基于实用机器学习方法的聚合物碳纳米管复合材料拉伸强度预测

摘要整理

本文开发并构建了基于机器学习(ML)的实用模型，用于预测聚合物碳纳米管(CNTs)复合材料的拉伸强度。研究编制了包含11个输入变量的文献数据库。拉伸强度预测的输入变量主要包括：(i)聚合物基体类型；(ii)聚合物基体的力学性能；(iii)CNTs的物理特征；(iv)CNTs的力学性能；(v)掺入参数，包括CNT质量分数、CNT表面改性方法和加工工艺。针对11维高维预测问题，选用高斯过程回归(GPR)模型，并通过参数化研究进行优化。采用相关系数(R)、Willmott一致性指数(IA)、回归斜率、平均绝对百分比误差(MAPE)、均方根误差(RMSE)和平均绝对误差(MAE)作为GPR模型训练的误差评估准则。GPR模型在训练集和测试集上均表现出良好性能(RMSE分别为5.982和5.327 MPa，MAE分别为3.447和3.539 MPa)。此外，还进行了不确定性分析以估计预测置信区间。最后，研究了不同输入变量值范围内GPR模型的预测能力。为便于实际应用，在Matlab中开发了图形用户界面(GUI)用于纳米复合材料拉伸强度的预测。

相关论文