基于机器学习的海藻衍生生物塑料薄膜实验优先级排序:利用稀疏文献数据逼近LDPE类力学目标
发布时间:2026-09-02 | 来源:MDPI Polymers | 分类:PE | 作者:Nicolas Rafael Andrés Gallardo Gatica, José Luis Valín Rivera, María Elena Fernández Abreu, Francisc
海藻多糖薄膜是石油衍生柔性包装的潜在替代品,但文献数据稀少且异质性高。本研究评估了仅基于成分的机器学习模型是否能在标称低密度聚乙烯(LDPE)力学目标(拉伸强度15 MPa,断裂伸长率300%)附近,对已报道的海藻配方进行实验后续优先级排序。分析了一个包含115个配方、41个成分预测因子的已发表数据集,使用了正则化线性
海藻多糖薄膜是石油衍生柔性包装的潜在替代品,但文献数据稀少且异质性高。本研究评估了仅基于成分的机器学习模型是否能在标称低密度聚乙烯(LDPE)力学目标(拉伸强度15 MPa,断裂伸长率300%)附近,对已报道的海藻配方进行实验后续优先级排序。分析了一个包含115个配方、41个成分预测因子的已发表数据集,使用了正则化线性基线(岭回归)、随机森林以及一个刻意浅层且正则化的XGBoost模型。模型性能通过重复五次交叉验证(10次重复;50次测试折评估)进行估计。对于拉伸强度,随机森林的平均R²为0.617 ± 0.174,XGBoost为0.628 ± 0.150,相应的RMSE值分别为12.35 ± 3.52和12.27 ± 3.84 MPa。对于伸长率,随机森林和XGBoost分别达到平均R²值0.498 ± 0.194和0.470 ± 0.188。线性基线的稳定性明显较差,表明现有的成分-性能关系无法由全局线性模型充分表征。观测到的最大伸长率为172.5%,比300%的筛选目标低42.5%;等价地,该目标比数据集最大值高73.9%。因此,该模型无法确立LDPE等效性或对目标进行可信的外推。残差诊断、学习曲线和SHAP分析被纳入以限定解释范围。可辩护的结果是在观测域内的实验优先级排序,而非逆向设计或材料替代。
返回资讯频道