编辑推荐：
为解决纺织行业因大量使用原生纤维造成的环境压力，并提升再生棉等可持续纤维的工业应用价值，研究人员开展了利用多重线性回归（MLR）和人工神经网络（ANN）模型优化再生棉/天丝/原生棉三元混纺纱线配比的研究。该研究成功预测了纱线关键性能，并确定了在保证纱线质量前提下最大化再生棉含量的最优配比，为可持续纱线的智能化设计与生产提供了有效工具。
在快时尚浪潮的席卷下，全球纺织产业经历了爆炸式增长，但随之而来的是触目惊心的环境代价：巨大的水资源消耗、有毒化学品的排放、高额的碳排放以及堆积如山的废弃物。传统的“取用-制造-废弃”的线性经济模式已被证明是不可持续的。为了应对这一全球性挑战，联合国在2015年提出了17项可持续发展目标（SDGs），其中目标12（负责任消费和生产）特别强调要通过采用再生纤维、循环时尚和环保生产方式来实现纺织行业的转型。
在这一宏大背景下，再生纤维，特别是再生棉，成为了行业关注的焦点。再生棉主要来源于纺织生产过程中的废弃物，例如纺纱厂络筒工序产生的“硬回丝”。这些废弃物通常被粉碎成纤维后，降级用作填充材料或粗支纱原料，经济价值较低。然而，如果能将这些“废料”升级再造，重新制成可用于高端面料的中支纱线，不仅能显著减少资源消耗和废弃物，还能为纺织企业开辟新的价值增长点。但这条路充满挑战：经过机械粉碎的再生棉纤维，其强度低、短绒含量高、棉结多，可纺性差。若想用其纺制出能满足工业化织造要求的高品质纱线，就必须与其他纤维进行科学混纺，在最大化再生棉含量的同时，精确平衡纱线的各项性能指标。传统上，寻找这个“黄金配比”需要耗费大量时间和资源进行反复试验，效率低下。
为了攻克这一难题，来自欧洲大学孟加拉国分校的研究团队Iftay Khairul Alam、Mohammad Rashel Hawlader、Mostafizur Rahaman和Ahmed Jalal Uddin进行了一项开创性的研究。他们着眼于纺纱厂络筒机产生的大量硬回丝，旨在开发一种高再生棉含量的可持续纱线。由于再生棉可纺性不佳，他们创新性地引入了天丝（Tencel，一种高强度、高伸长率的莱赛尔纤维）和少量原生棉进行三元混纺。天丝能有效补偿再生棉的强度不足，并提升纱线伸长率和光泽；而原生棉则在纺纱过程中作为“载体纤维”，帮助改善可加工性。研究的核心挑战在于：如何确定再生棉、天丝和原生棉三者的最优混合比例，才能在满足纱线质量要求的前提下，尽可能多地使用再生棉？
研究人员没有采用传统的“试错法”，而是转向了数据驱动和人工智能。他们利用MATLAB软件，基于Simplex Lattice Design（单纯形格子设计）方法，在三组分（再生棉60-70%、天丝10-30%、原生棉0-20%）的约束空间内，自动生成了21组不同的混纺比例实验方案。接着，他们严格按照现代纺纱流程，使用Suessen Elite?紧凑纺系统将这些配比方案全部纺制成19.68 tex（30英支）的纱线，并对纱线的均匀度（CVm%）、疵点（IPI）、毛羽、强度等六大关键性能指标进行了精密测试。
获得实验数据后，研究团队构建了两种预测模型：经典的多重线性回归（MLR）模型和更为复杂的人工神经网络（ANN）模型。MLR模型假设变量间存在线性关系，简单透明；而ANN模型则能捕捉数据中潜在的非线性复杂交互作用。他们将21组实验数据（纤维配比为输入，纱线性能为输出）分别输入这两个模型进行训练和优化。结果表明，两个模型都能较好地预测纱线性能，但ANN模型在所有指标上都表现更优，其预测值与实际测量值吻合得更好，R2（决定系数）更高，误差（MAE, RMSE）更小。这证实了在优化此类多组分混纺体系时，非线性模型（ANN）比线性模型（MLR）具有更强的拟合和预测能力。
最终，MATLAB基于这两个训练好的模型，在设定的优化目标（最小化CVm%、IPI、毛羽，最大化CSP、强度、伸长）下，分别计算出了一个“最优解”。MLR模型推荐的配比为再生棉/天丝/原生棉 = 60/26/14，而ANN模型推荐的配比为62/28/10。为了验证模型的可靠性，研究人员按照这两个推荐配比重新纺纱并测试。结果发现，实际纺出的纱线性能与两个模型的预测值都非常接近，偏差很小，成功验证了模型的有效性。特别是基于ANN模型优化配比纺制的纱线，其预测与实测的吻合度更高。
这项研究发表在《Cleaner and Circular Bioeconomy》期刊上，它不仅成功地生产出了一种再生棉含量高达60%以上的高品质三元混纺纱线，更重要的是，它展示了一条将纺织废弃物高值化利用的智能化路径。通过融合实验设计、精密制造与机器学习建模，该研究为纺织行业提供了一种高效、精准的可持续产品开发新范式。它意味着，未来纺织企业可以利用类似的方法，快速优化各种复杂废料与新材料的配比，在保障产品品质的同时，最大限度地拥抱循环经济，为缓解纺织业的环境压力做出了切实可行的技术探索。
