搜索:  
密苏里大学林见教授团队 Mater. Horiz.:虚拟实验快速筛选3D打印热塑性材料
2024-10-09  来源:高分子科技

  论文提出了一个虚拟实验平台,该平台使用物理信息化的机器学习算法来预测3D打印热塑性塑料的机械性能。基于墨水的复杂配方作为输入,这种方法可以准确的预测的材料的完整的应力-应变曲线。首先,作者把材料的物理化学信息转换为描述符作为模型的输入,其次。其次,他们把整个应力-应变曲线降维成几个向量作为模型的输出。这样有效地解决了在训练机器学习模型时实验数据稀缺的挑战。这使得新材料配方的快速原型制作和优化成为可能,同时显著减少了对广泛物理测试的需求。他们的模型成功应用于一个大型的墨水配方数据集,并通过实验结果验证,展示了该平台在加速3D打印材料设计中的潜力。


  在现代科学研究领域,虚拟实验已成为一种重要的技术进步。它允许研究人员在进行成本高昂且劳动强度大的物理实验前,先进行广泛的预实验筛选,从而细化实验范围并节省资源,集中精力于最有潜力的研究方向。3D打印技术正是此种方法的典型应用之一,它已在从航空到医疗等多个行业成为不可或缺的快速原型制造工具,主要得益于其成本效率高且能够创建复杂几何形状的能力。尽管如此,开发新的3D打印材料,特别是热塑性塑料,依旧面临着诸多挑战。热塑性塑料的机械性能至关重要,这些性能在很大程度上依赖于复杂的墨水配方及其单体之间的相互作用和聚合反应。传统实验要求探索大量的墨水配方来定位理想的机械属性,这个过程不仅耗时,而且昂贵。相比之下,虚拟实验技术让研究人员能够显著减少重复试验,优化实验条件。


  近日,来自密苏里大学的林见团队在3D打印热塑性塑料的研究中取得了进展。该团队提出了一种创新方法,在用来打印的六种单体中,探索了广泛的化学设计空间。这种方法利用物理信息的机器学习(PIML)进行模拟实验,仅通过前期的几十组实验条件就能够较为准确地预测用这些单体组成的墨水打印得到材料的完整的力学性能曲线。相比较一般的只能预测单一性能值的机器学习模型,预测完整的曲线面临一些挑战,特别是在缺乏足够多的实验数据的条件下。这项工作解决了这个问题,成功地将传统的实验流程转化为一个高效的虚拟实验平台,极大地提高了材料研发的效率和准确性。


  这项研究首先选定了六种单体:2-羟基-3-苯氧基丙基丙烯酸酯(HA)、异辛酸丙烯酸酯(IA)、N-乙烯基吡咯烷酮(NVP)、丙烯酸(AA)、N-(2-羟乙基)丙烯酰胺(HEAA)和异莰基丙烯酸酯(IBOA)。这些材料的选择反映了在复杂化学空间中机器学习模型的鲁棒性和适应性。接下来,将这些单体按不同的比例混合制备成墨水,并利用液晶显示(LCD)打印机进行打印。打印完成后,通过标准测试方法收集了热塑性塑料的应力-应变(S-S)曲线。这些曲线经过预处理并通过主成分分析(PCA)进行降维,以简化数据处理和分析。随后,使用墨水成分和物理信息描述符作为输入,训练了一个多层感知机(MLP)模型来预测这些降维后的数据。该流程的关键在于利用逆PCA技术重构预测的主成分(PCs)所对应的S-S曲线。模型训练有两点创新:第一,引入了一些基于物理化学的材料信息作为额外的输入;第二,把S-S曲线降维成几个向量作为模型的输出,这样就可以避免因为数据的缺乏,没办法很好的预测所有S-S曲线上的点。为了证实此方法的有效性,研究团队在验证机器学习方法的准确性后,在设计空间中进行了100,000组的虚拟实验。通过对随机选择的几组数据进行实际验证,展示了该方法的高效性和准确性,为未来的材料设计与开发提供了一种全新的研究工具。


