Machine Learning מתקרב לחיזוי ה-Thermal Degradation של Polymers

מבוא ל Machine Learning in Polymer Degradationחיזוי

היכולת לחזות כיצד פולימרים מתנהגים תחת לחץ תרמי היא אבן הפינה של מדעי החומרים המודרניים.מרכיבי הפלסטיק במנוע רכב לציפויים על החללית, הבנה של השפלה תרמית מבטיחה בטיחות, אמינות וארוכותיות מסורתית שיטות ניסיוניות מסורתיות, כגון ניתוח תרמוגרפי (TGA) וסריקה שונה של מחזורי שדה (DSC), לספק נתונים יקרים, אך הם זמן רב, פרטים יקרים, בהיקף מוגבל של תהליכי למידה, המאפשרים מתקדמים, מודלים מתקדמים, מודלים מתקדמים, מודלים של מודלים של עיבוד חומרים, מודלים של חומרים, עיצוב, המאפשרים, מודלים מתקדמים, מודלים מתקדמים, מודלים מתקדמים, מודלים מתקדמים, מודלים מתקדמים, מודלים מתקדמים, מודלים של חומרים, מודלים מתקדמים, מודלים של חומר, מודלים של חומר, מודלים של עיבוד חומרים, מודלים מתקדמים, מודלים מתקדמים, המאפשרים, מודלים מתקדמים, מודלים של עיבוד נתונים מורכבים, מודלים של חומרניים (DSC, המאפשרים, מודלים מתקדמים, מודלים מתקדמים, מודלים מתקדמים, המאפשרים, מודלים מתקדמים, מודלים מתקדמים, מודלים מתקדמים, מודלים של מודלים של מודלים מתקדמים, המאפשרים, מודלים מתקדמים, מודלים של חומרים מתקדמים, מודלים של עיבוד נתונים מורכבים, מודלים של חומרים מתקדמים, המאפשרים, מודלים של עיבוד נתונים מורכבים, המאפשרים, מודלים של עיבוד נתונים מורכבים, תכנון, מודלים של חומר מתמטיים,

יסודות של Polymer Thermal Degradation

מכניזם כימי מאחורי השמדה

(השפל) מתרחש כאשר רשתות פולימרים נחשפים לטמפרטורות גבוהות, מה שמוביל לנפיחות באיגרות חוב, ניתוק בין-קשר, או depolymerization.המסלול ההשפלה תלוי במבנה הכימי של פולימר, נוכחותם של ייצובים, והאטמוספירה הסביבתית (oxygen, inert גז, לחות) למשל, פוליפיפונים בדרך כלל לנפיחות אקראית של רשתות, בעוד ש-5% (Flowert) מתרחשת בטמפרטורות חד-Fastipret) באופן משמעותי בטמפרטורה של 1.5% (Fast) בטמפרטורה של 1D2D2, כלומר:

מפתחי מפתח משפיעים על היציבות הירומית

מספר משתנים פנימיים וחיצוניים משפיעים על ההתנגדות של פולימר להשפלה תרמית:

• משקל מולקולרי גבוה (FLT:0) משקל מולקולרי ופולידיספרסיות: אנדרל 1 (המשקל המולקולרי גבוה יותר) משפר באופן כללי יציבות תרמית עקב הסתבכות מוגברת של שרשרת ופחות שרשרת מסתיימת בתרומת ההשפלה.
• מבנה תפוצה:0Chemical Structure:FLT:1 טבעות Aromatic, heteroatoms, ודחיסות חוצה קישורים כולם משפיעים על אנרגיות אג"ח.
• (FLT:0)Additives and Fillers:FreaLT:1) Flame Retardants, נוגדי חמצון וננו-fillers (למשל, תחמוצת גרפן, צינורות פחמן) יכול לשפר באופן משמעותי או לשנות התנהגות השפלה.
• (FLT:0) קצב ואווירה: FLT:1 מהר יותר מתחמי עלייה בטמפרטורות גבוהות יותר (אפקט קינטי) חמצן מאיץ את ההשפלה החמצן, בעוד שאווירות אינרטיות אוהבות תגובות pyrolysis.

הבנת הגורמים הללו מאפשרת לחוקרים מהנדס תכונות רלוונטיות למודלים של למידת מכונה.לקרא עוד על מנגנוני הפחתת פולימרים, ראה את הביקורת המקיפה של FLT:0Pielichowski ו Njuguna (2019) FigFLT:1.

Machine Learningflows for Polymer Degradation

מקורות נתונים וניסויים

ההצלחה של כל מודל ML תלויה באיכות, בכמות וברלוונטיות של נתוני האימון. עבור ההשפלה פולימרית, נתונים ניסיוניים נאספים מתוך ספרות שפורסמה, מסדי נתונים תעשייתיים קנייניים, וניסויים בתפוקה גבוהה.

