用于评估填充工业废料的环氧-黄麻复合材料机械性能的机器学习方法

《Scientific Reports》：Machine learning approach for mechanical property assessment of industrial waste-filled epoxy–jute composites

　　

摘要

对可持续材料需求的增长推动了生物基复合材料的发展，然而天然纤维与工业废弃物填料在聚合物基体中的结合尚未得到充分利用。本文遵循可持续发展目标12（SDG-12），重点研究如何利用钢铁工业副产品——林茨-多瑙维茨（Linz–Donawitz，LD）污泥来提升环氧复合材料的机械性能，尤其是当这些复合材料与黄麻纤维结合使用时。采用手工铺层技术制备了六种复合材料样品，这些样品的黄麻纤维含量保持恒定（20 wt%），而LD污泥的含量则有所不同（0–25 wt%）。最佳配方为：60 wt%环氧树脂、20 wt%黄麻纤维和20 wt% LD污泥，其拉伸强度达到61.84 MPa（比纯环氧树脂高出28.8%），弯曲强度为31.81 MPa（高出41.8%），冲击强度为18.026 kJ/m2。当LD污泥含量超过20 wt%时，界面缺陷和颗粒聚集会导致机械性能下降。这些实验数据被用于训练四种机器学习模型，以根据成分参数预测材料的机械性能。在训练数据上，XGBoost模型的R2值为1.0000，误差接近于零（MAE = 0.0005 MPa，RMSE = 0.0008 MPa）。然而，当仅使用六个样品的小数据集进行训练时，这种完美的拟合结果主要是由于模型记住了训练数据本身，而非真正的预测能力。研究结果表明，尤其是在决策树和梯度提升模型中，存在过拟合的风险。交叉验证的结果更为客观（XGBoost模型的R2值为0.94 ± 0.04）。因此，这些机器学习模型可用于分析特定成分范围内的成分-性能关系，而不仅仅是进行外推预测。这些结果不仅验证了使用工业废弃物制造出具有与标准天然纤维复合材料相当机械性能的混合复合材料的可能性，还表明废弃物可以被有效利用；不过，由于数据集的局限性，对机器学习预测能力的任何断言都应谨慎对待。