利用人工智能算法通过一种新技术来建模和优化纳米纤维素和水凝的复合物

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
• 生物技术是生物技术.

背景情况:

• 像纤维素这样的生物聚合物来自自然来源,具有可取的特性,如生物降解性和生物相容性.
• 纳米纤维素是纤维素的衍生物,在21世纪因其先进的材料特性而获得了显著的关注.

研究的目的:

• 开发用于优化硫酸盐纳米纤维素 (S-NC) 水凝粘度,储存模块 (G') 和损失模块 (G′′) 的预测模型.
• 为了比较响应表面方法 (RSM) 和多层感知器人工神经网络 (MLP-ANN) 在建模和优化这些属性的有效性.

主要方法:

• 使用响应表面方法 (RSM) 和多层感知器人工神经网络 (MLP-ANN) 技术.
• 在各种实验条件下分析和优化粘度,储存模块 (G') 和损失模块 (G′′).
• 进行了RSM优化,以确定纳米纤维素材料的最佳生产参数.

主要成果:

• 无论是ANN和RSM方法都显示出在生产过程中对纳米纤维素水凝行为的强有力的预测能力.
• 与RSM相比,ANN技术在预测存储模块 (G') 和损失模块 (G′′) 中的准确性更高.
• 最佳粘度是在95S-1剪速下实现的,其重量为1.5%的S-NC.
• 最佳的存储和损失模块在14.532赫兹频率与1.468重%S-NC.实现.

结论:

• ANN 和 RSM 是有效的工具,用于预测和优化纳米纤维素水凝的特性.
• 在预测纳米纤维素的风湿性行为 (G',G′′) 方面,ANN提供了卓越的准确性.
• 该研究确定了S-NC水凝生产中最佳粘度和模量的特定条件.