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。

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