基于多目标靶向性能的超高韧性地聚物复合材料智能化设计
郭孟环，谢咏菲，周英武，程铸昕，周俊豪（深圳大学，广东省滨海土木工程耐久性重点实验室）
摘要：为提升超高韧性地聚物复合材料(EGC)配合比设计效率，降低试错成本，本工作构建了基于机器学习的EGC 性能“预测—优化—反馈”闭环智能设计框架。首先，选取矿粉掺量、粉煤灰掺量、碱激发剂模数等11 个变量作为输入参数，选定抗压强度、抗拉强度、拉伸应变率为目标性能参数，采用可逆神经网络等5 类模型进行正向预测，预测精度高达0.99。其次，引入SHAP 可解释性机制，量化解析关键配比参数对EGC 性能的影响机制及贡献度。最后，融合CatBoost 与NSGA-Ⅲ算法实现多目标性能优化与最优平衡解自动搜索，并通过开展试验研究，验证了所建智能设计框架的准确性与可行性。本工作提出的EGC 智能设计框架解决了材料设计中难以避免的高强与高韧权衡问题，突破了传统EGC 设计中的“黑匣子操作”与“经验驱动”局限，推动材料设计向智能化、精准化方向发展。
关键词：超高韧性地聚物复合材料；机器学习；遗传算法；性能优化设计
目录介绍
1 数据收集及处理
2 EGC的性能预测
2.1 预测模型
2.1.1 SVR
2.1.2 GBRT
2.1.3 XGBoost
2.1.4 ANN
2.1.5 INN
2.2 预测性能评估
2.2.1 模型精度优化
2.2.2 模型性能评估
2.3 特征重要性分析
2.4 变量交互影响
2.5 最优预测模型的试验验证
3 EGC的多目标靶向性能优化设计
3.1 模型介绍
3.1.1 Catboost模型
3.1.2 NSGA-Ⅲ
3.2 约束条件设置
3.3 多目标靶向性能优化
3.3.1 目标性能最大化
3.3.2 拉伸应变率最大化
3.3.3 设计给定目标值
3.4 试验验证
3.4.1 原材料及试验方法
3.4.2 试验结果
4 结论
©软件著作权归作者所有。本站所有文件均来源于网络，仅供学习使用，请支持正版！
转载请注明出处！
发表评论 取消回复