• ניתוח ה-RMOgravimetric (TGA) מדביק אובדן המוני כתפקוד של טמפרטורה.
• נתונים שונים לסרוק קלוריות (DSC) למדידת זרימת חום במהלך השפלה.
• מחקרים על הזדקנות איסותרמית שעוקבים אחר רכוש מכני משתנה לאורך זמן בטמפרטורות קבועות.
• Toxicity ו- flamability metrics כגון הגבלת אינדקס חמצן (LOI) וקצב שחרור חום.

מקורות זמינים לציבור כמו cc-Fialmer DatabaseBuildFLT:1 או the FPLT:2Polymer נכס חיזוי ומסד נתונים (PIRFLT 33033BuildFLT:4DB) FLT:5 לספק נתונים מובנים אידיאלי עבור הנדסת ML.עם זאת, נתונים ממעבדות שונות עשויים להשתמש בפרוטוקולים שונים, חימום, גיאומטריד ודגימות, המציגים, תכונות מותאמות לאפקטים, אשר יש צורך לספק נתונים אופציונליים להכשרה סטנדרטיות.

הנדסה של חומרים כימיים

מבנים כימיים גולמיים חייבים להיות מומרים לתכונות מספריות שאלגוריתמים של ML יכולים לעבד.

• (ב) [ה] טביעות אצבע מרשימות:0] וקטורים ביט המייצגים את נוכחותם או היעדרם של מבני תת-מבנה ספציפיים (למשל, מפתחות MACCS, Morgan טביעות אצבע).
• (ב) ⁇ :0) ,Topological Indices:FLT:1reaerical descriptors of Mole shape, קישוריות וחלוקת (למשל, אינדקס Wiener, Balaban Index).
• (ב) ,0) תכונות פיזיות: (FLT:1 טמפרטורת מעבר הזכוכית (TFLT:2gigFLT 3: 3), נקודת ההיתוך (ToriFLT:4migphal:5), צפיפות ופרמטרים של עדילות, או כפי שנקבע או נמדד ניסיוני.
• (ב) ,021 תרומה לגיוס: FLT:1 Summation ofתרומות מקבוצות פונקציונליות כדי לחזות טמפרטורה של השפלה (למשל, שיטת ואן קרבלולן).

הנדסה מתקדמת כוללת לעתים קרובות ירידה ממדית (למשל, ניתוח רכיב עיקרי) כדי למנוע קללה של ממדיות, במיוחד כאשר משתמשים בטכניקות בחירה אוטומטיות תכונה כגון חיסול תכונה recursive או L1 סדיריזציה לעזור לזהות את המטיפים המשפיעים ביותר.

מודלים ואסטרטגיות הדרכה

מגוון של אלגוריתמים של ML כבר הוחלו בחיזוי ההשפלה של פולימרים, כל אחד עם נקודות חוזק וחולשות:

מודלים לחיזוי טמפרטורה מתמשך

חיזוי הטמפרטורה המדויקת של ירידה או הטמפרטורה בירידה במשקל מסוים הוא משימה רגרסיה.

• (הופנה מהדף ⁇ ) ,0) , תוקפנות עם סדירזציה (Ridge, Lasso): LISP 1 פשוט, מהיר ופרשן, אך מניחה יחסים ליניאריים בין תכונות והמטרה.
• (FLT:0)Random Forest Regressor: 1 התאספות עצי החלטות שלוכדים אינטראקציות לא לינאריות ומספקת דירוגים חשובים.זה חזק לערים ולמטפלים חסרים נתונים היטב.
• (FLT:0) ,Support Vector Regression (SVRIRLT) יעיל בחללים תלת-ממדיים, אך דורש בחירה זהירה של הקרנל (למשל, הפונקציה בסיס קורנל) וכוונון יתר-פרפרפרמטר.
• (FLT:0)Gradient Boosting Machines (XGBoost, LightGBM): ibph 1 המדינה-of-the-art ביצועים על נתונים לשוניים על ידי תיקון שגיאות של עצים קודמים.הם לעתים קרובות החוצה יערות אקראיים דיוק, אבל הם נוטים יותר להתאים ללא סדירות.

מודלים לבחינת יציבות

ביישומים מסוימים, די לסווג פולימרים לקטגוריות כגון "שולחן מעל 400 מעלות צלזיוס" או "לא לוח זמנים".

