在聚合物纳米复合材料中，纳米填料的分散性以及复合材料的力学性质决定着复合材料的应用领域和服役性能，其与基体材料的选择、填料的类型以及各种复杂的加工方式密切相关。由于参数众多且影响因素复杂，单纯通过大量实验研究探索这些复杂因素之间的相关性存在较大困难。随着机器学习与深度学习技术的发展，通过实验与数据驱动相结合的方法来构建模型，实现对聚合物纳米复合材料分散和力学性质的准确预测，这将大大加速复合材料的设计和工艺优化过程。

       基于上述背景，中国科学院长春应用化学研究所孙昭艳研究员课题组提出了一种数据驱动的解决范式（图1）。以一种代表性的聚合物纳米复合材料——炭黑增强橡胶复合材料（CRC）为例，基于课题组前期的实验结果进行整理，获得了涵盖橡胶种类、填料种类、加工工艺、填料分散性以及力学拉伸和疲劳等性质的数据集，并对比了数十种常用机器学习和深度学习模型在测试集上的预测表现。作者基于SHAP分析进一步揭示了CRC性质与工艺参数之间的复杂关系，并预测了上述CRC材料力学性质的帕累托前沿，为不同性能需求的CRC材料设计和工艺优化提供了可行的筛选方案。

图1 研究工作流程。

      具体来说，作者在基于215个实验数据点构成的数据集上首先对比了使用自动机器学习、自动深度学习和基于经验设计DNN这三种方法得到的模型在测试集上的表现（图2），并综合考虑这些模型的泛化性能，发现基于经验设计的DNN模型具有最佳的预测能力，其在测试集上对所有标签都展现出大于0.95的R²（图3）。

图2 模型对比结果。其中AutoML为自动机器学习方法，DNN为深层神经网络方法，By、Rd、Gd、Hb分别为使用了不同Tuner的自动深度学习方法。

图3 针对6个任务，DNN模型在测试集上的表现。

      作者进一步对表现最佳的DNN模型进行了SHAP分析（图4），这能够帮助我们理解高预测精度模型背后的决策方式。发现在4种橡胶原料中，仿生橡胶（BR）是被模型认为最不利于填料分散的基体，这与前期通过实验观测到的现象完全一致。在6种炭黑填料中，N234炭黑被识别为最有利于分散。对于不同的加工方法，模型认为包辊有助于帮助达到更好的填料分散状态和力学性质的提高，而随着塑炼和密炼时间的延长，CRC的分散性质存在着比较复杂的规律。对于CRC的力学性质，基体的选择是一个关键性的因素，使用异戊橡胶和仿生橡胶可以显著提高CRC的拉伸强度、断裂伸长率和疲劳寿命，且密炼时间比塑炼时间对材料的力学性质影响更为显著。填料选择对CRC的拉伸强度影响比较小，但如果想获得更高的断裂伸长率，可以选择N326炭黑；如果为了提高疲劳寿命，可以使用N134或N234炭黑。

图4 DNN的SHAP分析结果 (a) X， (b) Dispersion， (c) WhiteArea， (d) Strength， (e) Elongation， (f) Fatigue。

      作者进一步展示了DNN模型在工艺设计优化中的应用。根据DNN模型预测结果绘制出的加工-性质关系热图（图5），可以很方便地获得特定加工工艺下的材料性质预测结果。对于异戊橡胶（IR），较短的塑炼时间即可实现较为优异的力学性能；而对于BR，则需要更长时间的塑炼，这可能是由于其更高的分子量以及磷脂等化学修饰带来的影响。根据DNN模型的推荐，作者进一步提高了BR-N220体系的塑炼时间，并进行了实验验证，发现CRC的力学性质获得了明显提高，并且实验值和模型预测值基本吻合，证明了该模型的强大预测能力。

图5 加工-性质关系热图 （a-c）BR-N220 （d-f）IR-N220。

       通过计算帕累托前沿（图6），可以探索CRC材料的性能极限。作者发现，不同橡胶种类的力学性质具有显著差异，其中异戊橡胶具有更高的断裂伸长率，天然橡胶（NR）具备更为优异的断裂强度，而仿生橡胶的伸张疲劳性能更高。因此，可以根据性能需求和模型推荐给出最优的原料组合和加工工艺。比如当需要制备高拉伸强度和疲劳寿命的CRC时，可以使用BR和N134的原料组合。

图6 CRC的帕累托前沿。

这项工作为加工工艺设计和聚合物纳米复合材料的制备提供了非常有益的见解。通过工艺参数调控和原料选择，可以实现对复合材料分散性质和力学性能的准确预测。这不仅加深了对材料间复杂关系的理解，还能辅助优化复合材料制备工艺，这为改进加工工艺和推动高分子复合材料的原料快速优选提供了解决方案。

      该工作发表在Chinese Journal of Polymer Science上。中国科学院长春应用化学研究所的万子龙硕士研究生是该论文的第一作者，中国科学院长春应用化学研究所孙昭艳研究员为通信联系人。

原文信息：

Wan, Z. L.; Zhao, W. C.; Qiu, H. K.; Zhou, S. S.; Chen, S. Y.; Fu, C. L.; Feng, X. Y.; Pan, L. J.; Wang K.; He, T. C.; Wang, Y. G.; Sun, Z. Y.

Chinese J. Polym. Sci. 

DOI: 10.1007/s10118-024-3216-3