第一作者：荣超#，周磊#
通讯作者：张博威*，轩福贞*
二维过渡金属碳化物（MXene）与纳米纤维素复合气凝胶因其独特的压缩力学性能而显示出巨大的应用潜力。然而，复合气凝胶的压缩力学性能对其结构单元的物理参数敏感，实验研究只能专注于少数输入变量的影响，难以通过高通量实验来优化这些参数。
为了解决上述的科学问题，华东理工大学轩福贞、张博威等在Composites Communications上发表了题为 “Machine learning for mechanics prediction of 2D MXene-based aerogels” 的研究论文。该团队通过机器学习（ML）实现了对MXene/纳米纤维素气凝胶的力学性能预测。基于已报道的34组Ti3C2 MXene数据，训练了三种机器学习算法：人工神经网络（ANN）、支持向量机（SVM）和随机森林（RF）。结果表明，人工神经网络能较好地拟合各种非线性输入特征。Ti3C2的相对含量是影响复合气凝胶压缩模量的主要因素。通过对复合气凝胶力学性能的预测，得到了最大压缩模量为29 kPa时的定量结构调整。该工作为用ML预测复合材料的力学性能提供了指导。
图1、通过人工神经网络的机器学习模型预测机械性能，以及MXene/纳米纤维素复合气凝胶的结构。
通过在输出和标签之间反向传播损失值梯度来更新模型参数，完成模型训练过程。
图2、该研究中使用的机器学习预测流程图
随机森林模型还可以根据不同叶节点的重要度获得每个输入特征的重要度
图3、SVM和随机森林机器学习模型的预测值
训练了一个ANN模型来提高混合气凝胶力学性能的预测精度
图4、人工神经网络机器学习模型的预测值
文献信息：
Chao Rong#, Lei Zhou#, Bowei Zhang* & Fu-Zhen Xuan*. Machine learning for mechanics prediction of 2D MXene-based aerogels. Composites Communications 2023, 38, 101474.
https://doi.org/10.1016/j.coco.2022.101474
