机器学习框架预测光聚合物Gyroid晶格在不同应变速率下的力学性能

推荐：本研究针对光聚合物Gyroid晶格(PGL)力学性能预测难题，开发了融合递归特征消除(RFE)和网格搜索优化的机器学习框架，采用随机森林(RF)、极端随机树(ET)、人工神经网络(ANN)和长短期记忆网络(LSTM)等算法，实现了Young's modulus、屈服强度等关键参数的精准预测（最高R2达0.964），并通过SHAP分析揭示了孔隙率与应变速率的影响机制，为材料设计提供了高效计算工具。

　　

在材料科学和工程领域，光聚合物Gyroid晶格（Photopolymer Gyroid Lattices, PGL）因其独特的周期性最小曲面结构和优异的力学性能，已成为航空航天、生物医学等领域的明星材料。然而，这类材料的力学行为预测长期面临三大挑战：复杂几何形貌与材料非线性的耦合效应、制造缺陷的不可控性，以及传统有限元分析(FEA)的高计算成本。尤其当需要评估不同应变速率下的性能时，实验测试和数值模拟的成本呈指数级增长，严重制约了材料优化设计的效率。

为突破这一瓶颈，北京理工大学的Md.Jamal Uddin和Jitang Fan团队在《Polymer Testing》发表了一项创新研究。他们巧妙地将机器学习(ML)与材料表征技术相结合，构建了一个高效预测框架。研究团队从公开数据集获取了20种光聚合物材料、420个样本的实验数据（最终有效样本389个），涵盖23.14%-92.59%孔隙率范围，通过标准标量变换和递归特征消除(RFE)进行数据优化后，首次系统比较了随机森林(RF)、极端随机树(ET)、人工神经网络(ANN)和长短期记忆网络(LSTM)四种算法的预测效能。

关键技术方法包括：1）采用递归特征消除(RFE)筛选关键特征（如预测Young's modulus时剔除极限强度）；2）网格搜索优化超参数（如ET模型的树深度和估计器数量）；3）SHAP值分析解释特征贡献度；4）通过3D打印（Formlabs Form2等设备）和拉伸测试（ASTM D638标准）获取基准数据。

研究结果揭示：

1. 1.

   模型性能对比

   极端随机树(ET)在多数指标上表现最优，预测Young's modulus时R²达0.9641，MAE仅9.9016 MPa，且单样本预测耗时仅0.00012秒，较传统FEA（1488秒/样本）效率提升百万倍。随机森林(RF)则在断裂应变预测中表现突出（R²=0.8978）。

2. 2.

   特征重要性分析

   SHAP分析显示孔隙率是影响刚度参数（Young's modulus、屈服强度）的最关键因素，贡献度达35-42%；而断裂应变主要受材料本征断裂特性支配（SHAP值占比61%）。

3. 3.

   结构-性能关系

   孔隙率增加会导致刚度、强度指标线性下降（如孔隙率从30%增至90%时，Young's modulus衰减达83%），但断裂应变呈现非线性波动。应变速率对多数力学参数影响微弱，但高速加载（>10^-1 s^-1）会使断裂应变降低约27%。

4. 4.

   计算效率突破

   相比文献报道的核岭回归(KRR)方法，本研究框架将训练集预测精度提升2.1%（R²从0.956→0.964），同时将单样本推理时间缩短52%（0.00025→0.00012秒）。

这项研究的意义不仅在于建立了PGL力学性能的精准预测模型，更开创了"特征工程+集成学习"的材料计算新范式。通过ET模型的可解释性分析，首次量化了制造工艺参数（如孔隙率）与宏观性能的定量关系，为定向设计能量吸收支架、个性化骨植入物等功能材料提供了理论依据。未来研究可进一步融合物理信息神经网络(PINN)，以突破数据驱动模型的泛化瓶颈。

值得注意的是，该团队开创性地将LSTM用于静态力学性能预测，虽然其表现（R²=0.9401）略逊于树模型，但为处理时序加载条件下的性能演化开辟了新思路。正如作者指出，当前模型对超高孔隙率（>85%）样本的预测误差仍较大，这提示未来需要扩充极端参数样本库以提升模型鲁棒性。