通过多频动态机械分析对PC/ABS混合物进行机器学习辅助粘弹性表征

科学领域:

• 材料科学 材料科学 材料科学
• 聚合物物理 聚合物物理
• 计算材料科学科学 计算材料科学

背景情况:

• 描述聚合物混合物如PC/ABS的粘弹性特性对于材料设计至关重要.
• 像DMA这样的传统方法可能很耗时,需要专家的解释.
• 机器学习为加速和准确预测材料行为提供了潜力.

研究的目的:

• 将多频动态机械分析 (DMA) 与机器学习 (ML) 结合起来,以表征和预测PC/ABS混合物粘弹性特性.
• 评估和比较各种数据驱动的ML模型的性能与物理知情的NeuralWLF模型.
• 建立DMA-ML模型评估中验证严格性的定量标准.

主要方法:

• 在PC/ABS混合物上进行了多频DMA温度扫描.
• 数据驱动模型 (RF,XGB,SVR,MLP) 和基于物理的NeuralWLF模型进行了训练和验证.
• 采用了分层验证框架,包括温度阻塞交叉验证和离开一个功能 (LOFO).
• 进行了系统的区块大小扫描,以调查验证通货膨胀,并确定差距与FWHM比率标准.

主要成果:

• DMA的玻璃过渡范围为115.8-123.2°C,频率灵敏度为7.18°C/十年.
• 基于物理学的NeuralWLF模型证明了具有可解释的威廉姆斯-兰德尔-费里 (WLF) 参数的优异交叉频率概括 (R2>0.92).
• 在大约2的差距/FWHM比率下确定了物理数据交叉,超出这个比率,NeuralWLF的表现优于数据驱动模型.
• 在严格的验证条件下,课程学习改善了NeuralWLF的性能 (30°C验证,R2=0.731).

结论:

• 对DMA-ML模型的诚实评估需要超过特征特征宽度的验证差距.
• 拟议的差距/FWHM比率作为评估验证严格性的定量标准.
• 像NeuralWLF这样的物理知情模型在DMA数据的概括性和解释性方面具有优势,特别是在已识别的物理数据交叉点之外.