中圖分類號：TM21；TM215.92 文獻標志碼：A

Abstract： Silicone rubber materials are commonly used as insulation materials under high-pressure conditions due to their excellnt insulation properties.The breakdown field strength isanimportant electrical performance index，and there is acomplex nonlinear relationship between the breakdown field strengthandthe material formula. Based on this，an eficient evaluation model based on genetic algorithm（GA）optimized extreme gradient boosting （XGBoost）algorithm is proposed.The model combines GA and XGBoost，and uses temperature，relative content of masterbatch，diameter of Al（OH） micropowder，relative content of Al（OH）₃ and thickness as inputs to establish an improved XGBoost model to predictthebreakdown field strength.The GA algorithm automaticallselects theoptimal parameters during the training process of the XGBoost model.The Pearson corelation coefficient is used to analyze theinfluencing factors.Itcanbeseenthatthethicknessand temperaturearethekeyfactorsafectingthebreakdown field strength，while the influence of the masterbatch content，the diameter and relative content of Al（OH） ³ （20 micropowder is relativelysmall.The evaluation indexof thecommonlyused regresion model iscompared with the proposed model.The coefficientof determination of the model can reach O.953，and the rot-mean-square error and mean absolute error are only 0.361kV/mmand 0.168，respectively.The results show that the GA-XGBoost model can accurately predictthe breakdown fieid strength of the material，which can provide areference for studying the properties of silicone rubber materials and optimizing the material formulation.

Key words：silicone rubber;power frequency breakdown test;correlators;predictive analytics

硅橡膠因其出色的耐熱性、耐寒性、耐候性、電氣特性及生理惰性而備受關注.其絕緣性能相較于普通材料更為卓越，通常在電弧放電的情況下不易發(fā)生焦燒，因此在高壓環(huán)境下使用時顯得尤為可靠.相關研究表明，其絕緣性能受到溫度、成分和厚度等多種因素的共同影響[1-4].

目前，有大量學者對硅橡膠的絕緣性能進行了研究.代沖5研究了溫度對硅橡膠性能的影響，揭示了低溫下硅橡膠的沿面閃絡電壓和擊穿電壓的變化規(guī)律.同時，色母的加入可能會改變硅橡膠的交聯(lián)結構，從而影響其絕緣性能.此外，選擇AI（OH）作為填料時，其粒徑和添加量對硅橡膠的擊穿場強和其他性能有著顯著影響.胡建林等通過添加 Al（OH）₃ 粉末，提升了硅橡膠的電氣性能，盡管這可能會犧牲部分加工性能和力學性能.周遠翔等7研究了不同厚度硅橡膠試樣的直流擊穿電壓，發(fā)現(xiàn)擊穿場強隨厚度增加而降低.盡管眾多研究文獻已經(jīng)探討了影響硅橡膠電氣性能的關鍵因素，但由于硅橡膠配方的復雜性，單一因素的研究難以確定最佳配比及其對絕緣強度的影響.

基于上述問題，有人提出利用算法研究材料的配比或絕緣性能，并取得了一定成果.Nandi利用多目標優(yōu)化算法設計了硅橡膠復合模具材料，優(yōu)化了顆粒增強硅膠軟模工藝.Shaymaa等9運用鯨魚優(yōu)化算法和海鷗優(yōu)化算法計算了理想填料濃度，以提高絕緣子的介電強度.也有人分析了交聯(lián)聚乙烯絕緣電纜的晶體形貌、厚度和位置對其短期擊穿特性的影響，得到了相應的壽命預測模型.Chen等[\"]通過對電極面積較小、層數(shù)較少的薄膜介質(zhì)進行平均擊穿場強試驗，建立了不同電極面積和薄膜層數(shù)下薄膜介質(zhì)平均擊穿場強預測模型，并驗證了該預測模型的準確性.許旭日等基于不同厚度的聚乙烯納米復合材料進行直流擊穿場強試驗，并結合BCT模型預測了該材料的直流擊穿場強，分析了厚度對預測結果的影響，結果表明該預測模型效果較好.盡管算法在相關領域已應用廣泛，且已用于對硅橡膠材料的部分特性進行理論研究，但是鮮有研究采用算法對不同配比下硅橡膠材料的工頻擊穿特性進行預測及分析.

