机器学习驱动的高精度聚合物复合材料性能预测模型研究

为解决气候变化背景下电动汽车轻量化材料开发难题，来自韩国的研究团队基于1774组实验数据，开发了XGBoost机器学习模型，可精准预测聚合物复合材料密度、热变形温度、弯曲模量等7项关键性能指标（平均R2达0.95）。该研究通过创新性引入产品等级特征，突破了传统材料设计模型的工业应用瓶颈。

　　

应对气候变化的紧迫需求推动着轻量化环保材料的研发热潮，特别是在电动汽车(EV)和混合动力汽车领域。聚合物复合材料因其卓越的机械性能和可调控的热导率(TC)成为研究焦点，但传统开发方法面临耗时久、热管理难等挑战。

研究团队另辟蹊径，构建包含1774组实验数据的独特数据库，涵盖聚丙烯(PP)、聚碳酸酯(PC)等18类聚合物，以及氮化硼(BN)、碳纳米管(CNT)等14种填料。通过创新性地将产品等级信息作为机器学习特征，采用XGBoost算法成功预测密度、弯曲强度等7项性能指标，模型预测精度高达R²=0.95。

有趣的是，研究揭示了填料纯度、结晶度等"隐形因素"对材料性能的蝴蝶效应——即便相同化学成分，不同厂商的加工工艺也会导致性能显著差异。团队采用SHAP因果分析解码模型决策机制，为工业界提供了一把打开材料设计"黑箱"的钥匙。这项研究不仅建立了首个融合工业产品特征的预测模型，更开创了数据驱动的新范式，让复合材料开发从"试错游戏"升级为"精准导航"。