《Surfaces and Interfaces》：Artificial neural network-based modeling of sustainable plasma process parameters for predicting wettability of aircraft composite surfaces
编辑推荐：
碳纤维增强聚合物（CFRP）大气压等离子体处理参数通过人工神经网络（ANN）建模预测润湿性，实验验证表面能提升与接触角降低，最优参数为喷嘴速度10 mm/s、距离11 mm，R2值达0.95以上，为可持续制造提供数据支持。
阿赫梅特坎·阿尔科克（Ahmetcan Alko?）|阿菲菲·宾纳兹·哈扎尔·约鲁奇（Afife Binnaz Hazar Yoru?）|阿德姆·坎·乌沙克（Adem Can U?ak）|恰格莱扬·阿拉斯（?a?layan Aras）|梅特·巴克尔（Mete Bak?r）
土耳其伊斯坦布尔埃森勒（Esenler）的Y?ld?z技术大学（Y?ld?z Technical University）冶金与材料工程系，邮编34210
摘要
对经过大气压等离子体处理的碳纤维增强聚合物（CFRP）材料的润湿行为进行建模对于高效和可持续的制造过程至关重要，尤其是在航空航天应用中。在这项研究中，对等离子体工艺参数进行了建模并进行了三维映射，以便利用人工神经网络（ANN）预测CFRP的润湿性。使用等离子体处理工艺参数的数据来训练ANN模型，并通过误差分析和相关系数评估其性能。通过测量接触角、表面粗糙度和表面能来评估等离子体处理复合材料的润湿性。此外，X射线光电子能谱（XPS）和原子力显微镜（AFM）分析证实了化学变化，并表明表面形貌得到了保持。实验测量结果与模型预测之间显示出明显的一致性。水接触角（WCA）的确定系数（R2）为0.9839（训练数据），测试数据为0.9513。同样，二碘甲烷接触角（DCA）的R2值分别为0.9837和0.9483，显示出可靠的预测能力。模型还表明，喷嘴速度为10 mm/s和距离为11 mm时可以获得最佳的表面特性，而30 mm/s和20 mm则对应于激活能量不足的情况。
引言
随着对先进制造中可持续性和效率的重视日益增加，人工智能（AI）和机器学习技术，特别是人工神经网络（ANN）被整合进来，这些技术已成为优化材料性能的强大工具。在这种情况下，大气压等离子体处理提供了一种非常有效且环保的解决方案，它通过使用较少的能量、较少的化学物质和较小的环境影响来支持对环保制造方法日益增长的需求[1,2]。由于碳纤维增强环氧树脂基复合材料在航空航天应用中得到广泛使用，并且需要精确控制其润湿性以确保最佳性能，因此这种可持续方法尤为重要。表面处理对于提高材料的润湿性至关重要，优化关键工艺参数（如等离子体喷嘴速度[5]和等离子体源与表面之间的距离[6]是实现所需表面特性的关键步骤[6]。为了优化润湿性，必须根据每种基材的特性仔细调整这些工艺参数，因为不同材料对等离子体处理的反应不同[7]。在这种情况下，统计分析是不可或缺的，因为它可以从实验数据中提取有意义的见解[8]，从而改进处理过程并提高不同应用中的材料性能[9]。然而，尽管人们对等离子体表面相互作用越来越关注，但通过AI驱动的方法对等离子体诱导的润湿性进行预测建模仍然很大程度上未被探索。本研究通过将可持续的等离子体处理与ANN建模相结合，建立了基于数据的表面行为理解。
人工神经网络因其能够从训练数据中学习而广泛用于预测制造后的材料性能，即使在没有明确的输入和输出关系的情况下也是如此[10]。因此，它们比传统模型更具适应性[11]。ANN由层组成：输入层、处理数据的隐藏层以及生成结果的输出层[12]。通常使用确定系数（R2）和均方误差（MSE）来评估ANN的性能，这些指标用于评估预测与实际数据的准确性[13]。这种方法在模拟各种科学领域的材料性能方面表现良好。Peta[14]使用人工神经网络（ANN）对材料应用中的表面润湿性进行了建模和预测，实验数据集的预测准确率超过90%，突显了ANN在理解和优化各种条件下的材料行为方面的潜力。Huang等人[15]开发了一个机器学习模型，用于预测激光处理后的表面润湿性，该模型结合了表面纹理和化学性质。该模型展示了非常强的预测能力，突显了机器学习在表面工程应用中的潜力。Cho等人[16]使用ANN从等离子体处理过的聚酯薄膜的数字图像预测表面润湿性，确定了超疏水性的最佳纳米结构。通常，优化研究集中在单一基材上，其中一些研究还探讨了各种表面改性过程的影响。例如，Jofre-Reche等人[17]使用计算模型研究了大气压等离子体射流（APPJ）对聚二甲基硅氧烷（PDMS）的表面处理，分析了水接触角和X射线光电子能谱结果。他们的数值分析确定了影响处理的关键工艺参数，并有助于优化PDMS处理。同样，Mandolfino等人[18]使用预测模型比较了粘合接头中的剪切强度值，确定了实现最佳性能的最佳设置参数。由于涉及大量的工艺参数，统计方法和机器学习模型在分析激光表面处理方面特别有用[19]。这些方法有助于理解工艺参数和变量之间的相互作用。