華南理工大學張安強教授團隊 Macromolecules：集成分子動力學與機器學習的多組分聚氨酯彈性體性能預測與解釋
2024-11-30 來源：高分子科技
在多組分聚氨酯彈性體的研究中，建立化學組成、分子結構和宏觀性能之間的定量聯系仍然是一個具有挑戰性的任務。分子動力學和機器學習方法已廣泛用于各種材料的研究。近日，華南理工大學材料科學與工程學院張安強教授團隊將分子動力學和機器學習方法相結合，提出了一個新的結構與性能分析流程（圖1）。其中，分子動力學方法為機器學習方法提供了高質量的數據集，而機器學習方法有助于降低分子動力學復雜的建模過程以及算力成本，能夠實現對不同組分聚氨酯材料性能的快速預測。并且借助可解釋的機器學習方法，將多組分聚氨酯材料的一系列結構參數賦予相應的特征值，進一步數字化分析各個結構參數對最終性能的影響占比。
圖1 分子動力學和機器學習的集成流程圖
該研究以聚二甲基硅氧烷（PDMS）和聚碳酸脂多元醇（PCDL）作為軟段基體，構建了一系列不同PDMS/PCDL組分配比、不同混合方式（共混、共聚）的聚氨酯彈性體模型。其中，共混系統將分別基于端胺基PDMS的聚氨酯彈性體與基于端羥基PCDL的單軟段組份聚氨酯彈性體進行物理混合；共聚系統將端胺基PDMS與端羥基PCDL聚合到同一條分子鏈上后一并作為混合軟段參與聚氨酯的合成。
圖2 不同PDMS、PCDL比例下的分子動力學參數
圖3 共混、共聚模型下分子動力學參數
圖4 共混、共聚模型下的拉伸強度及其與自由氫鍵和硬區氫鍵的線性關系
圖5 通過皮爾森相關系數（PCC）對特征值進行篩選
圖6 六種機器學習模型的決定系數（R2）和均方根誤差（RMSE）分析
圖7 六種機器學習模型超參數優化后的預測曲線
圖8 六種機器學習模型的特征重要性及XGB模型的SHAP值分析
圖9 SHAP解釋的預測數據生成瀑布圖
圖10 機器學習預測系統中氫鍵數目和預測每一條分子鏈上可生成氫鍵及SHAP重要性分析
圖11 SHAP方法對每個分子鏈中氫鍵數量的特征貢獻進行全局評估
原文鏈接：https://doi.org/10.1021/acs.macromol.4c02559
版權與免責聲明：中國聚合物網原創文章。刊物或媒體如需轉載，請聯系郵箱：info@polymer.cn，并請注明出處。
（責任編輯：xu）
相關新聞
- 大連理工大學張磊副教授、孫吉寧教授團隊：類液體表面液體潤濕行為分子動力學模擬 2024-09-13
- 中山大學李斌課題組 Macromolecules：利用粗粒化分子模擬探究星型聚電解質在不同溶液環境中的自組裝行為 2024-04-01
- 天大封偉教授團隊與合作者 AFM：分子動力學模擬與實驗結合探究分子界面的熱傳輸行為 2023-12-04
- 中科院長春應化所 AM: 發明“機器學習增強試錯法” - 實現橡膠配方高效、極限優化，已應用于高技術裝備制造 2025-03-14
- 山西師大崔小靜 ACS Sensors：機器學習輔助熱電水凝膠實現自驅動面部感知 2025-01-11
- Science：AI和高通量結合的逆向分子設計加速材料發現 2024-12-14
- 華南理工劉偉峰和廣東工大邱學青 Macromolecules：兼具優異力學性能和動態循環加工性能的全酚型木質素基聚氨酯彈性體 2025-03-21
