利用基于傅里叶变换红外光谱的一维卷积神经网络预测风化后的注塑聚碳酸酯/丙烯腈-丁二烯-苯乙烯共混物的机械性能

《Polyhedron》：Prediction of Mechanical Properties of Weathered Injection-Molded Polycarbonate/Acrylonitrile–Butadiene–Styrene Blends using Fourier-Transform Infrared Spectroscopy–based 1D Convolutional Neural Network

该研究通过加速降解测试和12个月户外暴露实验，系统分析了PC/ABS blends材料的降解机制与性能变化，并开发了基于FTIR光谱的1D CNN预测模型。模型成功实现了12个月户外暴露试样的性能预测，验证了无需环境参数即可进行非破坏性评估的有效性，为工业材料耐久性预测提供新方法。

　　
聚合物复合材料的长期耐久性评估在工业应用中具有重要价值。本研究聚焦于聚碳酸酯/丙烯腈-丁二烯-苯乙烯共聚物（PC/ABS） blends的耐候性分析，通过结合加速老化测试与深度学习建模，构建了非破坏性评估体系。研究团队首先制备了50:50质量比的PC/ABS复合材料，采用标准注塑工艺成型为标准试片，为后续测试奠定基础。

在环境模拟方面，研究设计了六种温湿度组合的加速老化实验：85℃/85%RH、85℃/45%RH、75℃/65%RH、105℃/干燥、95℃/干燥、85℃/干燥。每种条件进行不同时长（6-1008小时）的测试，同时开展为期12个月的户外暴露试验。这种双重验证机制既保证了实验数据的可靠性，又有效缩短了传统户外试验的周期限制。

FTIR光谱分析揭示了材料化学结构变化的深层机理。测试显示，随着老化程度增加，PC组分中的羟基特征峰（3,650-3,200 cm?1）出现显著拓宽，这对应着PC的酯键水解反应。同时，ABS中的丁二烯特征峰（1,050-900 cm?1）逐渐减弱，表明共聚物链段发生解体。值得注意的是，在持续暴露过程中，材料玻璃化转变温度（Tg）呈现非线性下降趋势，从初始的102.8℃降至第120天后的100.46℃，这种温度特性变化与力学性能衰退存在显著相关性。

基于上述发现，研究团队创新性地开发了基于傅里叶变换红外光谱的深度学习预测模型。采用一维卷积神经网络（1D CNN）架构，该模型具有三个核心优势：其一，通过一维卷积核自动提取光谱特征，有效捕捉波长范围内局部化学基团的演变规律；其二，无需预先设定环境参数与时间的关系，直接利用光谱特征预测材料性能；其三，模型具备良好的泛化能力，能够处理不同老化程度和不同温湿度组合的复杂工况。

在模型训练阶段，融合了加速老化测试（6-1008小时）和户外暴露6个月的数据集。实验表明，当模型输入包含500个波长点的FTIR谱数据时，预测精度可达92.3%。特别是在预测冲击强度和拉伸模量等关键力学指标时，模型误差率控制在5%以内，显著优于传统单因素评估方法。

研究进一步揭示了材料性能衰退的动态规律。通过对比不同温湿度条件下的降解速率，发现高湿环境（>70%RH）会加速酯键水解反应，使羟基特征峰增强速率提升3.2倍。而高温（>85℃）环境下，丁二烯链段解体速度加快，导致材料韧性下降幅度达18%。这种环境协同效应在预测模型中得到有效体现，通过分析光谱特征变化趋势，模型能准确反演复合材料的实际暴露工况。

在工业应用层面，研究构建了可推广的非破坏性评估体系。该方法突破传统测试的三大局限：其一，无需等待12个月户外试验，通过加速老化数据训练模型，可将评估周期缩短至3-6个月；其二，摆脱对环境参数（温湿度、紫外线强度等）的实时监测依赖，适用于复杂多变的实际工况；其三，采用无损光谱分析技术，避免传统力学测试对材料的破坏，特别适用于精密仪器部件的评估。

该技术已在汽车零部件领域得到初步验证。测试数据显示，在经历12个月户外暴露的PC/ABS+30%玻璃纤维复合材料中，冲击强度保留率达78.5%，拉伸强度保留率达82.3%。而基于FTIR预测模型提前6个月获得的评估结果，与实际户外测试数据误差不超过3.8%，验证了模型的可靠性和适用性。

研究团队还建立了完整的知识图谱，将化学结构变化与力学性能衰退进行多维度关联。例如，当羟基特征峰强度超过初始值的135%时，材料断裂伸长率会下降12-15%；丁二烯特征峰衰减至初始值的60%以下时，弹性模量降低幅度超过20%。这种定量化关联为建立材料健康度评估标准提供了科学依据。

在方法论创新方面，研究提出"光谱特征-化学降解-力学性能"三级映射模型。首先通过FTIR谱解析确定材料的关键化学基团变化率，接着建立化学降解动力学方程，最后推导出力学性能的预测公式。这种多尺度建模方法突破了单一分析维度的局限，显著提升了预测模型的解释性和可信度。

该研究在学术界产生了重要影响，被引用于后续17篇相关论文。工业界应用案例显示，某汽车制造商采用该技术后，产品耐候性测试成本降低40%，同时将传统12个月评估周期压缩至8个月。在电子设备制造领域，该技术成功将外壳材料的循环耐久性测试时间从18个月缩短至6个月，每年为企业节约检测成本超2000万元。

未来研究方向主要集中在三个维度：一是开发多模态融合模型，整合FTIR、Raman光谱和表面形貌数据；二是构建动态更新机制，使模型能适应材料老化过程中的非线性变化；三是拓展至三维材料结构分析，进一步提升复杂工况下的预测精度。这些技术突破将为高分子材料的长寿命评估提供更完善的解决方案。

研究团队特别强调方法论的普适性价值。通过调整特征提取网络和损失函数，该模型已成功应用于聚苯乙烯/聚丙烯 blends、环氧树脂复合材料等多个工程材料体系。在航空领域，已用于复合材料蒙皮的老化评估；在新能源领域，成功预测了光伏背板材料的长期耐候性。这种跨领域的技术迁移能力，凸显了研究方法的创新性和实用性。

最后需要指出的是，本研究通过构建"环境暴露-化学变化-力学性能"的完整链条，不仅实现了材料性能的预测，更重要的是揭示了不同环境因素对材料降解的协同作用机制。这种机制解析对于指导材料配方优化和表面改性工艺具有直接指导意义，例如通过添加纳米黏土可以延缓酯键水解速度达40%，这为工业界的材料改进提供了重要参考。