例如，Lutey等人[20]应用计算模型优化了激光纹理处理过程，以增强粘合接头的强度。模型分析用于描述工艺参数的影响，并理解更有效的策略。此外，Palmieri等人[21]利用模型在复合材料激光烧蚀研究的初步筛选阶段减少了测试样本的数量。表面处理的一个基本方面是识别确保粘合接头具有高机械强度的键合形成的工艺参数[22]。实际上，每种基材材料对等离子体处理的反应不同，因此可以使用针对材料定制的特定工艺变量组合来实现最佳的键合性能[23]。在这种情况下，统计分析可以是分析初步实验数据并根据结果指导后续制造阶段的重要工具。尽管之前的研究已经探讨了等离子体处理对复合材料表面性能的影响[24,25]，但本工作通过基于ANN的建模将等离子体参数与润湿性定量关联起来，推进了表面和界面科学的发展，提供了对等离子体-材料相互作用的预测性和数据驱动的理解。
为了应对基于AI的工具在可持续表面改性策略中整合有限的现状，本研究提出了一种新的方法，将环保的等离子体改性与数据驱动的分析相结合，以便在航空航天、汽车和可再生能源系统等实际应用中更好地预测和优化表面性能。虽然我们之前的研究关注了等离子体处理对表面特性的短期[26]和长期[27]影响，但本研究通过利用ANN预测润湿性结果，提供了一种新的视角，这与早期主要依赖传统分析技术的方法有显著不同，并且符合对先进材料设计中可持续和可扩展表面改性策略日益增长的需求。
图1展示了研究的流程图，概述了旨在理解大气压空气等离子体处理对CFRP复合材料表面特性影响的集成实验和建模工作流程。该过程从使用真空袋装法和高压釜固化制造CFRP层压板开始，以确保一致性和质量。然后，这些样品在不同的工艺参数下进行APP处理。随后，通过接触角测量进行表面表征以评估润湿性，使用X射线光电子能谱研究表面化学组成，并使用原子力显微镜分析表面形貌和形态变化。同时，使用实验数据开发并训练了一个ANN模型，以基于等离子体参数预测润湿行为。目的是确定能够兼顾能源效率和高键合性能的最佳等离子体条件，从而为复合材料制造中的表面改性提供实用且可扩展的框架。这种综合方法有助于确定提高复合材料应用中表面能和粘附性能的最佳工艺条件。最终，这种综合方法通过提供预测性和节能的途径来改进粘附可靠性和复合材料的长期耐用性，推进了表面和界面科学的发展。
部分摘录
材料
在实验配置中，使用五层缎纹编织预浸料制备了CFRP层压板。为了达到2毫米的最终厚度，将八层材料堆叠在一起，纤维方向为0°。每层的固化厚度约为0.27毫米。将真空袋装的层压板放入高压釜中，在7巴的压力和180°C的温度下固化，加热速率为3°C/分钟，固化时间为两小时。固化完成后，层压板
CFRP的润湿性和表面能特性
通过测量水和二碘甲烷的静态接触角来进行表面润湿性测试，这提供了关于等离子体处理引起的化学和物理变化的重要见解。图3显示了不同等离子体参数下CFRP表面的静态滴落图像，说明了滴液形态随处理强度的显著变化。正如预期的那样，等离子体处理显著影响了
结论
在这项研究中，提出了一种估计CFRP润湿特性的新方法。使用了一组主要由CFRP上的等离子体工艺参数组成的实验数据（90个数据点）来训练ANN模型。
等离子体处理显著提高了CFRP表面的润湿性，通过引入极性官能团实现了这一点，这从水接触角的显著降低和二碘甲烷接触角的变化中得到了证实。随着等离子体活性的增加，WCA
关于写作过程中生成式AI和AI辅助技术的声明
在准备本手稿期间，作者使用了OpenAI的GPT-5来提高可读性和语言表达。使用该工具后，作者根据需要仔细审查和编辑了内容，并对出版物的准确性和完整性负全责。
资助
这项研究由土耳其科学技术研究委员会（Scientific and Technological Research Council of Turkey）、土耳其航空航天工业（Turkish Aerospace Industries）和Y?ld?z技术大学联合建立的工业博士奖学金计划（Industrial Ph.D. Fellowship Program）资助。该项目是在项目ID：118C071的资助方案下进行的。
CRediT作者贡献声明
阿赫梅特坎·阿尔科克（Ahmetcan Alko?）：写作 – 审稿与编辑，原始草稿撰写，方法论，调查，形式分析，数据管理。阿菲菲·宾纳兹·哈扎尔·约鲁奇（Afife Binnaz Hazar Yoru?）：监督，项目管理，方法论，概念化。阿德姆·坎·乌沙克（Adem Can U?ak）：写作 – 审稿与编辑，资源管理，数据管理。恰格莱扬·阿拉斯（?a?layan Aras）：写作 – 审稿与编辑，验证，数据管理。梅特·巴克尔（Mete Bak?r）：监督，资金获取，概念化。
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：
阿赫梅特坎·阿尔科克报告称，他获得了土耳其科学技术研究委员会的财务支持和行政支持。如果还有其他作者，他们声明没有已知的可能会影响本文所述工作的财务利益或个人关系。
致谢
作者衷心感谢土耳其科学技术研究委员会、土耳其航空航天工业和Y?ld?z技术大学在整个研究过程中的持续合作和机构支持。
