美国密西根大学的研究团队开发了一种机器学习算法，该算法可以准确预测10万种含不同种添加氧化物的SiO2玻璃的密度和弹性模量。期望能够为汽车和风力涡轮机中使用的玻纤复合材料设计轻量化、高刚度的配方组成。研究结果发表在“npj Computational Materials”上。
以玻璃纤维、碳纤维、芳香族聚酰胺纤维等为增强材料的高分子复合材料广泛用于汽车、飞机、建筑结构、运动器材、工业设备等领域。其中，玻璃纤维增强复合材料由于其较低的制造成本占据了80％以上的市场。由于弹性模量和拉伸强度不如碳纤维和芳香族聚酰胺纤维且密度更大，导致玻璃纤维的比弹性和比强度仅为上述材料的1/2?1/3。
为了将来扩大玻璃纤维增强复合材料的应用范围，有必要对玻璃进行化学成分设计，在降低其密度的同时提高弹性模量和拉伸强度。由于玻璃具有非晶态结构，不像金属晶体那样具有规则性，因此很难预测原子间结合键和物理/化学性质。即使使用计算机模拟，也需要很长的计算时间，并且机器学习所需的关于原子间结合键属性的基本数据也很少。
密西根大学材料科学与工程系Liang Qi教授领导的研究团队面对以上挑战，构建了一种适合少量数据的GBM-LASSO机器学习算法。通过由二元和三元SiO2玻璃样品组成的数据集进行模拟和实验，用模拟数据和实验数据对机器学习模型的预测进行了全面比较和验证，机器学习算法显示出了很有成效的结果。GBM-LASSO机器学习算法能够建立组成一个特性数据库，可以准确地预测10万种包含10种以上添加氧化物的玻璃的密度和弹性模量。
Liang Qi教授表示，研究团队未来将对机器学习模型进行优化并研究其他的模拟算法，除了可以预测玻璃材料的密度和弹性模量之外，还可以预测玻璃材料的拉伸强度、韧性和熔点等特征参数。该研究项目得到了美国Continental Technology公司的资助支持。
【转载声明】：本微信公众号所转载的文章，其版权均归原作者所有，遵循原作者的版权声明，如果原文没有版权声明，我们将按照目前互联网开放的原则，在不通知作者的情况下转载文章。如果转载行为不符合作者的版权声明或者作者不同意转载，请来信告知：qbw@fiberglass365.com。如其他媒体或个人从本微信公众号转载有关文章时，务必尊重原作者的著作权，保留本网注明的“稿件来源”，并自负版权等法律责任。