• (FLT:0) תוקפנות לוגיסטית: FLT:1reample Probabilistic עבור סיווג בינארי, המשמש לעתים קרובות כבסיס.
• (ב) [15] יער ראנדרום ו- XGBoost Classifiers: FLT:1 שיעור חוסר איזון של משקל טוב על ידי שימוש במשקלים בכיתה או טכניקות oversampling כמו SMOTE.
• (FLT:0) Support Vector Machine (SVM): ההרחבה 1 Excels במציאת גבולות החלטה אופטימליים בחללים בעלי תכונות גבוהות, במיוחד עבור נתונים קטנים.
• (FLT:0) מערכי רשת:FIRLT:1 אדריכלות Deeper יכול ללכוד דפוסים מורכבים אך דורש נתונים גדולים יותר וסדירזציה כדי למנוע התאמה.

למידה עמוקה וGemph Neural Networks

ההתקדמות האחרונה בלמידה עמוקה מאפשרת מודלים שלמדו ישירות מהמבנה הגרף המולקולרי, עקפים את תיאורי היד של רשתות עצביות (GNN) מייצגים אטומים כנקודות אג"ח ואיגרות חוב, ולאחר מכן לבצע הודעה העוברת לחיזוי נכסים. GNNs הראו הבטחה לחיזוי טמפרטורות נמוכות תרמיות, כפי שהוכח במחקר על ידי FLT:0, Duvenud al. (2015) LT, אם כי תכונות אחרות של קונסולריות (TGA) הן יכולות להיות יותר מקודמות, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, כמו גם תכונות מוטציות מוטציות מוטציות מוטציות מוטציות מוטציות ⁇ ⁇ מוטציות מוטציות מוטציות ⁇ יותר מקודמותרפיות יותר מקודמותרפיות יותר מקודמותרפיות (D) או מוטציות מוטציות ⁇ , לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, כמו כן, לעומת זאת, כמו כן, כמו כן, כמו כן, כמו כן, כמו כן, כמו כן, כמו כן, כמו כן, כמו הוכחה במחקר על ידי מוטציות גנטיות יותר מקודמות, כמו הוכחה במחקר על ידי מוטציות מוטציות מוטציות מוטציות מוטציות מוטציות

הופעות ו-Compet Benchmarks

⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

במחקר שנערך בשנת 2021, החוקרים אספו נתונים של מעל 500 פולימרים פולימרים עם מדד ניסיוני TLACFLT:0 ;0 ; 000 ⁇ 1 ערכים (טמפרטורה של 5% ירידה במשקל) הם השתמשו בטביעות אצבע מורגן (רדריוס 2, 1024 ביטים) כתכונות והעריך כמה דגמים של רגרסיום (Ricial Reductions Reting) של 4, 3 LT2F) של אטומים, כלומר, 4.

צילום: Flame Retardant Formulations

מחקר נפרד התמקד בחיזוי מדד החמצן המגדרי (LOI) של תערובת פולימרים המכילה סרפדים להבה.שימוש במרשם יערות אקראי, המודל השיג 91% דיוק בסווגן חומרים כמו אובדן מעל או מתחת 26% (קריטריון משותף של חומרים לרישום עצמי), תכונות המפתח היו תוכן זרחן, היחס של תוספי מזון מערכי זיהוי ניסיוניים, ו- 70% (התיקים מחדש של הפולימרים) למעבדהת הפולימרים מחדש, לפני שמפתחים המשולבים מחדש של הטכניקות המשולבות מחדש של הפולימרים מחדש של הפולימרים מחדש של הפולימרים מחדש, הפולימרים מחדש של הפולימרים.

אתגרים טכניים ומגבלות מעשיות

מחסור בנתונים ושינויים ניסיוניים

אחד המכשולים הגדולים ביותר ביישום ML להשפלה פולימר הוא הגודל המוגבל והעקביות של נתונים זמינים.בניגוד מסדי נתונים מולקולה קטנה (למשל, פוב"ם עם מיליוני תרכובות), מסדי נתונים פולימרים מכילים בדרך כלל כמה אלפי ערכים יותר. יתר על כן, טמפרטורות השפלה דיווחו במחקרים שונים עבור אותו פולימרים יכולות להשתנות על ידי 20-30 מעלות צלזיוס בשל הבדלים בקצב חימום, דגימות, הכנה, ומדליקועית כלי מדידה זה לא יכול להפחית את הדיכאון, אלא ירידה, כמו גם את הטכניקות נוגדות באופן כללי.

ייצוג ועברות

רוב דגמי ה-ML מאומנת בכיתות ספציפיות של פולימרים (למשל, ויניל פולימרים, פוליסטרים) החל מודל למחלקה פולימרים ייחודית מבחינה כימית לעתים קרובות תוצאות ביצועים גרועים כי חלל תכונה ומנגנוני השפלה שונים.עבור למידה, שבו מודל לפני אימון על סט נתונים גדול הוא עדין על בסיס נתונים קטן יותר, הוא אזור פעיל של מחקר לדוגמה, מודל מאומן על ידי כמה דוגמאות פולימרים באופן טבעי יכול להישאר על ידי תריסר מודלים של חומרים מסוכנים כדי למנוע על ידי תריסר מודלים חדשים של חומרים מתקדמים על ידי חיזוי.

