王 磊，趙 敏，翁云宣，張彩麗

（北京工商大學(xué)化學(xué)與材料工程學(xué)院，北京 100048）

0 前言

隨著不可再生能源的不斷減少和環(huán)境污染加重，生物基可降解材料受到廣泛關(guān)注，其中PLA尤為重要。與其他高分子材料相比，PLA 具有單體來源可再生、生產(chǎn)過程無污染、產(chǎn)品可生物降解、物理力學(xué)性能較好等優(yōu)點(diǎn)［1］。

在傳統(tǒng)制造中，為了得到不同的PLA產(chǎn)品，目前的研究方法包括科學(xué)實(shí)驗(yàn)、模型推演、仿真模擬、科學(xué)大數(shù)據(jù)［2］，最常用的方法就是通過不斷試錯(cuò)以得到理想的性能，然而PLA制品的材料種類、工藝方法以及添加助劑等均會(huì)對(duì)PLA 的性能產(chǎn)生重要影響，這樣研究人員就需要經(jīng)過大量的重復(fù)實(shí)驗(yàn)才能得到結(jié)果，消耗大量的人力勞動(dòng)和成本，同時(shí)試錯(cuò)法也存在著偶然性和不確定性。高效地尋找新型生物降解材料是現(xiàn)代社會(huì)所需要關(guān)注的問題，然而不斷的試錯(cuò)終究不是最好的方法，它的低效率會(huì)在實(shí)驗(yàn)過程中浪費(fèi)大量的時(shí)間和材料，同時(shí)也會(huì)打消市場的積極性。目前，為了解決這一問題，研究者將機(jī)器學(xué)習(xí)應(yīng)用在PLA 的生產(chǎn)和性能預(yù)測(cè)中，并且正處于研究探索階段。

ML 是人工智能領(lǐng)域的一種尋找數(shù)據(jù)之間規(guī)律的算法和技術(shù)。近年來，ML 廣泛應(yīng)用在各行各業(yè)中，可以準(zhǔn)確估計(jì)不同現(xiàn)象行為，引起了廣大研究人員的注意。例如，Xia 等［3］基于貝葉斯優(yōu)化，利用機(jī)器學(xué)習(xí)描述勢(shì)能面，將ML 應(yīng)用在礦物計(jì)算領(lǐng)域，進(jìn)而篩選晶體結(jié)構(gòu)；劉海知等［4］通過線性分析判別、邏輯回歸以及最鄰近等算法預(yù)測(cè)降雨誘發(fā)滑坡的概率；Levin 等［5］利用機(jī)器學(xué)習(xí)對(duì)急診患者的重癥監(jiān)護(hù)、急診醫(yī)療程序或住院的需要程度進(jìn)行分級(jí)，節(jié)省時(shí)間，及時(shí)救助患者并減少浪費(fèi)醫(yī)療資源；錢琦淼等［6］通過梯度提升樹和隨機(jī)森林算法對(duì)單支股票的收益起情況進(jìn)行預(yù)測(cè)。同時(shí)ML在材料領(lǐng)域也有一定程度的發(fā)展，比如Polymer Ge‐nome［7］是基于網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)能力，可以對(duì)聚合物特性進(jìn)行預(yù)測(cè)。

ML可以通過有限的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行訓(xùn)練，并在處理數(shù)據(jù)的同時(shí)完善自身，使得ML 模型更加準(zhǔn)確。通過將文獻(xiàn)數(shù)據(jù)、實(shí)驗(yàn)結(jié)果以及PLA 制品的部分理化性質(zhì)作為特征參數(shù)，可以對(duì)PLA的目標(biāo)性能進(jìn)行研究，比如將ML用在尋找PLA 材料的最佳組合方式、工藝條件、環(huán)境設(shè)置上，可以加快PLA 產(chǎn)品的研發(fā)、對(duì)PLA 進(jìn)行性能預(yù)測(cè)以及在生產(chǎn)過程對(duì)產(chǎn)品質(zhì)量進(jìn)行監(jiān)測(cè)，進(jìn)而得到理想的PLA 產(chǎn)品，促進(jìn)市場消費(fèi)。但由于機(jī)器學(xué)習(xí)是在已有的數(shù)據(jù)上進(jìn)行訓(xùn)練的［8］，容易受到與測(cè)量數(shù)據(jù)相關(guān)聯(lián)的內(nèi)在不確定性的影響，使得結(jié)果存在誤差，研究人員正在積極解決該問題。