因此，本研究依托工頻擊穿試驗，對不同配方和厚度的硅橡膠樣品進行了擊穿場強測試，并運用皮爾遜相關系數(shù)分析了各種影響因素之間的相關性，還利用改進XGBoost算法模型預測了不同影響因素下的擊穿場強.最后比較了5種常見算法的評估指標，為硅橡膠材料的絕緣性能研究提供了新的思路和參考．

1不同配比硅橡膠工頻擊穿試驗

本次試驗使用型號為 ZJC-50kV 的工頻擊穿電壓測試系統(tǒng)，對硅橡膠樣品在不同溫度、色母相對含量、AI（OH）微粉直徑、 Al（OH）₃ 相對含量以及厚度等條件下進行了工頻擊穿試驗，采用式（1）計算樣品的平均擊穿場強 E ，單位為 kV/mm 業(yè)

式中： d 為對應擊穿點的厚度，單位為 mm 5 U 為擊穿點電壓，單位為 kV

1.1樣品制備

硅橡膠測試樣品采用熱壓法制備.根據(jù)表1所列的不同配方，將原料混合均勻，并倒入不同厚度的模具中，在硫化過程中采用平板硫化機施加 15MPa 的壓力.將硫化、冷卻后的硅橡膠試片，制成規(guī)格為10cm×10cm 的方形試片.

在研究色母粒的相對含量、 ?.Al（OH）₃ 的相對含量及其微粉的直徑時，對于同一配方，分別制備了5組不同含量的樣品（每組包括厚度為 1mm 和 2mm 的樣品各5組）.在制備不同厚度的樣品時，遵循了上述步驟，并使用了不同厚度的熱壓模具.

部分樣品如圖1所示，分圖名從左至右依次為色母相對含量 ?.Al（OH）₃ 相對含量、AI（OH）微粉直徑.

1.2樣品預處理

硅橡膠材料表面易吸附雜質(zhì)，如灰塵等，這些雜質(zhì)可能污染二甲硅油介質(zhì)，從而導致試驗結果產(chǎn)生偏差.為確保試驗的準確性，在試驗前，必須對試樣表面進行嚴格的清潔預處理.

清潔過程包括使用無水乙醇和去離子水仔細清除表面污穢，確保試樣表面徹底清潔.隨后，將清潔后的試樣放入干燥箱中，直至試樣完全十燥.干燥完成后，為避免熱沖擊和保持試樣穩(wěn)定，應將其放在清潔、無塵的環(huán)境中自然冷卻至室溫.同時，與試樣接觸的電極也需要進行相應的清潔預處理，以確保試

驗的可靠性[12-13].

1.3試驗平臺搭建

根據(jù)GB/T1408.1—2016關于絕緣材料電氣強度試驗方法中的電極設計標準，裝置電極系統(tǒng)為直徑 25mm 且表面光滑的平板形電極4；采用型號為SDJ710FB的高低溫試驗箱調(diào)節(jié)試驗溫度，溫控范圍-70～100^°C ，溫度偏差 ±2^°C ;溫度控制器型號為KX-709，精度 0.1°C ，測溫范圍 -70～200^°C ，將其伸入硅油中，試驗平臺搭建如圖2所示.

將整個試驗電極平臺放置于二甲硅油中，該硅油絕緣性能好，導熱效率高，凝固點為 -100^°C ，在高低溫時依然能保持良好的流動性，一方面可以防止電極之間沿空氣的閃絡，另一方面可減弱加壓時發(fā)生在針尖空氣氣隙的局部放電5.硅橡膠材料放入絕緣油中靜置 5min ，保證硅橡膠溫度與外部一致后，再進行擊穿試驗.由于加熱時間較短，可以認為此時硅橡膠材料還未發(fā)生熱老化[16].