图1. 论文的工作流程


  在这项研究中,相较于之前的工作,一个突出的挑战是所涉及材料表现出更为复杂的力学性能。此外,公认的一点是,即使使用相同配方制备的多个拉伸试验样品,所收集到的应力-应变曲线也会表现出一定的随机性。这在机器学习应用中构成了一个重大挑战:虽然每个配方的输入相同,但得到的力学性能曲线却呈现出随机的变异。这种随机性使模型训练变得复杂,因为模型需要从同一输入的不同输出中提取出可靠的信息。此外,数据本身的极端差异性,如某些样本的断裂应变非常低,而其他样本则显著高,这要求算法能够有效处理广泛的输出范围,并从中识别出有价值的模式。


图2. (a) 展示了实际材料力学性能测试中随机误差的现象及其概括方法。(b) 通过一些例子,展示了材料设计空间中包含的广泛且不同的力学性能。


  为了量化实验观察到的随机性,作者引入了一项称为 e_value 的指标。这一指标基于相同配方制备的多个样本的力学曲线在断裂点发生的时间差异来计算,用于概述样本间的变异性。在数据处理方面,研究团队首先通过插值方法将所有力学曲线标准化至50个数据点,以统一数据格式和尺度。接着,运用主成分分析(PCA)方法,一种非监督学习技术,进行数据降维并提取关键特征。在本研究中,PCA助力简化复杂的力学性能曲线,将其转化为几个主要的主成分(PC值),反映了数据中的主要变异。


  关于这种方法的有效性和可解释性,作者在图3中探讨了应选择多少个PC值来最佳地代表数据的变异性。在图4中,他们采用可解释性分析来探索这些PC值与科学理解之间的联系。结果显示,第一主成分(PC1)主要控制材料的断裂点位置,即影响断裂点的“左右”位置;第二主成分(PC2)则调节塑性区的“上下移动”,而第三主成分(PC3)控制塑性区的“斜率”。这一发现揭示了,尽管PCA是非监督方法,但研究团队通过这些主成分有效地揭示了材料行为的关键特性,证实了此方法在科学研究中的实用性和强大的解释能力。


图3. 讨论不同的PC值个数对曲线重构的影响。(a) 不同数量主成分(n)对应的累积解释方差(CEV)。随着主成分数量(n)的增加,应力均方根误差(RMSE)(b)和应变均方根误差(RMSE)(c)的变化。随着主成分数量(n)的增加,重构的应力-应变曲线,分别对应于(d)柔软/有弹性、(e)柔软/延展性、(f)坚强/韧性以及(g)柔软且有弹性的样本。


图4. (a) 对于坚强/韧性样本,每个主成分(PC1至PC5)的变化与重构的应力-应变(S-S)曲线的变化关系。(b) 标记了特征点的典型应力-应变曲线。


  接着,作者详细阐述了采用多层感知机(MLP)模型来预测主成分(PC值)的方法,并特别指出了运用Dropout和L1正则化技术以防止过拟合的重要性。论文中的表格提供了模型准确性的定量分析,并通过对比没有包含物理信息的模型数据,展示了物理信息输入的显著效益。此外,作者对引入的物理信息描述符进行了深入的可解释性分析,这些描述符包括分子的总能量、溶解度、分子量、极性表面积以及重原子数等,这些物理量不仅提升了模型的预测精度,还与已有文献的描述相符。通过运用积分梯度(IG)方法,作者量化了这些描述符的影响力,IG方法通过分析特征梯度的变化对输出的影响进行了评估。计算结果显示,诸如总能量之类的描述符在确定聚合物的结构凝聚力、排列和机械属性方面起着决定性作用。相较之下,溶解度、分子量、极性表面积和重原子数的影响相对较小,表明模型有效地捕捉了与链缠结、分子间力和空间效应相关的关键信息,这些都是决定聚合物性能的重要因素。另外,如复杂性、亲脂性、氢键供体、氢键受体和可旋转键等描述符的影响则相对较小,主要与分子大小、疏水性和构型灵活性相关,对聚合物机械性能的直接决定作用较小。


