机器学习指导的MQ硅树脂增强加成型硅橡胶设计:从文献数据挖掘到实验验证

发布时间:2026-09-10 | 来源:MDPI Polymers | 作者:Tianyi Xu, 黄月文, Hui Liu, Dan Qiu, Yuan Yuan, Shuaitao Zhang, Bin Wang

MQ硅树脂是加成型液体硅橡胶(LSR)广泛使用的补强填料;然而,由于已发表数据分散于不同基体化学、交联剂、催化剂体系和测试标准中,建立定量的组成–性能关系仍然具有挑战性。在此,我们提出了一种机器学习引导的工作流程,整合文献数据挖掘、可解释随机森林(RF)建模和独立实验验证,用于MQ增强LSR的设计。基于55个涵盖RTV

MQ硅树脂是加成型液体硅橡胶(LSR)广泛使用的补强填料;然而,由于已发表数据分散于不同基体化学、交联剂、催化剂体系和测试标准中,建立定量的组成–性能关系仍然具有挑战性。在此,我们提出了一种机器学习引导的工作流程,整合文献数据挖掘、可解释随机森林(RF)建模和独立实验验证,用于MQ增强LSR的设计。基于55个涵盖RTV和LSR体系的精选文献数据点训练了一个RF模型,使用四个具有物理意义的描述符(MQ含量、M/Q比、固化体系和乙烯基含量),其留一法决定系数(R2)分别为拉伸强度(TS)0.741和邵氏A硬度(HA)0.730,平均绝对误差分别为0.63 MPa和8.95 ShA。特征重要性和偏依赖分析表明MQ含量是主导描述符。在该模型指导下,设计并全面表征了七种LSR配方(乙烯基含量4 wt%,M/Q = 0.8,填充量5–35 wt%):模型在相应的训练平均绝对误差容差范围内重现了所有七种配方的实测TS和HA,而断裂伸长率(EB)的预测显著较弱(LOO R2 ≈ 0),仅能作为相对于MQ填充量的定性趋势来捕捉。该工作流程表明,一个适度的、精选的文献数据集,通过可解释的ML模型进行挖掘,可以支持配方设计和独立实验验证——这是一种高效、低成本的替代试错优化的方法。

返回资讯频道