1 性能預(yù)測(cè)

機(jī)器學(xué)習(xí)即計(jì)算機(jī)自動(dòng)獲取知識(shí)，通過設(shè)計(jì)的算法將已輸入的知識(shí)結(jié)構(gòu)重組來得到新的知識(shí)和結(jié)果，同時(shí)也是計(jì)算機(jī)系統(tǒng)自我完善的過程。

機(jī)器學(xué)習(xí)分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)以及強(qiáng)化學(xué)習(xí)。監(jiān)督學(xué)習(xí)是指通過將已知數(shù)據(jù)和已知結(jié)果建立聯(lián)系，得到映射關(guān)系，進(jìn)而預(yù)測(cè)新的結(jié)果。監(jiān)督學(xué)習(xí)在樣本數(shù)據(jù)足夠多的情況下具有良好的準(zhǔn)確性，但仍存在缺點(diǎn)，在構(gòu)建模型前期，利用的數(shù)據(jù)需要人工勞動(dòng)所得或者有大量的文獻(xiàn)數(shù)據(jù)支撐，不然得到的模型精確度不夠。無監(jiān)督學(xué)習(xí)與監(jiān)督學(xué)習(xí)的不同之處在于不需要得到特征變量與目標(biāo)值之間的關(guān)系，通常被用來研究數(shù)據(jù)樣本之間的聯(lián)系、進(jìn)行聚類分析。半監(jiān)督學(xué)習(xí)將監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)相結(jié)合，可以進(jìn)行分類、回歸、聚類的組合使用。強(qiáng)化學(xué)習(xí)比較復(fù)雜，強(qiáng)調(diào)環(huán)境與系統(tǒng)的聯(lián)系和相互作用反應(yīng)，擅于模擬新的情況。

ML可以通過對(duì)比、歸納等方法運(yùn)用實(shí)驗(yàn)得到的已知數(shù)據(jù)對(duì)結(jié)果進(jìn)行預(yù)測(cè)，并對(duì)預(yù)測(cè)結(jié)果進(jìn)行檢驗(yàn)得到誤差值，如果結(jié)果在符合規(guī)定的范圍內(nèi)，即表明該算法成立。表1 總結(jié)了本文介紹的ML 模型在PLA 生產(chǎn)中的應(yīng)用以及性能預(yù)測(cè)。

表1 ML模型在PLA生產(chǎn)中的應(yīng)用以及性能預(yù)測(cè)Tabl.1 Application of ML model in PLA production and its performance prediction

機(jī)器學(xué)習(xí)在PLA 性能預(yù)測(cè)方面有很好的優(yōu)勢(shì)，ML可以將大量的數(shù)據(jù)進(jìn)行分析處理，將數(shù)據(jù)進(jìn)行分類判斷以及數(shù)據(jù)擬合，對(duì)其構(gòu)建的模型進(jìn)行不斷優(yōu)化，以得到理想的ML模型和預(yù)測(cè)結(jié)果。

1.1 優(yōu)化3D打印模型及參數(shù)

增材制造技術(shù)（AM，即3D 打印技術(shù)）是一種快速成型制造的技術(shù)，以數(shù)字模型作為基礎(chǔ)，將材料逐層打印成型的方法，可以將數(shù)字設(shè)計(jì)的產(chǎn)品轉(zhuǎn)換到三維實(shí)體［9］。該技術(shù)由于生產(chǎn)便利、生產(chǎn)周期短以及可以加工復(fù)雜結(jié)構(gòu)的產(chǎn)品等優(yōu)點(diǎn)，被廣泛利用在許多制造行業(yè)和領(lǐng)域。在3D 打印過程中，有許多因素影響著制品的性能，如原料種類、設(shè)備、工藝方法、設(shè)計(jì)圖案等都影響著制品性能。其中PLA 是3D 打印材料中常用的熱塑性線材，PLA 熔融溫度較低且加熱過程中無刺鼻氣味的特點(diǎn)適合用于3D打印。

如果使用傳統(tǒng)方法則需要進(jìn)行大量的實(shí)驗(yàn)以制成零件、檢驗(yàn)零件，并找出各因素與疲勞壽命之間的關(guān)系，如此一來，將消耗大量的生產(chǎn)成本和時(shí)間，故采用ML 方法將大大縮短實(shí)驗(yàn)時(shí)間。Hassanifard 等［10］通過使用線性回歸、多項(xiàng)式回歸和隨機(jī)森林回歸模型，研究了PLA 樣條缺口形狀、光柵方向和熔體內(nèi)部空隙對(duì)PLA 疲勞壽命的影響，并將預(yù)測(cè)結(jié)果與基于臨界距離理論的解析方法得到的數(shù)據(jù)進(jìn)行比較得出，ML模型對(duì)疲勞壽命的預(yù)測(cè)更好。

如果沒有監(jiān)測(cè)步驟，3D 打印機(jī)會(huì)持續(xù)打印零件，直到完成所有部分，這樣會(huì)浪費(fèi)材料，以及打印過程中存在的缺陷都將會(huì)打印出來，當(dāng)在工廠里進(jìn)行大型生產(chǎn)時(shí)，則將會(huì)產(chǎn)生巨大的損失，如果在打印過程的各個(gè)（關(guān)鍵）階段進(jìn)行質(zhì)量檢查來檢測(cè)缺陷，不僅有助于實(shí)施糾正措施，同時(shí)還可以消除打印不合格零件而產(chǎn)生的浪費(fèi)。Delli 等［11］通過在3D 打印PLA 過程中暫停，利用Python 代碼進(jìn)行自動(dòng)拍攝圖像，將圖像進(jìn)行處理，并利用ML 模型SVM 對(duì)產(chǎn)品好壞進(jìn)行分類。圖1 是SVM的基本概念，該方法可以檢測(cè)PLA 生產(chǎn)過程中補(bǔ)全失效缺陷及幾何缺陷或結(jié)構(gòu)缺陷。但該過程存在需要暫停生產(chǎn)才能拍攝和只能拍攝俯視圖圖像的局限性。

圖1 SVM的基本概念［11］Fig.1 Basic concept of SVM［11］

Meiabadi 等［12］使用熔絲制造（FFF）打印機(jī)通過進(jìn)一步發(fā)展ANN 和ANN‐GN 來對(duì)PLA 的韌性、零件厚度和生產(chǎn)成本進(jìn)行預(yù)測(cè)，得到與之相關(guān)的影響因素，進(jìn)而提高PLA 制品的產(chǎn)量和質(zhì)量。圖2 是單一ANN 模型與ANN‐GN 混合模型與目標(biāo)值的偏差（韌性）。研究者得到韌性與機(jī)械應(yīng)用相關(guān)，構(gòu)建時(shí)間與生產(chǎn)成本相關(guān)，填充比例和圖層厚度之間的相互作用影響印刷部分厚度。

圖2 ANN‐GA混合模型、ANN單一模型與目標(biāo)值的偏差［12］Fig.2 Deviation from target values for the hybrid ANN‐GA and single ANN methods［12］

ML 模型在3D 打印PLA 材料的生產(chǎn)過程中發(fā)揮了非常好的效果，在多個(gè)方面都展現(xiàn)出了ML 算法的優(yōu)越性。在3D 打印的處理中，ML 算法可以幫助優(yōu)化工藝參數(shù)以及進(jìn)行過程缺陷監(jiān)測(cè)，進(jìn)而幫助從業(yè)人員進(jìn)行生產(chǎn)前計(jì)劃、產(chǎn)品質(zhì)量評(píng)估和控制。然而，人們也開始注意到ML 技術(shù)可能會(huì)發(fā)生的數(shù)據(jù)泄露，越來越關(guān)注AM中的數(shù)據(jù)安全問題［13］。