תובנות ותובנות כימיות

בעוד מודלים של ML יכולים להשיג דיוק צפוי גבוה, הם לעתים קרובות לפעול כמו "קופסאות שחורות", מה שהופך את זה קשה עבור מדענים חומרים להבין מדוע פולימר מסוים צפוי להיות יציב או לא יציב.סביר טכניקות AI, כגון SHAP (SHapley Additive exPlanations) ערכים או LIME (הסברים הבין-מודלים הבין-אגנוסטיים מקומיים), יכולים להדגיש תכונות אשר הובילו חיזוי ספציפי עבור דוגמה, לדוגמה, אך ורק להגדרה נמוכה של תוכן לא הגיוני, אך ורק להגדרה מדויקת של תוכן לא יכול להיות בעל משקל מולקולרית.

אפשרויות לעתיד ואפשרויות מתפתחות

שילוב עם ניסויים מתקדמים

הגבול הבא הוא שילוב סגור של ML עם ניסויים רובוטיים גבוה (HTE) פלטפורמות סינתזה אוטומטיות יכול לייצר במהירות עשרות דגימות פולימרים, בעוד מערכות TGA / DSC אוטומטיות למדוד את פרופילי ההשפלה שלהם.מודל ML אז זה מציע פורמולציה חדשה כדי למקסם (או) יעד, כגון טמפרטורה השפלה. "מעבדהנעה עצמית" כבר מוחל למולקולות של חלבון, ועכשיו הוא יכול לייצר נתונים מתקדמים על ידי אופטימיזציה מכנית של חלבון.

מודלים היברידיים-Informed

באופן טהור מודלים מבוססי נתונים ML להתעלם מהפיזיקה הבסיסית של השפלה פולימרית (למשל, Arrhenius קינטיקה, דיפוזיה של תנודתיות) מודלים היברידיים המשלבים משוואות קינטיות אינדוקציוניות כמו הטיה אינדוקטיבית יכול לשפר את התוספת לתנאים בלתי נראים.לדוגמה, רשת עצבית יכולה לחזות את אנרגיית ההפעלה ואת הגורם לפני החשיפה של מבנה פולימר, אשר משמשים אז בחיזוי של רשתות עצביות חזקות יותר.

תחזית רב-חשיבות

ההשפלה הירומית אינה מתרחשת בבידוד; היא קשורה לנכסים אחרים כגון כוח מכני, מוליכות חשמלית, ומודלים ללמידה רב-טמק, אשר במקביל לחזות כמה תכונות קשורות יכולים למנף את המשותף ולשפר דיוק.לדוגמה, לחזות הן TreaFLT:0dFLT:1 ו- Tenile כוח מאותה תיאורי מולקולרי יכול להניב ביצועים טובים יותר על שני מודלים נפרדים, במיוחד כאשר ראשי תיבות של תפוקה מוגבלת של נתונים.

תקנים וטכנולוגיות נתונים פתוחות

כדי להתגבר על פיצול של נתונים פולימרים, מאמצי הקהילה ממשיכים ליצור סטנדרטי, FAIR (מצא, גישה, רב-משמעי, רב-משמעי), מסדי נתונים. מיזמים כמו FLT:0Materials Data FacilityFLT:1 ופרויקט הפולימר Genome נועד לצבור נתונים עם metadata עקבי.

מסקנה

למידת מכונה התפתחה ככלי טרנספורמציה לחיזוי ההשפלה התרמית של פולימרים, המציעה את הפוטנציאל להאיץ את גילוי החומרים, להפחית עלויות ניסיוניות, ולדריך את העיצוב של חומרים ביצועים גבוהים.ממודלים רגרסיה פשוטים באמצעות טביעות אצבע כימיות גרפים מתקדמות אשר לומדים מבנה מולקולרי ישירות, טווח הטכניקות ממשיך להתרחב.עם זאת, אתגרים מעשיים - מחסור בנתונים, עמידות ניסיונית, ומודלים - חיזוי יעיל יותר ויותר, הן באמצעות תחזיות מדויקות של שיטות למידה, עם שיטות למידה מתקדמות יותר ויותר, הן, עם ניסיון יעיל יותר ויותר, עם שיטות למידה מתקדמות יותר ויותר, הן שיטות מתקדמות יותר ויותר, עם שיטות למידה, עם זאת, עם זאת, עם זאת, הן מבטיחות יעילה יותר ויותר, עם ניסיון יעיל יותר ויותר, עם ניסיון יעיל יותר ויותר, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם שיטות למידה יעילה יותר ויותר יעילות מבוססות מודלים מתקדמים יותר ויותר, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם