Рамочная модель обратного проектирования на основе суррогата для точного контроля диаметра электроспиннинговых нанофибров

Почему тонкие волокна важны

Многие повседневные технологии — от воздушных фильтров и медицинских повязок до датчиков и батарей — опираются на маты из чрезвычайно тонких нитей, называемых нанофибрами. Толщина этих волокон — часто всего несколько сотен нанометров — сильно влияет на то, насколько хорошо они задерживают частицы, направляют рост клеток или сохраняют энергию. При этом точная настройка толщины обычно требует утомительных экспериментальных подборок методом проб и ошибок. В этой статье предложен более умный, компьютерно-ориентированный способ проектирования нанофибров с заданным диаметром быстро и надежно, что может ускорить инновации во многих продуктах, зависящих от этих деликатных структур.

От струй при прядении к интеллектуальному проектированию

Исследование сосредоточено на электроспиннинге, широко используемом методе производства непрерывных нанофибров. В типичной установке высокое напряжение вытягивает тонкую струю полимерного раствора из иглы к коллектору, растягивая её в тонкие волокна по мере испарения растворителя. Изменение рецептуры раствора, приложенного напряжения, скорости потока и расстояния до коллектора может сделать волокна толще или тоньше, гладкими или более пористыми. Но эти регуляторы взаимодействуют сложными, нелинейными способами, поэтому небольшие изменения дают непредсказуемые результаты. Вместо того чтобы полагаться на эмпирические правила, авторы предлагают построить «цифровой двойник» процесса, который сможет предсказывать диаметр волокон на основе ограниченного набора тщательно подобранных экспериментов, а затем использовать этот двойник в обратном направлении, чтобы найти настройки, дающие желаемую толщину.

Построение цифрового двойника процесса образования волокон

Для создания цифрового двойника команда использовала существующий, тщательно спроектированный набор данных из 96 экспериментов по электроспиннингу с поливиниловым спиртом (PVA), распространённым водорастворимым полимером. В каждом эксперименте варьировались четыре ключевых параметра процесса: концентрация раствора, приложенное напряжение, скорость потока и расстояние от сопла до коллектора, и регистрировался полученный средний диаметр волокон, который варьировался примерно от 200 до 350 нанометров. Исследователи протестировали одиннадцать различных методов машинного обучения, чтобы выяснить, какой из них лучше всего выучивает зависимость между четырьмя входными переменными и диаметром волокон. Эти методы варьировались от простых линейных аппроксимаций до более гибких «ансамблевых» моделей, объединяющих множество небольших деревьев решений.

Выявление факторов, реально контролирующих размер волокон

Среди всех моделей наилучшие результаты показал алгоритм Extreme Gradient Boosting (XGBoost), объясняющий около 89 процентов вариации диаметра волокон на ранее невидимых данных. Чтобы убедиться, что модель не только точна, но и физически осмысленна, авторы применили инструмент интерпретируемости, известный как SHAP-анализ. Этот подход оценивает, насколько каждый входной параметр вносит вклад в предсказание. Анализ показал, что на толщину волокон в первую очередь влияют приложенное напряжение и концентрация раствора: более высокое напряжение обычно сильнее растягивает струю, давая более тонкие волокна, тогда как более высокая концентрация (а значит более вязкий раствор) сопротивляется растяжению и даёт более толстые волокна. Скорость потока и расстояние влияли меньше, но всё же смещали диаметр в духе того, что давно наблюдали экспериментаторы.

Доверяя алгоритмам поиск подходящего рецепта

Имея суррогатную модель, команда решила задачу «обратного проектирования»: какие настройки процесса использовать для заданного целевого диаметра? Они сформулировали задачу как минимизацию разрыва между диаметром, предсказанным моделью, и требуемым значением при условии, что все параметры остаются в реалистичных пределах. Сравнивались семь стратегий оптимизации — от грубого перебора по сетке и простого случайного поиска до продвинутых популяционных методов, которые итеративно уточняют множество кандидатов. Победителем стал метод роя частиц (Particle Swarm Optimization, PSO), имитирующий группу частиц, исследующих ландшафт и обменивающихся информацией. Он достигал целевых диаметров с чрезвычайно малыми ошибками — в среднем примерно до 2 нанометров — и делал это стабильно при повторных запусках, сохраняя при этом скромные времена вычислений.

Ограничения и пути развития

Рамочная модель в настоящее время настроена под один полимер в контролируемых лабораторных условиях, поэтому она пока не способна предсказывать поведение для принципиально других материалов или при изменении условий окружения, таких как влажность. Набор данных, хотя и тщательно составленный, также относительно мал и не содержит повторных измерений при идентичных условиях, которые помогли бы количественно оценить естественную вариабельность. Авторы утверждают, что добавление большего числа экспериментов, включая другие полимеры и параметры окружающей среды, а также обратная связь новых результатов в модель сделают цифровой двойник более общим и надёжным. Они также предлагают расширить метод для контроля не только диаметра, но и других характеристик, таких как прочность волокон или текстура поверхности, и включить практические ограничения производственных условий прямо в оптимизацию.

Что это означает для будущих материалов

Объединив цифровой двойник на основе данных с мощным поисковым алгоритмом, эта работа превращает электроспиннинг из искусства, управляемого опытом, в более предсказуемую задачу проектирования. Вместо десятков проб и ошибок, чтобы попасть в нужный размер волокна, исследователи или инженеры могли бы задать цель, а компьютер за секунды предложил бы жизнеспособные настройки процесса, после чего оставалось бы экспериментально проверить лишь несколько предложений. Хотя демонстрация проведена на нанофибрах, та же стратегия — обучение на компактном наборе экспериментов и затем обратное использование этих знаний — могла бы ускорить разработку многих других материалов и процессов, помогая новым фильтрам, матрицам для выращивания тканей, батареям и покрытиям быстрее переходить от идеи к практике.

Цитирование: Mahdian, M., Ender, F. & Pardy, T. A surrogate-based inverse design framework for targeted diameter control of electrospun nanofibers. Sci Rep 16, 11034 (2026). https://doi.org/10.1038/s41598-026-40692-3

Ключевые слова: электроспиннинг, нанофибры, обратное проектирование, машинное обучение, оптимизация процесса