1.2 預(yù)測(cè)PLA屈服應(yīng)力

在工廠生產(chǎn)實(shí)踐中，如果在生產(chǎn)過程中出現(xiàn)錯(cuò)誤，只能在發(fā)現(xiàn)不合格產(chǎn)品之后，再對(duì)機(jī)器進(jìn)行檢查，逐一排除出現(xiàn)故障的部分或者對(duì)材料質(zhì)量問題進(jìn)行排查，這個(gè)過程消耗大量時(shí)間，加大了生產(chǎn)成本。許多研究者把目光放在了減少從生產(chǎn)到發(fā)現(xiàn)產(chǎn)品質(zhì)量問題反饋的時(shí)間，進(jìn)而降低生產(chǎn)時(shí)間以及及時(shí)監(jiān)測(cè)產(chǎn)品質(zhì)量。

對(duì)加工監(jiān)測(cè)可以從兩方面進(jìn)行，一種是對(duì)機(jī)器零件的磨損或者故障進(jìn)行監(jiān)測(cè)，比如數(shù)控機(jī)床執(zhí)行零件加工時(shí)可以利用ML 模型對(duì)刀具磨損進(jìn)行實(shí)時(shí)監(jiān)測(cè)［14］，另一種是對(duì)零件制品的性能特征進(jìn)行監(jiān)測(cè)。

Mulrennan 等［15］通過在狹縫模具安裝傳感器，將其中得到的數(shù)據(jù)用ML模型（將主成分分析與隨機(jī)森林結(jié)合，用決策樹構(gòu)建）來預(yù)測(cè)PLA 的屈服應(yīng)力，即預(yù)測(cè)雙螺桿擠出PLA 時(shí)的拉伸性能，進(jìn)而達(dá)到實(shí)時(shí)監(jiān)測(cè)生產(chǎn)過程中產(chǎn)品質(zhì)量，在產(chǎn)生問題時(shí)及時(shí)停止，同時(shí)該模型能隨著時(shí)間的推移進(jìn)一步改進(jìn)自身的準(zhǔn)確性和精準(zhǔn)度。

由此可見，通過對(duì)產(chǎn)品容易得到的特性進(jìn)行實(shí)時(shí)監(jiān)測(cè)，將數(shù)據(jù)輸入ML 模型可以做到即時(shí)了解產(chǎn)品的某一性能，進(jìn)而對(duì)產(chǎn)品的質(zhì)量進(jìn)行監(jiān)測(cè)。所以，如果在工廠大范圍應(yīng)用ML 模型，并將所需監(jiān)測(cè)的性能都用模型進(jìn)行預(yù)測(cè)，那么可以做到實(shí)時(shí)監(jiān)測(cè)每個(gè)產(chǎn)品的質(zhì)量，加大產(chǎn)品的合格率以及減少對(duì)生產(chǎn)故障的發(fā)現(xiàn)和反應(yīng)時(shí)間。

1.3 預(yù)測(cè)低密度PLA泡沫密度

研發(fā)具有特定性能的發(fā)泡材料是一項(xiàng)繁雜且有難度的事情，如果能利用恰當(dāng)?shù)墓ぞ吆头椒ㄟM(jìn)行研究，可以大大加快新材料的研究進(jìn)程，減少生產(chǎn)研發(fā)過程中產(chǎn)生的浪費(fèi)以及加快發(fā)泡材料市場的發(fā)展。

