人工神经网络与自适应神经模糊推理系统在生物复合材料合成与性能预测中的对比分析

本研究针对生物复合材料(BMs)生产参数预测难题，通过调控甲基乙基酮过氧化物(MEKP)、辛酸钴(Co Oc)、大理石废料等原料配比合成聚酯生物复合材料，采用人工神经网络(ANN)和自适应神经模糊推理系统(ANFIS)建模预测体积密度(BD)、导热系数(TCC)和活化能(Ea)。结果显示ANN平均误差仅0.3849%，在BD和TCC预测上优于ANFIS，为环保材料开发提供高效计算工具。

　　

随着环保意识增强，生物复合材料(BMs)在建筑、装饰和机器人等领域应用日益广泛。然而，传统实验方法优化材料配比耗时耗力，特别是聚酯基复合材料需要平衡机械性能、热稳定性和成本效益。如何通过计算模型精准预测材料性能，成为推动绿色材料发展的关键瓶颈。

为解决这一问题，F?rat大学的研究团队创新性地将人工智能技术引入材料科学领域。他们通过精确调控甲基乙基酮过氧化物(MEKP)、辛酸钴(Co Oc)金属催化剂、大理石工厂废料、改性蓖麻油(MCO)和聚酯原料(UP)的配比，制备了40组聚酯生物复合材料样本。研究采用人工神经网络(ANN)和自适应神经模糊推理系统(ANFIS)两种智能算法，建立输入参数(原料配比)与输出参数(体积密度ρ、导热系数k和活化能Ea)的预测模型。发表于《Materials Chemistry and Physics》的研究成果显示，ANN模型整体表现更优，平均预测误差仅0.3849%，尤其在ρ和k预测上显著优于ANFIS，而ANFIS仅在Ea预测上略胜一筹。这项研究为生物复合材料的计算机辅助设计建立了新范式。

关键技术方法包括：1) 采用标准模具制备含大理石废料的聚酯生物复合材料；2) 测量体积密度(BD)、导热系数(TCC)和活化能(Ea)等关键参数；3) 构建具有不同隐藏层结构的ANN模型；4) 开发基于模糊聚类算法的ANFIS系统；5) 使用独立验证集评估模型预测性能。

材料与方法
研究团队选用工业级原料，通过室温均质混合、24小时固化等标准化流程制备样本。特别值得注意的是，他们将大理石废料作为环保填料，既解决了工业废弃物处理问题，又降低了材料成本。

结果与讨论
在预测体积密度(BD)时，ANN模型表现出色，误差平方和仅0.10068。对于导热系数(TCC)，ANFIS需要更多训练周期才能达到与ANN相当的精度。而在活化能(Ea)预测方面，ANFIS的模糊推理机制展现出独特优势。研究还发现，原料中MEKP与Co Oc的比例对预测准确性影响显著。

结论
这项研究证实人工智能可有效预测生物复合材料性能，其中ANN在多数参数预测上更具优势。该成果不仅缩短了材料研发周期，还为工业废弃物高值化利用提供了新思路。特别是建立的预测模型可直接指导聚酯生物复合材料在机器人关节等精密部件的应用开发，推动环保材料从实验室走向产业化。

作者贡献与资助
Muhammet Ayd?n负责实验设计与数据收集，Ercan Aydo?mu?侧重模型验证，Hasan Arslano?lu完成算法实现。研究获得F?rat大学科研项目(ADEP.25.34)资助，所有作者声明无利益冲突。这项跨学科研究为材料科学的人工智能应用树立了典范，其方法论可扩展至其他复合材料体系的研究。