利用卷积神经网络从微观结构预测含木质素聚氨酯硬质泡沫的力学性能
发布时间:2026-09-12 | 来源:MDPI Polymers | 作者:Ilige S. Hage, Charbel Y. Seif, Jose Enrico Q. Quinsaat, Daniel J. van de Pas, Richard Vendamme, Wal
生物基替代品已被证明是传统硬质泡沫的良好替代方案,因其具有更高的可持续性和有竞争力的性能。然而,由于其制造工艺复杂且破坏性测试往往不切实际,本研究探讨了能否利用机器学习方法将含木质素硬质聚氨酯(PU)泡沫的微观结构特征与力学性能相关联。研究了多种类型和百分比的木质素基多元醇作为多元醇的部分替代物,包括LHO、DCA、D
生物基替代品已被证明是传统硬质泡沫的良好替代方案,因其具有更高的可持续性和有竞争力的性能。然而,由于其制造工艺复杂且破坏性测试往往不切实际,本研究探讨了能否利用机器学习方法将含木质素硬质聚氨酯(PU)泡沫的微观结构特征与力学性能相关联。研究了多种类型和百分比的木质素基多元醇作为多元醇的部分替代物,包括LHO、DCA、DCA-D、LHO-O、硫酸盐木质素(KL)和LHO-MD,多元醇替代水平范围为12.5%至50%,并设置了对照配方。利用扫描电子显微镜(SEM)图像及相应的力学压缩数据训练了一个定制的先进双头卷积神经网络(CNN),专门用于预测密度、比压缩模量、比屈服应力和比压缩强度。该CNN采用加权多输出损失函数进行优化,取得了较强的预测性能,R²值范围为0.850至0.91,相关系数高于0.92,同时平均绝对误差百分比保持在约9%以下。这证明了所训练网络能够预测和捕捉控制承载响应的形态特征。另一方面,Grad-CAM可视化揭示网络将其预测聚焦于具有物理意义的微观结构区域,如泡孔壁和支柱交汇处,这证实了所提出的网络可被归类为一种可解释的、非破坏性的、数据驱动的框架,用于预测和理解生物基PU泡沫的力学行为,从而减少因耗时的制造和破坏性测试所带来的不便。
返回资讯频道