為了得到指定密度的PLA 產(chǎn)品，需要控制多個(gè)變量來進(jìn)行實(shí)驗(yàn)，如果通過傳統(tǒng)的試錯(cuò)，那么需要控制太多的變量組合來進(jìn)行實(shí)驗(yàn)，將會(huì)耗費(fèi)大量的實(shí)驗(yàn)材料，然而通過ML 模型可以將多個(gè)參數(shù)結(jié)合起來，并且得到多樣的參數(shù)組合來進(jìn)行密度預(yù)測(cè)，將密度與可控的少數(shù)變量聯(lián)系起來，找出其中的函數(shù)關(guān)系，在之后的密度研究中，可以更加準(zhǔn)確快速的找到與之對(duì)應(yīng)的條件因素。

Albuquerque 等［16］通過集成方法將多個(gè)ML 模型組合起來對(duì)PLA 密度進(jìn)行預(yù)測(cè)，并將PLA 泡沫的密度通過溫度、壓力和時(shí)間的函數(shù)來表達(dá)，其中包含多個(gè)與密度相關(guān)的參數(shù)，最終得到集成模型。該ML 集成模型是梯度提升、隨機(jī)森林、核嶺和支持向量回歸模型的線性組合。在研究過程中，首先對(duì)其所要研究對(duì)象進(jìn)行編碼，用Python codes （Python 3）來執(zhí)行，計(jì)算變量對(duì)之間的相關(guān)性，圖3 是所有樣本的每一對(duì)變量的相關(guān)性的熱圖表，主成分分析技術(shù)（PCA）選擇樣本和特征來建立回歸模型，然后對(duì)建立的模型用網(wǎng)格搜索進(jìn)行超參數(shù)優(yōu)化，最后進(jìn)行檢驗(yàn)即可得到最優(yōu)ML 集成模型。其中，紅色和藍(lán)色格分別代表正相關(guān)和負(fù)相關(guān)。

圖3 數(shù)據(jù)集中所有樣本每一對(duì)變量（包括特征和目標(biāo)）之間相關(guān)性的熱圖表［16］Fig.3 Heatmap table of correlations between every pair of variables （features and target are included） of all samples in the dataset［16］

圖4 是通過集成模型進(jìn)一步改進(jìn)預(yù)測(cè)的方案。最終的集成模型是平均絕對(duì)誤差（MAE）最小的模型，由該模型預(yù)測(cè)的參數(shù)制備的PLA發(fā)泡材料的實(shí)際密度與預(yù)測(cè)值一致。其中，Ens 代表集成模型；?Ens、m、Ci、?ML（i）、MMAE（y，?Ens）分別代表集成模型預(yù)測(cè)值、集成模型個(gè)數(shù)、正系數(shù)、ML模型預(yù)測(cè)值、集成模型預(yù)測(cè)值與目標(biāo)值的平均絕對(duì)誤差。由此可見，研究者可以利用ML模型將PLA 的性能由可控條件來進(jìn)行調(diào)控，并得到具體的函數(shù)關(guān)系。在實(shí)際的生產(chǎn)中，可以得到指定性能的產(chǎn)品。

圖4 通過集成模型進(jìn)一步改進(jìn)預(yù)測(cè)的方案，最終的集成模型是MAE最小的模型［16］Fig.4 Scheme used to further improve the predictions via an ensemble model. The final ensemble model was the one with the smallest MAE［16］

在建立最佳模型的過程中，選擇適合的變量特征可以確定其中包含的相關(guān)性，即在不能定量分析的前提下，可以建立特征變量與目標(biāo)函數(shù)的關(guān)系和模型。作者認(rèn)為這可以直接得到相關(guān)變量的關(guān)系，解決了在個(gè)別領(lǐng)域理論知識(shí)的不成熟導(dǎo)致的技術(shù)進(jìn)展緩慢的問題。

1.4 預(yù)測(cè)PLA拉伸性能

PLA 復(fù)合材料廣泛應(yīng)用于各個(gè)領(lǐng)域，如農(nóng)用織品、帳篷布、地墊等，且在未來的市場中仍有較大的開發(fā)空間，比如PLA復(fù)合材料由于其良好生物相容性、可降解性在醫(yī)療領(lǐng)域中廣泛應(yīng)用，像一次性輸液用具、手術(shù)用的縫合線和藥物緩釋包裝劑等，都采用了PLA 復(fù)合材料［17］。PLA復(fù)合材料的力學(xué)性能取決于添加的填料性能，填料可以分為有機(jī)填料和無機(jī)填料，而添加的填料取決于復(fù)合材料的應(yīng)用領(lǐng)域。填料的強(qiáng)度、化學(xué)穩(wěn)定性、基體的強(qiáng)度及基體與填料的界面結(jié)合力均影響著PLA復(fù)合材料的力學(xué)性能［18］。

