基于替代模型的电纺纳米纤维目标直径逆向设计框架

为何微细纤维重要

从空气过滤器和医用绷带到传感器和电池，许多日常技术都依赖于由极细纤维构成的纤维毡。这些纤维的粗细——通常只有几百纳米量级——会显著影响它们的过滤效率、引导细胞生长的能力或储能性能。然而，要精确控制纤维直径通常需要在实验室中反复试验和调整。本文提出了一种更智能的计算机引导方法，能够快速且可靠地设计出目标直径的纳米纤维，可能加速依赖这些精细结构的众多产品的创新。

从纺丝喷射到智能设计

本研究聚焦于静电纺丝，这是一种常用的连续制备纳米纤维的方法。在典型装置中，高电压将聚合物溶液从注射针头拉向收集器，随着溶剂蒸发，喷射体被拉伸成细纤维。通过调整溶液配方、施加电压、流速和针头到收集器的距离，可以使纤维变粗或变细、表面更光滑或更多孔。但这些参数之间存在复杂的非线性相互作用，细微变化可能导致不可预测的结果。作者提出建立该工艺的“数字孪生”——一个能从有限且精心选择的实验数据预测纤维直径的模型，然后反向利用该孪生模型寻找能产生期望直径的工艺参数。

构建纤维工艺的数字孪生

为构建这一数字孪生，研究团队使用了现有的、精心设计的包含96次静电纺丝实验的数据集，实验对象为聚乙烯醇（PVA），这是一种常见的水溶性聚合物。每个实验在四个关键工艺参数上进行了不同设置：溶液浓度、施加电压、流速和针头到收集器的距离，并记录了所得平均纤维直径，范围约为200到350纳米。研究者测试了十一种不同的机器学习方法，以评估哪种方法能最好地学习这四个输入与纤维直径之间的关系，方法从简单的线性拟合到更灵活的“集成”模型（由多个小决策树组合而成）。

找出真正控制纤维尺寸的因素

在所有模型中，一种称为极端梯度提升（XGBoost）的算法表现最佳，能解释约89%的纤维直径变异（对未见过的数据）。为确保该模型不仅准确且具有物理合理性，作者使用了一种可解释性工具——SHAP分析。该方法估算每个输入对预测的贡献。结果显示，施加电压和溶液浓度在纤维厚度上占主导地位：更高的电压倾向于更强地拉伸喷射体，从而产生更细的纤维；而更高的浓度（即更黏稠的溶液）则抵抗拉伸，产生更粗的纤维。流速和距离的影响较小，但仍会微调直径，这与实验者长期观察到的情况一致。

让算法搜索合适的配方

在替代模型到位后，团队着手解决“逆向设计”问题：给定目标直径，应选择何种工艺参数？他们将此问题表述为在保持参数在合理范围内的前提下，最小化模型预测直径与目标值之间的差距。比较了七种优化策略，从暴力网格搜索和简单随机搜索到迭代改进多候选解的先进群体优化方法。其中一种称为粒子群优化（PSO）的技术脱颖而出。该方法模拟一群粒子在搜索空间中探索并共享信息，最终以非常小的误差达到目标直径——平均误差约为2纳米左右——且在多次运行中表现一致，同时计算时间保持适中。

局限性与改进空间

该框架目前针对单一聚合物并在受控实验室环境下调优，因此尚无法预测完全不同材料或变化的环境条件（如湿度）下的行为。尽管数据集经过精心设计，但规模相对较小，且缺乏在相同条件下的重复测量，这本可以帮助量化自然变异性。作者认为，增加更多实验（包括不同聚合物和环境条件）并将新结果反馈到模型中，将使数字孪生更通用、更可靠。他们还建议将方法扩展到不仅控制直径，还能控制如纤维强度或表面纹理等其他特性，并在优化中直接纳入实际制造约束。

对未来材料的意义

通过将数据驱动的数字孪生与强大的搜索算法相结合，该工作把静电纺丝从一种依赖经验的“手艺”转变为更可预测的设计任务。研究人员或工程师无需执行几十次试验来达到目标纤维尺寸，只需指定目标，让计算机在几秒钟内提出可行的工艺设置，然后仅对少量建议进行实验验证。尽管此处以纳米纤维为例，但同样的策略——从一组紧凑的实验中学习，然后反向利用该知识——可以加速许多其他材料与工艺的设计，帮助新的过滤材料、支架、电池和涂层更快地从概念走向现实。

引用: 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

关键词: 静电纺丝, 纳米纤维, 逆向设计, 机器学习, 工艺优化