1.4試驗步驟

將清潔的試樣置于高低壓等直徑電極之間，保證試樣與電極之間的良好接觸，兩電極與試片剛好貼合卻不擠壓17.將整個試驗電極平臺置于高低溫試驗箱中，待溫度傳感器顯示的硅油溫度與試驗箱溫度吻合時，根據(jù)GB/T1695—2005硫化橡膠工頻擊穿電壓強度的測定方法，采用快速均勻升壓法，從零開始均勻升高電壓，加壓速度為 1.0kV/s ，直到達到擊穿的最大值，并對此時的數(shù)據(jù)進行記錄[18.每次更換試片后需要等待溫度傳感器的溫度與試驗箱溫度接近一致后再施加電壓.為減少單次試驗結果的偶然性，提高測試結果的準確性和可靠性，同一配方下的每個樣品在不同位置至少進行4次擊穿，累計20次.通過調(diào)節(jié)試驗箱的溫度，記錄每個溫度點和每種配方下硅橡膠材料的擊穿電壓值.

2影響因素分析

2.1異常值處理

在進行硅橡膠材料的工頻擊穿試驗時，硅橡膠材料中可能存在微觀缺陷或不均勻性，如氣泡、雜質(zhì)等，或者由于硅橡膠材料本身的固有變異性，從而產(chǎn)生低于正常范圍的異常值.基于此，采用箱線圖對原始數(shù)據(jù)集進行異常值分析.

箱線圖（boxplot）是一種用于展示數(shù)據(jù)分布的統(tǒng)計圖表，它能夠直觀地顯示數(shù)據(jù)的四分位數(shù)、異常值和數(shù)據(jù)的整體分布情況.由于原始數(shù)據(jù)較為分散，而相關文獻表明擊穿場強與厚度有較強關聯(lián)性[20]，故在進行數(shù)據(jù)處理時，對原始數(shù)據(jù)按照不同厚度分為5組.IQR（四分位數(shù)差）用于描述數(shù)據(jù)的分散程度和識別異常值，一般大于上四分位數(shù)1.5倍IQR的值，或者小于下四分位數(shù)1.5倍IQR的值，被認為是可能的異常值，用觸須表示，分析結果如圖3所示.

由圖3可知，原始數(shù)據(jù)中存在少量異常值，且隨著樣品厚度增加，其擊穿場強整體呈現(xiàn)下降的趨勢.此外， 1mm 和 2mm 硅橡膠樣品擊穿場強分布范圍較廣，相同厚度下不同配比樣品的擊穿場強差異較大，造成數(shù)據(jù)分散性較大.對異常值進行剔除后，創(chuàng)建有效數(shù)據(jù)集進行皮爾遜相關系數(shù)分析.

2.2皮爾遜相關系數(shù)分析

皮爾遜相關系數(shù)（Pearsoncorrelationcoefficient）是用于度量兩個變量 x 和 y 之間的線性相關程度的一個統(tǒng)計量，這種簡潔的表達方式使得相關性非常直觀和易于理解，且被應用于多個領域.其計算原理如式（2）所示：

式中： n 是數(shù)據(jù)點的數(shù)量； 是所有數(shù)據(jù)點的 x 值與其對應的 y 值的乘積之和； 和 分別是所有 x 值和 y 值的總和； 和 分別是所有 x 值的平方和與所有 y 值的平方和.

現(xiàn)有的大多數(shù)研究僅基于單一變量探究其對擊穿場強的影響，具有一定的局限性.因此，采用上述方法對硅橡膠材料不同配比、厚度以及溫度之間的相關性進行綜合分析具有重要意義，各影響因素分析結果如圖4所示.

通過皮爾遜相關系數(shù)分析，發(fā)現(xiàn)材料特征量之間大多無強相關，表明它們之間沒有顯著的線性關系.具體來看，厚度與擊穿場強呈現(xiàn)-0.607的負相關性，這意味著硅橡膠材料中較厚材料可能存在更多缺陷或雜質(zhì)，從而導致?lián)舸﹫鰪娊档?但是厚度與溫度的正相關性為0.326，表明當材料厚度增加時，會伴隨溫度的升高，由于更厚的材料在試驗溫度升高后其內(nèi)部溫升效應明顯，從而有效地吸收或保留試驗過程中產(chǎn)生的熱量，導致測得的溫度較高.

溫度與擊穿場強的負相關性為-0.468，說明溫度升高導致?lián)舸﹫鰪娊档停@可能是由于溫度升高增加了材料的導電性和離子移動性，導致?lián)舸﹫鰪娊档?但是溫度與A1（OH）微粉直徑有中等正相關性（0.274），這表明當試驗溫度升高時，硅橡膠基體可能變得更為柔軟或流動性增強，導致AI（OH）微粉在硅橡膠中的分布或排列方式發(fā)生變化，使微粉顆粒間的距離減小或排列變得更為緊密.溫度與Al（OH）₃ 含量有中等負相關性（-0.325），表明在較高的溫度下， Al（OH）₃ 的添加量可能會減少，這可能是因為溫度的升高改變了填料的分散性、反應活性或材料的整體熱穩(wěn)定性，從而影響了 Al（OH）₃ 的用量.

色母相對含量與其他參數(shù)的線性相關性較弱，Al（OH）₃ 微粉直徑除了與溫度有中等相關性外，與其他特征的相關性都很低，但二者仍然可能與其他因素共同作用對擊穿場強產(chǎn)生影響.

Al（OH）3相對含量與擊穿場強呈現(xiàn)0.197的弱正相關性，與其他特征的相關性較低，表明 Al（OH）₃ 作為阻燃填料，可能會通過改善材料的熱穩(wěn)定性和電氣絕緣性能，對擊穿場強產(chǎn)生正面影響.

整體來看，厚度和溫度對擊穿場強有顯著影響，色母相對含量影響較小，AI（OH）微粉直徑和相對含量的影響也符合預期.通過上述分析，創(chuàng)建基于硅橡膠擊穿場強與不同影響因素的數(shù)據(jù)集.

3模型構建及結果分析

3.1數(shù)據(jù)預處理

為了提高模型的性能，建立具有良好預測精度和泛化能力的XGBoost預測模型，通過異常值處理以及Z分數(shù)標準化操作，可以使得模型更好地學習數(shù)據(jù)中的規(guī)律，減少過擬合，增加模型的可解釋性，確保輸入數(shù)據(jù)的質(zhì)量[21].

基于上述影響因素分析，針對有相關性的特征，對數(shù)據(jù)進行 Z 分數(shù)標準化處理，使不同特征的數(shù)值范圍相近，以利于模型訓練，將數(shù)據(jù)轉換為具有標準正態(tài)分布（均值為0，標準差為1）的數(shù)值.該方法可以消除不同特征之間的量級差異，使得每個特征在模型訓練時對結果的影響更加公平[22].數(shù)據(jù)整體分布情況如表2所示， Z 分數(shù)標準化的公式如下：

式中： X 是原始數(shù)據(jù)點； ?μ 是原始數(shù)據(jù)集的均值； σ 是原始數(shù)據(jù)集的標準差.

以厚度、溫度、色母相對含量、AI（OH）微粉直徑 ?Al（OH）₃ 相對含量等影響硅橡膠擊穿場強的影響因素作為輸入值，擊穿場強作為標簽值，將預處理后的數(shù)據(jù)構建數(shù)據(jù)集.

3.2 XGBoost算法

極端梯度提升（XGBoost）是一種實現(xiàn)梯度提升框架的優(yōu)化分布式梯度增強庫，旨在提供一種可擴展、可移植、分布式的梯度提升機（gradientboostingmachine，GBM）算法，以解決各種數(shù)據(jù)科學問題.XG-Boost是基于決策樹（通常是CART）的集成學習方法.其通過不斷添加新的樹來擬合數(shù)據(jù)中的殘差，每棵樹都是基于前一棵樹的殘差來構建的.每棵樹學習的是前一棵樹的不完美之處，逐漸提高整體的預測精度[23-24].其目標函數(shù)可以表示為：

式中： O（b） 是第 b 次迭代的目標函數(shù)值； 是第 i 個樣本的損失函數(shù)，用來衡量預測值 和真實值 y_i 之間的差異； K 代表模型中樹的數(shù)量上限; 是樹的復雜度懲罰項，用于控制模型的復雜度，其具體計算公式如下：

式中： γ 為葉節(jié)點懲罰系數(shù)； T 為樹中葉節(jié)點的個數(shù)；

λ 為正則化懲罰系數(shù)； ω 為葉節(jié)點權重.

XGBoost使用梯度提升的方法來訓練模型.在每一輪迭代中，計算損失函數(shù)的負梯度，這被視為殘差 然后用一棵新樹來擬合這些殘差．可以表

示為：

式中： 是前 _t-1 次迭代后的預測值.

在訓練每一棵樹時，XGBoost會尋找最優(yōu)的分割點，以最小化目標函數(shù).這涉及計算每個分割點的增益，增益可以用如下公式表示：

式中： G_L 和 G_R 分別是左子節(jié)點和右子節(jié)點的梯度之 和； H_L 和 H_R 分別是左子節(jié)點和右子節(jié)點的二階導數(shù) 之和； λ 是L2正則化項的權重； γ 是樹的復雜度懲罰 項的權重.

3.3基于GA優(yōu)化的XGBoost預測模型

遺傳算法（GA）是一種啟發(fā)式搜索算法，其受到生物進化的啟發(fā)，通過模擬自然選擇和遺傳機制來優(yōu)化問題解[25].將遺傳算法應用于XGBoost模型的優(yōu)化，可以幫助在參數(shù)空間中高效搜索最優(yōu)或近似最優(yōu)的參數(shù)組合，減少陷入局部最優(yōu)的風險[26].

硅橡膠材料的擊穿場強受多種因素（如配比、厚度、溫度等）影響，這些因素之間可能存在復雜的非線性關系.GA和XGBoost的結合能夠處理這種復雜性，從大量數(shù)據(jù)中提取出關鍵信息，建立準確的預測模型.此外，GA可以通過優(yōu)化XGBoost的模型參數(shù)來減少過擬合的風險，同時提高模型的訓練效率和預測性能，這對于處理硅橡膠材料擊穿場強這類需要高精度預測的問題尤為重要.

基于此，將經(jīng)過GA優(yōu)化后的XGBoost算法應用于硅橡膠擊穿場強的預測，通過遺傳算法，為XG-Boost模型的參數(shù)優(yōu)化提供了一種高效的全局搜索方法，有利于對不同配比和厚度下硅橡膠的擊穿場強進行精確的預測.其具體流程如圖5所示.

個體編碼：個體通常通過二進制編碼表示為染色體，個體每個基因位編碼從中按照等概率隨機抽取.采用均方誤差作為適應度函數(shù)，如式（8）所示，用于指導算法的搜索方向.

式中： y_i 是實際擊穿場強； 是模型預測的擊穿場強；

n 是樣本數(shù)量； θ 作為函數(shù)的輸人（個體參數(shù)）.

初始化種群：隨機生成初始種群，每個個體代表一組XGBoost模型的參數(shù)，包括學習率、樹的數(shù)量、樹的深度等.此處將種群大小設置為50

選擇和交叉：采用單點交叉法隨機選擇一個交叉點，交換交叉點之后的基因段，基于適應度函數(shù)的值來選擇個體進行繁殖.其中個體 i 被選中的概率為P（i） ，如式（9）所示：

式中： P（i） 是個體 i 被選中的概率 γ_;f（i） 是個體 i 的適應度； N 是種群大小.