Alakent 等［18］采用回歸樹模型的統(tǒng)計(jì)學(xué)習(xí)方法研究了PLA 復(fù)合材料的拉伸強(qiáng)度，通過整合統(tǒng)計(jì)學(xué)范式的工具以及利用PLA復(fù)合材料的文獻(xiàn)數(shù)據(jù)構(gòu)建回歸樹模型，進(jìn)而確定測(cè)量拉伸強(qiáng)度的實(shí)驗(yàn)特征，然后使用MATLAB的統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)工具箱進(jìn)行計(jì)算，最后對(duì)模型進(jìn)行驗(yàn)證和評(píng)估，得到了加工方法、加工溫度和分子量與PLA 拉伸強(qiáng)度的關(guān)系。圖5是最終的回歸樹模型。但該方法仍存在缺陷，部分缺失數(shù)據(jù)會(huì)導(dǎo)致該模型的不準(zhǔn)確，故仍有較大進(jìn)步空間。

圖5 最終的回歸樹［18］Fig.5 Final regression tree［18］

回歸樹是通過對(duì)知識(shí)進(jìn)行歸納和提取，并進(jìn)行規(guī)律性的形式進(jìn)行總結(jié)的機(jī)器學(xué)習(xí)算法，在建立關(guān)系后可以通過修剪和調(diào)整進(jìn)行優(yōu)化、減小誤差。作者認(rèn)為ML模型在大量的數(shù)據(jù)統(tǒng)計(jì)方面有很大的優(yōu)勢(shì)，如果將需要的PLA 性能方面的數(shù)據(jù)輸入，并采用適當(dāng)?shù)慕y(tǒng)計(jì)方法，可以得到理想的性能預(yù)測(cè)結(jié)果。

1.5 預(yù)測(cè)PLLA/PGA復(fù)合材料的相對(duì)結(jié)晶度

PLLA 隨著等溫溫度的升高或者等溫時(shí)間的延長，等溫結(jié)晶所形成的晶體會(huì)逐漸向更加穩(wěn)定的趨勢(shì)發(fā)展，但其結(jié)晶速率較慢，故研究者們通常以PLLA 為基體制成復(fù)合材料來加快結(jié)晶速率［19］。與PLLA 結(jié)晶速率相關(guān)的因素有結(jié)晶溫度、結(jié)晶時(shí)間、分子量以及分子鏈自身結(jié)構(gòu)等，可通過改變相關(guān)條件來觀察PLLA復(fù)合材料結(jié)晶速率。

Wang 等［20］通過6 種不同的人工智能類別，包括4 個(gè)人工神經(jīng)網(wǎng)絡(luò)，2 個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)以及最小二乘支持向量回歸來預(yù)測(cè)PLLA/PGA 復(fù)合材料的相對(duì)結(jié)晶度與結(jié)晶時(shí)間、溫度和PGA 含量的關(guān)系，并將基于統(tǒng)計(jì)的精度指標(biāo)用來為每種機(jī)器學(xué)習(xí)技術(shù)找到最可靠的拓?fù)浣Y(jié)構(gòu)。表2 是尋找機(jī)器學(xué)習(xí)方法的最佳結(jié)構(gòu)特征的試錯(cuò)過程總結(jié)，得到復(fù)合材料的結(jié)晶度隨PGA 含量和結(jié)晶時(shí)間的增加而增加，但溫度對(duì)相對(duì)結(jié)晶度的影響太復(fù)雜而不易解釋。ML 模型可以對(duì)相互關(guān)聯(lián)的、有理論依據(jù)的PLA 性能變量進(jìn)行預(yù)測(cè)和推算擬合，但對(duì)于處理影響復(fù)雜的變量仍有困難。