主要关键技术方法
本研究综合运用了实验设计、纺纱工程与机器学习建模技术。首先，采用MATLAB软件的Simplex Lattice Design进行混合物实验设计，在设定的组分边界内自动生成21组三元纤维（再生棉、天丝、原生棉）混纺比例。所有纱样均在工业化纺纱线上，通过包含清花、梳棉、并条、粗纱、细纱的完整流程制备，并特别采用了Suessen Elite?紧凑纺系统以提升成纱质量。纺成的19.68 tex纱线使用Uster? Tester 6测试均匀度、疵点和毛羽，使用Tenso-Lab 4强度仪测试强伸性能。获得实验数据后，分别构建了多重线性回归（MLR）和人工神经网络（ANN）模型，以纱线性能为响应变量，纤维混纺比例为预测变量，进行建模、优化与预测。ANN模型采用单隐藏层（10个神经元）的前馈网络结构，使用Levenberg-Marquardt反向传播算法进行训练。
研究结果
3.1. 纱样表征
21组不同混纺比的纱线性能测试数据被录入MATLAB作为响应值，包括CVm%、IPI、毛羽、CSP、强力和伸长率。数据显示，纱线性能随混纺比例变化显著，凸显了通过建模优化配比的必要性。
3.2. 基于多重线性回归（MLR）的混纺组分优化
- •
3.2.1. 实际值与预测值分析：MLR模型对所有纱线性能均表现出较好的预测能力（R2 介于0.721至0.898之间），其中CSP的预测效果最佳（R2=0.898）。预测值与实际值散点图显示两者基本吻合。
- •
3.2.2. 混纺组分与纱线特性的关系分析：通过混合物表面图分析发现，再生棉比例增加会导致纱线CVm%、IPI和毛羽上升，CSP和强力下降。天丝和原生棉的加入则能有效改善这些性能，特别是天丝能显著提升纱线强力和伸长率。AFIS（高级纤维信息系统）测试证实，再生棉纤维短绒含量高、棉结多，是导致纱线质量下降的主因。扫描电镜（SEM）图像显示，高天丝含量的纱线表面更光洁。
3.3. 基于人工神经网络（ANN）的混纺组分优化
- •
3.3.1. 实际值与预测值分析：ANN模型的预测精度普遍高于MLR模型，其R2值范围在0.7185至0.9518之间，对CVm%、CSP和伸长率的预测尤其准确（R2>0.92）。预测误差（MAE, RMSE）也更低。
- •
3.3.2. 混纺组分与纱线特性的关系分析：ANN生成的3D表面图呈现了与MLR分析一致的趋势，但可能捕捉到更复杂的非线性相互作用。图表清晰展示了各组分对纱线性能的量化影响。
3.4. 最优混纺组分的确定
在设定的优化目标下（最大化再生棉含量，同时优化纱线性能），MATLAB通过MLR和ANN模型分别给出了一个最优配比推荐方案。
3.5. 优化结果的验证
按照两个模型推荐的最优配比（MLR: 60/26/14; ANN: 62/28/10）重新纺纱并测试。结果表明，实际纱线性能与两个模型的预测值偏差很小（绝大多数偏差绝对值<7%），验证了模型的有效性。其中，ANN模型预测值与实测值的吻合度更高。
3.6. 建模方法的范围与局限
研究者指出，由于数据集较小且局限于特定的混合物设计空间，当前ANN模型主要适用于设计空间内的插值预测，其泛化到未探索的配比范围的能力有限。更稳健的模型需要更大的数据集支持。
3.7. 再生棉：推进循环性与环境可持续性
本部分从环境效益（节约水、农药资源，减少碳排放）、经济价值（提升废料价值）、循环经济贡献（延长材料生命周期）和社会效益（创造绿色就业、提升行业形象）等多个维度，阐述了本研究开发的再生棉高值化利用技术的广泛意义。
研究结论与意义
本研究成功开发并验证了一种利用多重线性回归（MLR）和人工神经网络（ANN）模型优化可持续三元混纺纱线（再生棉/天丝/原生棉）配比的数据驱动方法。研究表明，在研究的混合物设计空间内，ANN模型在预测纱线关键性能（如均匀度、强伸性）方面优于传统的MLR模型，显示出处理非线性关系的优势。通过模型优化，确定了在保证纱线可用于工业织造的前提下，再生棉含量可高达60%以上的最优配比，并经实验验证有效。
这项工作的核心重要意义在于其方法论和创新性。它将先进的实验设计、标准的纺纱测试与机器学习建模相结合，为纺织行业提供了一种高效、智能化的可持续产品开发工具。该方法能够显著减少传统“试错法”所需的时间和资源消耗，加速再生材料在高端纺织品中的应用进程。研究成果直接支持联合国可持续发展目标（SDG）12，通过推动纺织废料的高值化循环利用，为缓解行业资源环境压力、迈向循环生物经济提供了具体的技术解决方案。这不仅具有重要的学术价值，也为纺织制造企业实现绿色转型和降本增效提供了切实可行的技术路径。
