Оценка и оптимизация параметров армирования композитного материала с использованием подхода машинного обучения

Укрепление пластика из привычных ингредиентов

От автомобилей до бытовой техники многие изделия содержат пластиковые детали, которые должны быть одновременно лёгкими и прочными. Инженеры часто улучшают характеристики, смешивая пластик с твёрдыми частицами, например металлом. Но точный подбор доли металла и размера частиц обычно остаётся медленным процессом методом проб и ошибок. В этом исследовании показано, как современные методы машинного обучения помогают конструкторам быстро находить оптимальные рецептуры таких металло‑армированных пластиков, экономя время, деньги и материалы.

Добавление металлического порошка в распространённый пластик

Исследователи работали с широко используемым пластиком — полиэтилентерефталатом (PET), тем же базовым материалом, что используется во многих бутылках и текстиле. Они получили новый композит, смешав PET с тонким металлическим порошком и сформовав смесь в плоские листы методом пресс‑формования — стандартного промышленного процесса. Чтобы понять, как рецепт влияет на свойства, они варьировали два ключевых параметра: размер металлических частиц (мельче 2 микрометров, от 2 до 4 микрометров и более 4 микрометров) и содержание металла в пластике, от 0 до 4 процентов по массе с малыми шагами.

Измерение поведения нового материала

Из каждой партии композита команда вырезала образцы и измерила три практических характеристики. Предел прочности при растяжении показывает, насколько образец можно растянуть до разрыва, а прочность при изгибе — насколько он сопротивляется изгибу. Процент удлинения отражает, насколько материал тянется, выступая показателем пластичности или гибкости. Стандартные испытательные машины растягивали и сгибали образцы до разрушения, и полученные данные записывались. Группа также использовала электронную микроскопию высокого разрешения и элементный анализ, чтобы подтвердить равномерное распределение металлических частиц в пластике и визуализировать их расположение в матрице PET. Эти изображения помогли связать микроструктуру с макроскопическими свойствами.

От статистики к интеллектуальному прогнозу

В качестве первого шага авторы применили классический статистический инструмент — методологию поверхности отклика. Этот подход использует заранее спланированный набор экспериментов для отображения влияния входных факторов — в данном случае размера частиц и содержания металла — на выходные параметры, такие как прочность и удлинение, и предлагает сочетание, которое балансирует все три показателя. Анализ указал на промежуточное содержание металла немного выше 1 процента и частицы среднего размера как хорошую компромиссную опцию, обеспечивающую умеренное повышение прочности и удлинения без чрезмерного влияния на какую‑то одну характеристику.

Позволяя алгоритмам находить лучший рецепт

Затем команда обратилась к машинному обучению, чтобы выйти за рамки первоначальных оценок. Они обучили две модели на основе решающих деревьев — Random Forest и XGBoost — на полном массиве экспериментальных данных. Алгоритмы научились учитывать, как изменения размера частиц и загрузки металлом влияют на предел прочности при растяжении, прочность при изгибе и удлинение. Проверяя модели на невидимых данных с помощью пятикратной кросс‑валидации, исследователи могли оценить способность алгоритмов обобщать, а не просто запоминать измерения. Были использованы несколько критериев качества, включая степень соответствия предсказанных значений реальным и величину средних ошибок.

Почему XGBoost оказался впереди

Оба подхода машинного обучения уловили основные закономерности в данных, но XGBoost показал себя лучше. Он давал более стабильные предсказания предела прочности при растяжении и других свойств, демонстрируя более тесное согласование с экспериментами и меньшие значения ошибок по сравнению с Random Forest. Поскольку XGBoost строит деревья решений шаг за шагом, корректируя предыдущие ошибки, он легче улавливает тонкие компромиссы между размером частиц, содержанием металла и получаемым приростом жёсткости при одновременной потере растяжимости. Модель также позволила авторам количественно оценить вклад входных параметров, подтверждая идею о том, что умеренное количество хорошо распределённого металлического порошка значительно улучшает механические свойства PET.

Что это значит для будущих материалов

Проще говоря, исследование демонстрирует, что компьютер, обученный на относительно небольшом наборе тщательно спланированных испытаний, может предсказать поведение новой металлическо‑пластиковой смеси и затем использовать эти знания для разработки лучших конструкций. Вместо изготовления и разрушения десятков дополнительных образцов инженеры могли бы спросить модель XGBoost, какая комбинация размера частиц и процента металла с наибольшей вероятностью удовлетворит их цели по прочности и гибкости. Хотя в работе рассматривались растяжение и изгиб, ту же методику можно позднее расширить на другие практические характеристики, такие как сжатие и сдвиг, что поможет ускорить разработку более безопасных, лёгких и эффективных композитных материалов.

Цитирование: Dandekar, Y.V., Rajput, M.S., Kumar, R.S. et al. Estimation and optimization of reinforcement parameters for composite material using a machine learning approach. Sci Rep 16, 6862 (2026). https://doi.org/10.1038/s41598-026-37295-3

Ключевые слова: металло-армированный пластик, полимерные композиты, материалы и машинное обучение, моделирование XGBoost, механические свойства