表2 尋找ML方法最佳結(jié)構(gòu)特征的試錯(cuò)過程總結(jié)［20］Tab.2 Summary of the trial‐and‐error process to find the best structural features of the ML methods［20］

人工神經(jīng)網(wǎng)絡(luò)在模擬復(fù)雜現(xiàn)象方面有很大的優(yōu)勢(shì)，即使一個(gè)隱藏層的非線性、連續(xù)、可微激活函數(shù)的神經(jīng)網(wǎng)絡(luò)模型也能夠模擬復(fù)雜的現(xiàn)象［20］，自適應(yīng)神經(jīng)模糊推理系統(tǒng)是將模糊邏輯和神經(jīng)元網(wǎng)絡(luò)有機(jī)結(jié)合的新型的模糊推理系統(tǒng)結(jié)構(gòu)，即將模糊控制的模糊化、模糊推理和反模糊化3 個(gè)基本過程全部用神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)，通過學(xué)習(xí)能有效的計(jì)算出隸屬度函數(shù)的最佳參數(shù)。

作者認(rèn)為進(jìn)行機(jī)器學(xué)習(xí)模型的構(gòu)建前提是找到合適的機(jī)器學(xué)習(xí)技術(shù)，可以通過查閱文獻(xiàn)和對(duì)變量特征與目標(biāo)屬性進(jìn)行分析，進(jìn)而選擇效果更好的機(jī)器學(xué)習(xí)技術(shù)，但是在鮮少有人研究的領(lǐng)域，那么進(jìn)行機(jī)器學(xué)習(xí)研究就變得繁瑣、困難起來。

1.6 PLA熱降解程度分類

PLA 基復(fù)合材料的降解分為4 種，分別是水解降解、微生物降解、熱降解和光降解［21］。在高于 200 ℃的條件下PLA 容易發(fā)生熱降解，其熱降解過程及機(jī)理非常復(fù)雜，包含了自由基降解機(jī)理和非自由基降解機(jī)理。PLA 制品的力學(xué)性能與熱降解的程度有關(guān)［22］，為了產(chǎn)品能更好地在現(xiàn)實(shí)中使用，必須要得到不同環(huán)境下PLA的熱降解程度，從而對(duì)PLA進(jìn)行性能優(yōu)化。

Zhang［23］通過控制溫度或時(shí)間來對(duì)PLA 進(jìn)行熱降解模擬，并獲得傅里葉變換紅外光譜的數(shù)據(jù)，采用4 種機(jī)器學(xué)習(xí)算法對(duì)PLA試樣的熱降解程度進(jìn)行分類。其中多分類邏輯回歸和多分類神經(jīng)網(wǎng)絡(luò)可以準(zhǔn)確預(yù)測(cè)降解行為。圖6 是用于多分類邏輯回歸的機(jī)器學(xué)習(xí)模型的流程圖。同時(shí)，將得到的光譜可以對(duì)模型進(jìn)行訓(xùn)練，從而提高精度。然而光譜可能由于采集環(huán)境和儀器操作而產(chǎn)生多余的圖像，這將對(duì)模型的準(zhǔn)確性產(chǎn)生影響［24］。

圖6 用于多分類邏輯回歸機(jī)器學(xué)習(xí)的流程圖［23］Fig.6 Flow diagram of machine learning models for multi‐class classification［23］

研究者用到的4 種機(jī)器學(xué)習(xí)算法為多分類決策森林、多分類決策叢林、多分類邏輯回歸以及使用最小最大歸一化的多分類神經(jīng)網(wǎng)絡(luò)。其中決策森林和決策叢林通常被用來對(duì)數(shù)據(jù)進(jìn)行分類，邏輯回歸算法是預(yù)測(cè)結(jié)果概率的統(tǒng)計(jì)方法。利用以上4 種機(jī)器學(xué)習(xí)模型預(yù)測(cè)PLA 的降解行為、降解程度是一種對(duì)實(shí)驗(yàn)結(jié)果的分類和預(yù)測(cè)，再對(duì)其進(jìn)行訓(xùn)練以提高精度和準(zhǔn)確性。

