机器学习在聚合物及其复合材料中的应用与实践

课程

内容

研究背景与机器学习基础模型介绍

1.机器学习在先进复合材料中的应用概述

2.机器学习用于聚合物及其复合材料研究的流程

3.数据机理协同驱动机器学习方法概述

4.基于物理机理的能量等效原理在纤维增强复合材料性能研究中的应用

5.数据机理协同驱动机器学习算法模型构建介绍

6.常用机器学习模型入门介绍

实例：展示不同的机器学习算法（如BP神经网络、SVR、CNN、DTR、RF）在复合材料性能预测中的应用，以及如何利用机器学习模型预测复合材料在不同温度下的力学性能

材料力学性能研究中应用机器学习模型

1.机器学习虚拟环境的搭建及所需库的安装

2.机器学习回归与预测的区别和联系

3.聚合物及其复合材料数据收集与数据预处理

实例：以PBO为例，讲解如何进行有效的数据清洗和预处理，以提高模型的预测准确性。

4.聚合物及其复合材料机器学习特征工程与选择

（1）递归特征消除（RFE）与皮尔逊相关系数

（2）输入特征综合选取

实例：以POM为例，讨论特征选择、特征工程在提高模型性能中的作用，以及如何结合物理机理进行特征选择。

5.常用机器学习模型用于聚合物及其复合材料力学性能研究

（1）BP神经网络

（2）支持向量回归（SVR）

（3）卷积神经网络（CNN）

（4）决策树回归（DTR）

（5）随机森林（RF）

实例：以纤维增强热塑性复合材料为例，使用物理基础的能量等效原理和机器学习算法来建立复合材料的力学性能模型，预测其应力应变曲

线并进行模型比较

6.机器学习模型评估

（1）回归模型中的评价指标（MSE、RMSE、MAE和R²）

（2）小提琴图绘制及评估

实例：以PBO为例，比较不同模型的性能并选择最佳模型

7.可解释性机器学习方法—SHAP

（1）SHAP理论基础，介绍SHAP值在复合材料力学性能预测中的应用，以及如何利用SHAP值进行模型解释和特征重要性分析

（2）计算和解释SHAP值

实例：以PBO为例，解释各输入特征对预测结果的影响

8.机器学习数据集及其对预测结果的影响

实例：以PBO为例，讨论数据集的质量和规模对模型预测性能的影响，以及如何构建和优化数据集

SCI文章写作与科研指导

1. 应用机器学习研究复合材料力学性能的SCI论文案例解析

参考文献：Theory-inspired machine learning for stress–strain curve prediction of short fiber-reinforced composites with unseen design space

（1）论文应用机器学习研究的创新点分析

（2）特征选取与数据预处理方法

（3）使用的模型结构与构建

（4）机器学习模型性能评估

（5）机器学习结果可视化

2.SCI论文撰写规范与创新思路

3.先进复合材料发展趋势与创新研究展望    4.论文写作互动环节