變異：通過交換兩個個體的部分基因來產(chǎn)生新的個體，對新產(chǎn)生的個體執(zhí)行變異操作，以增加種群的多樣性.變異可以表示為 g^′ ，如式（10）所示：

g^′=g+δ

式中： Π_g 是原始基因值； g^′ 是變異后的基因值;δ是一個小的隨機擾動.

迭代：用新生成的子代個體替換當前種群中的個體.反復執(zhí)行以上操作，直到達到設置的最大迭代次數(shù)（300次）.在最終的種群篩選中，挑選出適應度最為卓越的個體，從而鎖定并獲取針對特定問題的最佳特征子集.

3.4超參數(shù)優(yōu)化

通過遺傳算法在對各超參數(shù)設定的合適范圍內(nèi)進行最優(yōu)值搜索，得到如表3所示的XGBoost模型最優(yōu)超參數(shù).

3.5模型評估指標

本文采用3種常見的統(tǒng)計學指標分析預測模型性能，分別是均方根誤差（root-mean-square error，RMSE），用于度量預測值與實際值之間的差異；平均絕對誤差（meanabsoluteerror，MAE）表示預測值與實際值之差的絕對值的平均數(shù)，MAE提供了預測誤差的一個直觀理解； R² 稱為決定系數(shù)，其值的范圍為0＼～1，值越接近1表示模型擬合效果越好[27].

式中： y_i 是第 i 個觀測的實際值； 第 i 個觀測的預測值； n 是觀測的數(shù)量； 是實際值的平均值.

3.6模型預測結果與分析

根據(jù)前期試驗結果，經(jīng)數(shù)據(jù)預處理后得到數(shù)據(jù)372組，設置隨機種子數(shù)為100，以7：3的比例劃分為訓練集與測試集.硅橡膠材料擊穿場強試驗值和預測值關系如圖6所示，其中，測試集的 R²=0.953 MAE=0.168 RMSE=0.361kV/mm.

上述結果表明，針對位于 16～22kV/mm 的常見值預測比較準確，在該范圍內(nèi)模型訓練后具有較高的預測精度，盡管模型對個別工況點的預測結果稍差，導致預測結果的線性擬合直線有所偏離，但從整體來看，模型對各參數(shù)的預測值和試驗值的相關性較好且預測精度較高.在預測極端值（過大或過?。r存在一定偏差，這是因為訓練數(shù)據(jù)中這些極端值出現(xiàn)的頻率較低，使得模型在訓練過程中給予的權重也較小，因此模型更傾向于預測更常見的數(shù)值范圍.

為驗證GA-XGBoost模型對硅橡膠擊穿場強的預測效果，分別采用決策樹、BP神經(jīng)網(wǎng)絡、線性回歸、SVR和未優(yōu)化的XGBoost模型與之進行對比，進一步驗證優(yōu)化后模型的有效性.為保證所有預測模型結果的可比性，訓練集和測試集數(shù)據(jù)需保持一致.各算法性能對比結果如表4所示.

由表4可得，本研究提出的GA-XGBoost方法可以有效提高大部分數(shù)據(jù)集的預測精度，且與另外5種算法相比，3種評價指標均有明顯提升.其中，GA-XGBoost的決定系數(shù) R² 與其他算法相比提升了3.59%～11.20% ，表明該優(yōu)化模型預測精度較高；均方根誤差與其他算法相比降低了 25.26%～70.09% 說明預測值與真實值之間的偏差相較于其他方法更低；平均絕對誤差與其他算法相比降低了 20.38% ～73.54% ，同樣說明了預測值與真實值之間的平均差異程度降低.

