华南理工大学张安强教授团队 Macromolecules：集成分子动力学与机器学习的多组分聚氨酯弹性体性能预测与解释

2024-11-30 来源：高分子科技

在多组分聚氨酯弹性体的研究中，建立化学组成、分子结构和宏观性能之间的定量联系仍然是一个具有挑战性的任务。分子动力学和机器学习方法已广泛用于各种材料的研究。近日，华南理工大学材料科学与工程学院张安强教授团队将分子动力学和机器学习方法相结合，提出了一个新的结构与性能分析流程（图1）。其中，分子动力学方法为机器学习方法提供了高质量的数据集，而机器学习方法有助于降低分子动力学复杂的建模过程以及算力成本，能够实现对不同组分聚氨酯材料性能的快速预测。并且借助可解释的机器学习方法，将多组分聚氨酯材料的一系列结构参数赋予相应的特征值，进一步数字化分析各个结构参数对最终性能的影响占比。

图1 分子动力学和机器学习的集成流程图

该研究以聚二甲基硅氧烷（PDMS）和聚碳酸脂多元醇（PCDL）作为软段基体，构建了一系列不同PDMS/PCDL组分配比、不同混合方式（共混、共聚）的聚氨酯弹性体模型。其中，共混系统将分别基于端胺基PDMS的聚氨酯弹性体与基于端羟基PCDL的单软段组份聚氨酯弹性体进行物理混合；共聚系统将端胺基PDMS与端羟基PCDL聚合到同一条分子链上后一并作为混合软段参与聚氨酯的合成。

分子动力学模拟结果表明，聚氨酯弹性体中硬区发生了明显的聚集，在拉伸过程中，变形的增加会导致系统内部空隙的形成，最终导致材料在应力集中点断裂，在软段中引入长分子链可以增加材料的柔性，但同时也会降低其拉伸强度（图2）。一系列的共混、共聚模型进一步揭示了体系中对拉伸性能的影响的主要因素，在聚氨酯弹性体基质中存在各种类型的氢键，硬段中形成的强氢键相较于游离的弱氢键作用对材料的拉伸性能影响更加显著（图3，图4）。

图2 不同PDMS、PCDL比例下的分子动力学参数

图3 共混、共聚模型下分子动力学参数

图4 共混、共聚模型下的拉伸强度及其与自由氢键和硬区氢键的线性关系

接下来，研究团队将一系列聚氨酯弹性体模型的结构参数和分子动力学计算所得的动态参数进行特征化处理，获得了可用于机器学习的高质量数字化数据集。通过皮尔森相关系数（Pearson correlation coefficient, PCC）筛选出了一系列对拉伸性能高影响（PCC > 0.8）的特征值（图5）。使用了多种机器学习算法在数据集上进行交叉验证（图6）和拉伸性能预测（图7），将模型性能和泛化能力均表现良好的XGB算法作为首选算法。通过可解释的机器学习方法（Shapley Additive exPlanations，SHAP方法）分析表明：可旋转键数、氢键供体/受体数和重原子数是影响拉伸强度重要的特征（图8，图9）。

图5 通过皮尔森相关系数（PCC）对特征值进行筛选

图6 六种机器学习模型的决定系数（R²）和均方根误差（RMSE）分析

图7 六种机器学习模型超参数优化后的预测曲线

图8 六种机器学习模型的特征重要性及XGB模型的SHAP值分析

图9 SHAP解释的预测数据生成瀑布图

认识到氢键作为影响拉伸性能的一项重要影响参数，该团队进一步构建了用于预测系统中氢键数目和预测每一条分子链上可生成氢键的两个新数据集（图10）。机器学习对于分子链上氢键的预测相较于体系中氢键的预测更加离散，说明了高分子系统中单独分子链具有无定形性，但整体分布稳定在一个可预测区间。全局SHAP分析表明，关于系统的参数特征值重要性要高于但分子链的特征重要性，说明目标性能获取需要对材料组分进行整体调控（图11）。

图10 机器学习预测系统中氢键数目和预测每一条分子链上可生成氢键及SHAP重要性分析

图11 SHAP方法对每个分子链中氢键数量的特征贡献进行全局评估

该工作以“Prediction and Explanation of Properties in Multicomponent Polyurethane Elastomers: Integrating Molecular Dynamics and Machine Learning”为题在Macromolecules发表。华南理工大学材料科学与工程学院博士生孟昱江为该论文第一作者，华南理工大学材料科学与工程学院张安强教授与华南农业大学材料与能源学院林雅铃副教授为共同通讯作者。该研究得到了国家自然科学基金和广东省自然科学基金项目的支持。

原文链接：https://doi.org/10.1021/acs.macromol.4c02559

版权与免责声明：中国聚合物网原创文章。刊物或媒体如需转载，请联系邮箱：info@polymer.cn，并请注明出处。

（责任编辑：xu）

【大中小】【打印】【关闭】

诚邀关注高分子科技

更多>>最新资讯

更多>>科教新闻