基于RICBM混合深度学习模型的磁流变弹性体剪切储能模量精准预测研究

针对磁流变弹性体(MRE)剪切储能模量预测效率低、传统方法成本高的问题，中国矿业大学团队提出新型混合深度学习模型RICBM，集成随机森林(RF)、改进足球训练算法(IFTTA)、CNN-BiLSTM网络和多头注意力机制(MAT)，实验验证其预测精度显著优于理论模型，为MRE振动控制应用提供高效数字化工具。

　　

磁流变弹性体(MRE)是一类能通过磁场实时调控机械性能的智能材料，在汽车减震器、建筑隔震等领域展现出巨大潜力。然而，其核心参数——剪切储能模量的精准预测长期面临两大难题：微观模型难以描述复杂工艺制备的MRE磁感应特性，宏观模型对非线性因素的刻画精度不足。传统实验方法虽直接可靠，但耗时耗力，严重制约MRE的工程应用效率。

中国矿业大学的研究团队在《Engineering Applications of Artificial Intelligence》发表的研究中，创新性地构建了RICBM混合深度学习模型。该模型通过五步协同机制实现突破：首先用随机森林(RF)筛选关键特征；随后引入空间金字塔匹配(SPM)混沌映射和非线性权重改进足球训练算法(IFTTA)；接着搭建CNN-BiLSTM网络架构并利用IFTTA优化参数；最后通过多头注意力机制(MAT)强化特征重要性。研究团队制备了25组不同参数的MRE样本，通过流变仪测试建立包含6输入1输出特征的数据库进行验证。

关键技术方法包括：1) 基于SPM混沌映射的IFTTA算法优化；2) CNN-BiLSTM时空特征提取网络构建；3) 多模态数据融合的RF特征选择；4) 25组MRE样本的制备与流变学测试。

Random forest
RF分析确认磁场强度、铁粉含量、硅油比例等6个参数为关键影响因素，特征重要性评分均>0.85，为后续建模提供数据基础。

Preparation of MRE samples
采用3μm羰基铁粉(CIP)、室温硫化硅橡胶(RTV-2)和硅油(SO)制备各向异性MRE，垂直磁场固化工艺确保链状结构形成，流变仪测试获得108组有效数据。

Conclusions and future works
研究显示：1) RICBM模型预测精度较传统理论模型提升12.7%，决定系数达0.99；2) IFTTA使CNN-BiLSTM收敛速度提升40%；3) 预测耗时仅为实际制备测试的1/20。该成果不仅为MRE性能快速评估建立新范式，其混合建模思路对其它智能材料研究具有借鉴意义。未来工作将拓展模型在宽频振动条件下的适用性。

CRediT authorship contribution statement
王启宇、彭莱等作者分工明确，涵盖从概念设计、算法开发到实验验证的全流程，国家自然科学基金(51975568等)和江苏省研究生实践创新计划(KYCX25_2831)提供支持。

这项研究标志着机器学习在智能材料领域应用的重要进展，其提出的RICBM框架实现了MRE性能预测从"试错式实验"向"数字化推演"的跨越，为智能减震装备的精准设计奠定理论基础。