图5. (a) 四个代表性样本的实际应力-应变曲线(黄色)与预测曲线(蓝色)的比较。考虑到不确定性,使用从-2到2变化的 e_values 预测应力-应变曲线,这些曲线以95%的概率显示(灰色线条)。(b) 13个物理信息特征的重要性。δd:由分子偶极矩影响的溶解度,δp:溶解度参数,δh:溶解度的氢键成分,δ:用能量密度(MJ/m3)表达的溶解度。(c) 六种单体的比例和 e_values 的重要性。


  随后,作者使用模型进行了100,000组墨水配方的虚拟筛选实验。在此过程中,首先通过狄利克雷分布方法随机生成配方,确保每种单体分布均匀,并利用课题组先前发表的研究中的预训练随机森林模型来预测这些配方的可打印性,仅将可打印的配方输入多层感知机(MLP)模型进行进一步预测。这一方法不仅快速而且高效,预测过程仅用了1分钟。通过MLP模型预测的主成分,重构了应力-应变曲线,并从中提取了断裂强度、最大应变和韧性等关键参数。


  在虚拟筛选的指导下,作者随机选择了三种类型的热塑性塑料(坚强/韧性、坚强/脆性、柔软/弹性)进行了实验验证,每种类型选取两种配方,每种配方打印三个样本进行测试。实验结果的应力-应变曲线与MLP模型预测的趋势高度一致,验证了模型的预测准确性和可靠性。脆性样本的断面显微结构分析和软/弹性样本的曲线微小差异进一步证实了模型的有效性,并且均在预测的不确定性范围之内。这些实验验证结果表明,所开发的MLP虚拟实验模型不仅可靠而且迅速,极大地促进了设计空间的探索和新材料的快速开发,提高了材料开发的效率并显著减少了物理实验的需求,节省了时间和资源。


图6.(a) 从预测的应力-应变(S-S)曲线中提取的断裂强度、断裂应变和韧性的图表。红色星号i、ii、iii分别表示在面板b-c、d-e和f-g中显示的选定墨水配方。三种样本的应力-应变曲线(红色、绿色和蓝色)分别使用预测将产生(b-c)坚强/韧性、(d-e)硬/脆性和(f-g)柔软/弹性类型的热塑性塑料的墨水配方打印。灰色区域表示预测的应力-应变曲线的不确定性范围。


  林见研究团队利用物理信息化的机器学习技术对多种单体组合的3D打印热塑性塑料进行了详尽的虚拟实验,探索了这些材料的力学性能。这种创新的方法极大地加速了研究人员根据特定性能需求快速探索和定制材料的能力。研究还详细讨论了现实材料实验中可能遇到的误差问题,以及如何在虚拟实验中处理这些情形,显著提升了虚拟实验的准确性和可靠性。这一快速的3D打印热塑性材料设计方法有望在未来被广泛应用于多个行业,从而推动制造业技术的革新和发展。
该研究团队的成果已经在《Material Horizons》期刊上发表,论文题为《Physics-informed machine learning enabled virtual experimentation for 3D printed thermoplastic》。陈真儒博士是论文第一作者,林见教授是通讯作者。具体实验方法请参见原文。论文的原始数据和部分代码已公开,可通过以下链接访问https://github.com/linresearchgroup/VirtualEXP_3Dprinting。


  原文链接:https://doi.org/10.1039/D4MH01022A

版权与免责声明:本网页的内容由中国聚合物网收集互联网上发布的信息整理获得。目的在于传递信息及分享,并不意味着赞同其观点或证实其真实性,也不构成其他建议。仅提供交流平台,不为其版权负责。如涉及侵权,请联系我们及时修改或删除。邮箱:info@polymer.cn。未经本网同意不得全文转载、摘编或利用其它方式使用上述作品。
(责任编辑:xu)
】【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