機(jī)器學(xué)習(xí)并不能完全準(zhǔn)確地預(yù)測(cè)結(jié)果，但可以在誤差允許范圍內(nèi)不斷提高準(zhǔn)確性，為產(chǎn)品的研究、生產(chǎn)以及投放到市場當(dāng)中去，提供了極大的便利，但同時(shí)也要注意到更為全面的影響因素，以面對(duì)使用過程中出現(xiàn)的各種各樣的問題。

2 結(jié)語

研究者們可以通過了解聚合物的特性幫助選擇合適的材料用于各個(gè)領(lǐng)域，以及合理選擇加工過程中設(shè)備的參數(shù)、環(huán)境條件等因素來達(dá)到材料想要的目標(biāo)屬性［25］。用傳統(tǒng)的方法尋找正確的加工參數(shù)以達(dá)到理想的性能，需要大量的實(shí)驗(yàn)以及消耗大量的實(shí)驗(yàn)材料和實(shí)驗(yàn)時(shí)間，同時(shí)長久的研發(fā)過程明顯會(huì)延遲市場的發(fā)展，打消市場發(fā)展的積極性。與此同時(shí)，在工廠的生產(chǎn)過程中，一般情況下產(chǎn)品出現(xiàn)問題都是在產(chǎn)品制成之后檢查時(shí)才能被發(fā)現(xiàn)，在這個(gè)過程中浪費(fèi)了大量生產(chǎn)時(shí)間和生產(chǎn)材料，會(huì)增大生產(chǎn)成本，進(jìn)而影響市場經(jīng)濟(jì)。

研究者們將ML 模型應(yīng)用在PLA 生產(chǎn)過程中，可以有效解決以上2 個(gè)問題。ML 算法可以通過輸入有限的數(shù)據(jù)，用算法預(yù)測(cè)結(jié)果，在后續(xù)的預(yù)測(cè)和驗(yàn)證中不斷完善自身的準(zhǔn)確性和正確率。正如PLA 的密度、拉伸強(qiáng)度、屈服應(yīng)力、結(jié)晶性能、疲勞壽命、韌性、降解程度都可通過ML 模型進(jìn)行預(yù)測(cè)，并取得了理想的結(jié)果，如果從實(shí)驗(yàn)的角度，有太多的因素會(huì)影響到PLA 的性能，彼此之間息息相關(guān)，這給研究者帶來了很大的難度，利用ML 模型，這個(gè)問題可以有效解決。另外，ML模型可以監(jiān)測(cè)生產(chǎn)過程中產(chǎn)品的形狀缺陷以及性質(zhì)（如拉伸性能），這樣可以做到產(chǎn)品質(zhì)量的及時(shí)反饋，大大減少了生產(chǎn)過程中的損失。作者認(rèn)為ML 模型還可以用在監(jiān)測(cè)生產(chǎn)聚合物設(shè)備上的監(jiān)測(cè)，如噴嘴、切粒機(jī)內(nèi)部刀具等的實(shí)時(shí)監(jiān)測(cè)，以及在生產(chǎn)過程中，從多個(gè)角度來觀察產(chǎn)品性能，利用ML 模型同時(shí)預(yù)測(cè)PLA 產(chǎn)品的多個(gè)性能，綜合監(jiān)測(cè)產(chǎn)品的質(zhì)量等。

最后，作者認(rèn)為ML 模型在PLA 生產(chǎn)上的作用有非常大的潛力，符合未來的發(fā)展趨勢(shì)，會(huì)有越來越多的研究者投入到這一方面上來，同時(shí)不僅僅是PLA，許多聚合物都可以利用ML 模型進(jìn)行預(yù)測(cè)性能，監(jiān)測(cè)產(chǎn)品質(zhì)量，甚至是設(shè)計(jì)新型材料。