属性要求的反向设计.