結果表明，經(jīng)過遺傳算法優(yōu)化的XGBoost模型提高了對數(shù)據(jù)集的預測精度.此外，BP神經(jīng)網(wǎng)絡相較于其他算法誤差較大，原因可能為神經(jīng)網(wǎng)絡需要通過大量數(shù)據(jù)進行模型訓練，導致算法的準確度和解釋性相差較大，鑒于本數(shù)據(jù)集的樣本數(shù)量相對較少，更適合那些對數(shù)據(jù)集需求不高的算法.

4結論

本文以高溫硫化硅橡膠材料為研究對象，基于試驗擊穿場強數(shù)據(jù)，利用遺傳算法良好的尋優(yōu)能力，確定了XGBoost算法的超參數(shù)，獲得了基于硅橡膠材料的具有普適性的擊穿場強預測模型，具體結論如下：

1）通過對硅橡膠制備過程中的關鍵參數(shù)進行異常值處理和皮爾遜相關系數(shù)分析，可知：厚度和溫度對擊穿場強有顯著影響，色母相對含量影響較小，AI（OH）微粉直徑和相對含量的影響也符合預期，厚度與擊穿場強呈現(xiàn)出顯著的負相關性，更厚的材料由于缺陷或雜質(zhì)的存在可能導致?lián)舸﹫鰪娊档停粶囟扰c擊穿場強之間也表現(xiàn)出負相關性，溫度升高可能會導致導電性和離子移動性的增加，從而降低擊穿場強；AI（OH）3相對含量與擊穿場強呈現(xiàn)正相關性，AI（OH）作為阻燃填料可能通過改善材料的熱穩(wěn)定性和電氣絕緣性能對擊穿場強產(chǎn)生正面影響，

2）采用改進XGBoost算法模型進行硅橡膠擊穿場強預測，測試集的1 RMSE=0.361kV/mm MAE ? 0.168、 R²=0.953 ，預測精度優(yōu)于線性回歸、決策樹、SVR、BP神經(jīng)網(wǎng)絡以及未優(yōu)化的XGBoost算法.該方法有效提升了對數(shù)據(jù)集的預測能力，依托該模型，可較為準確地預測一定配比及厚度下硅橡膠的擊穿場強，對硅橡膠材料制備及絕緣性能預測具有重要意義.

3）本文所采用的GA-XGBoost算法雖然能夠在一定程度上表明不同硅橡膠配方與其擊穿場強的相關性，但還需要進一步進行試驗驗證和考慮其他因素（老化程度、材料內(nèi)部缺陷或雜質(zhì)等）對其擊穿場強的影響，后續(xù)將繼續(xù)開展改進工作，以更好地提升其預測性能.

參考文獻

[1］王小龍，劉亨陽，顧哲屹，等.輸電線路用的硅橡膠材料及老

化問題研究[J].化學與粘合，2024，46（1）：49-52. WANGXL，LIUHY，GUZY，et al．Study onthe silicone rubber materials and aging problems for transmission lines[J] . Chemistry and Adhesion，2024，46（1）： 49-52.（in Chinese）

[2]劉興杰，沈瑤，賈方瑞，等．納米SiO/硅橡膠復合材料熱裂解 進程的分子模擬[J]．高電壓技術，2024，50（12）：5397-5405. LIUXJ，SHENY，JIAFR，etal.Molecular simulationof thermal cracking processof nano-SiO2/silicone rubber composites [J]．High Voltage Engineering，2024，50（12）：5397-5405.（in Chinese）

[3] 畢茂強，帥埡靈，鄧潤坤，等.霧霾參數(shù)對電暈老化硅橡膠外 絕緣特性影響研究[J].重慶理工大學學報（自然科學），2023， 37（2）： 251-259. BI M Q，SHUAI YL，DENG R K，et al. Study on the influence of haze parameters on the external insulation characteristics of corona-aged silicone rubber[J]. Journal of Chongqing University of Technology（Natural Science），2023，37（2）：251-259.（in Chinese）

