基于机器学习的人工神经网络（ANN）适应复杂非线性系统，在智能识别不可见因素方面具有优势，以此建立了具有实验范围外数据预测能力的ANN模型，预测了高速冷却条件下聚丙烯的比体积，适应实际注射成型过程。聚合物的比体积是一个关键参数，作为一种基本材料性质，它提供了许多非常有前途的应用。然而，通常作为压力（p）和温度（T）的函数的比体积（v）不能满足关于实验结果的精度要求。此外，聚合物制品成型过程是一个快速冷却过程，冷却速率（dT/dt）对聚合物的pvT行为有显著影响。然而，现今的商业测试设备无法获得高冷却率的pvT数据。因此，预测用于快速冷却应用的聚合物的比体积仍然是一个挑战。一些理论模型（如晶胞\晶格\空穴模型）只适用于描述聚合物液态pvT行为，且较复杂，难应用于实际生产。目前用于注射成型的pvT状态方程都是基于pvT测试实验数据的经验模型，如Tait和Schmidt模型。另外，常规pvT模型没有考虑冷却速率的显著影响，对制品收缩和翘曲的预测精度较低。注射成型过程中，模腔内聚合物温度变化差异很大，靠近模腔壁面的冷却速率可达3000°C/min，靠近制品中心的冷却速率也高达60°C/min。商用PVT测试仪仅能达到30°C/min，且高速冷却下的样品内部温度梯度很大，严重影响了测试精度。亟待构建考虑冷却速率影响的高精度pvT模型，预测实验无法测到的聚合物比体积及其随压力和温度的变化。新开发的连续双域pvT状态方程（EoS）通过添加冷却速率因子可以实现高冷却速率条件的聚合物比体积预测，但是模型的数据拟合和参数回归存在繁琐和不确定性，可能由于局部极小现象而无法获得最佳参数集。机器学习算法促进了通过数据驱动的聚合物科学，并有可能探索尚未发现的序列模式——过程依赖性。基于机器学习的人工神经网络（ANN）算法适应对复杂非线性系统建模，在智能识别不可见因素方面具有优势，但鲜有通过ANN预测聚合物pvT关系的报道。因为ANN可很容易实现数据范围内插值的良好预测，但对于超出训练数据极值的外推并不有效。由于商用pvT测试仪在高速冷却方面的局限性和低精度，通过ANN外推实验范围外的聚合物比体积是一个重大挑战。为此，构建了适用于聚合物pvT关系的ANN建模方法，成功实现了6000°C/min冷却速率条件下聚丙烯（PP）比体积的预测。这项工作涉及ANN在实验不确定性范围内对依赖于p、T和dT/dt的v进行建模的潜在应用。将半结晶PP在
40–240°C的温度范围、200–2200 bar的压力和2–20°C/min的设定冷却速率下的实验pvT数据用于ANN训练。进行超参数搜索以识别优化的超参数集。这项工作的一个贡献是确定人工神经网络的输入数据特征。模型输入数据的扩展对于确认准确性是重要的，特别是对于实现良好的外推能力，但大量的相关数据可能会使这种机器学习模型非常容易受到过度设置的影响。除了时间、温度和压力之外，对于更高冷却速率的影响是无法实验得到的。作为输入层的一个神经元的冷却速率的增加导致了过拟合。对此的一种可能解释是它对时间和温度的依赖性，这些参数已经被选择作为输入参数。优化后的人工神经网络仅使用了24组有限的实验pvT数据。通过差示扫描量热法（DSC）和闪速DSC获得的大气压（1bar）和冷却速率（2–300000°C/min）下的Tt实验值用于间接验证ANN的预测准确性。新开发的连续双域pvT状态方程（EoS）也被应用于比较。当试图预测超出pvT测量范围的比体积（冷却速率高达6000°C/min，压力为1 bar）时，ANN方法在插值和外推方面都显示出最可靠的预测结果。同时发现，建立的ANN模型可“感知”起始温度的影响，常规PVT状态方程则无法“感知”。相关模型及方法对于降低实验室和劳动力成本以及实现某些通过实验可能无法实现的预测非常重要。该方法可以很容易地适用于预测其他聚合物的比体积，并在数值模拟、聚合物加工的智能过程控制和下一代机器的云计算方法方面具有良好的潜力。以上研究成果以《Prediction of Specific Volume of Polypropylene at High Cooling Rates by Artificial Neural Networks》为题在材料领域权威期刊Industrial and Engineering Chemistry Research（Ind. Eng. Chem. Res. 2021, 60, 14434）上发表，且被选为“补充封面论文”。该论文第一作者和通讯作者为北京化工大学王建教授。
论文链接：
https://doi.org/10.1021/acs.iecr.1c02622
相关进展
北化王建教授课题组在超大长径比双螺杆挤出机用于超高分子量聚乙烯凝胶纺丝的最新进展
北化大王建教授团队：在模拟注射成型过程条件下测定聚合物的比容
北化大王建教授团队：引入石墨烯提高聚丙烯自增强复合材料的力学性能
高分子科技原创文章。欢迎个人转发和分享，刊物或媒体如需转载，请联系邮箱：info@polymer.cn
欢迎专家学者提供稿件（论文、项目介绍、新技术、学术交流、单位新闻、参会信息、招聘招生等）至info@polymer.cn，并请注明详细联系信息。高分子科技®会及时推送，并同时发布在中国聚合物网上。
欢迎加入微信群 为满足高分子产学研各界同仁的要求，陆续开通了包括高分子专家学者群在内的几十个专项交流群，也包括高分子产业技术、企业家、博士、研究生、媒体期刊会展协会等群，全覆盖高分子产业或领域。目前汇聚了国内外高校科研院所及企业研发中心的上万名顶尖的专家学者、技术人员及企业家。
申请入群，请先加审核微信号PolymerChina （或长按下方二维码），并请一定注明：高分子+姓名+单位+职称（或学位）+领域（或行业），否则不予受理，资格经过审核后入相关专业群。
