基于物理的机器学习使得3D打印热塑性塑料的虚拟实验成为可能
Zhenru Chen1, Yuchao Wu1, Yunchao Xie2
1Department of Mechanical and Aerospace Engineering, University of Missouri, Columbia, Missouri 65211, USA. linjian@missouri.edu.
Materials horizons
|October 2, 2024
概括
一个基于物理的机器学习平台加速了最佳3D打印热塑性油墨配方的发现. 这种虚拟实验方法可以准确预测材料的特性,从而减少实验成本和时间.
科学领域:
- 材料科学与工程 材料科学与工程
- 计算材料设计设计 计算材料设计
- 聚合物科学 聚合物科学
背景情况:
- 3D打印热塑料的性能对油墨配方非常敏感.
- 单体的巨大化学空间使得识别最佳配方具有挑战性.
- 实验数据的稀缺性阻碍了有效的材料属性预测.
研究的目的:
- 开发一个虚拟实验平台,用于预测3D打印热塑性能的性能.
- 通过使用基于物理的机器学习来建立墨水组成和材料特性之间的相关性.
主要方法:
- 一个多层感知子 (MLP) 模型使用基于物理的机器学习进行了训练.
- 将应力-应变曲线的维度减少到主要组件 (PC) 解决了数据稀缺问题.
- 基于物理的描述符被整合到模型的输入数据集中.
主要成果:
- 该模型实现了对断裂强度 (R2=0.97) 和性 (R2=0.95) 的高预测精度.
- 虚拟实验预测了10万种油墨配方,产生了相应的应力-应变曲线.
- 实验验证证证实了预测和实际材料性能之间的强烈一致.
结论:
- 基于物理的机器学习平台使材料发现能够进行高效的虚拟实验.
- 这种方法提供了一个可概括的方法来将复杂的输入变量与材料性能指标相关联.
- 开发的平台加速了最佳3D打印材料的识别.