[4]畢茂強，楊忠平，江天炎，等.霧霾條件下不同配比硅橡膠電暈 老化特性[J].湖南大學學報（自然科學版），2022，49（12）： 167-175. BI MQ，YANG ZP，JIANG TY，et al.Corona aging characteristics of silicone rubber with different proportions under haze conditions ［J]. Journal ofHunan University（Natural Science），2022，49（12）：167-175.（in Chinese）

[5］代沖．低溫下硅橡膠絕緣材料電氣性能研究[D]．北京：華北 電力大學，2017. DAI C.Study on electrical properties of silicone rubber insulation material at low temperature[D].Beijing：North China Electric Power University，2017.（in Chiese）

[6］胡建林，譚陳，鐘睿，等．室溫硫化硅橡膠涂層厚度對電暈老化 特性的影響[J]．高電壓技術，2020，46（4）：1328-1336. HU JL，TAN C，ZHONG R，et al. Influence of the thickness of room temperature vulcanized silicone rubber coatings on the aging characteristics of corona[J]．High Voltage Engineering，2020， 46（4）：1328-1336.（in Chinese）

[7］周遠翔，侯非，聶瓊，等．溫度對硅橡膠電樹枝老化特性的影響 [J]．高電壓技術，2012，38（10）：2640-2646. ZHOU Y X，HOUF，NIEQ，et al．Temperature effectson electrical tree agingcharacteristics of silicone rubber[J].High Voltage Engineering，2012，38（10）：2640-2646.（in Chinese）

[8]NANDI A K. Genetic algorithm-based design and development of particle-reinforced siliconerubber for soft tooling process[J]. Materials and Manufacturing Processes，2013，28（7）：753-760.

[9]SHAYMAA A Q， SAUD A A， KAREEM A. Grain size effects on the behavior of silicone rubber high voltage power cables using seagull optimization algorithm[J].The Indonesian Journal of Electrical Engineering and Computer Science，2023，32（3）： 1246-1256.

[10]CHEN Z Q，JIA W，CHENG L，et al. Prediction of breakdown fieldstrength for large-area and multilayer film dielectrics[J]. IEEE Transactionson Dielectricsand Electrical Insulation，

[11］許旭日，高宇，李敬，等．基于等溫表面電位衰減法預測不同 厚度的聚乙烯納米復合材料直流擊穿場強[J]．高電壓技術， 2022，48（7）：2864-2872. XUXR，GAO Y，LIJ，et al．Prediction of thickness-dependent DC breakdown strength of polyethylene nanocomposite estimated with surface potential decay measurement［J].High Voltage Engineering，2022，48（7）：2864-2872.（inChinese）

[12]LIZ L，DONGY M，WU Y，et al.Breakdown performance evaluation and lifetime prediction of XLPE insulation in HVAC cables[J].Energies，2024，17（6）：1337.

[13］王宏旭，李源，林海泉，等．低溫下硅橡膠直流擊穿特性變化 規(guī)律研究[J]．高壓電器，2019，55（3）：103-108. WANGH X，LI Y，LIN HQ，et al. Study on change regularity of DC breakdown characteristics of silicone rubber at low temperature [J].High Voltage Apparatus，2019，55（3）：103-108.（in Chinese）

[14］國家質(zhì)量監(jiān)督檢驗檢疫總局，中國國家標準化管理委員會. 絕緣材料電氣強度試驗方法第1部分：工頻下試驗：GB/T 1408.1—2016[S]．北京：中國標準出版社，2016. General Administration ofQuality Supervision，Inspection and QuarantineofthePeople’sRepublicof China，Standardization Administration ofthe People’s Republic of China.Insulating materials for electrical strength-test methods-Part 1：tests at power frequencies：GB/T 1408.1—2016[S].Beijing：Standards Press of China，2016.（in Chinese）

[15]BIMQ，LIK，ZHANG SY，etal．Electric field simulation analysisof ICOG coronaringandstudyon flashover characteristics of bird droppings[J]．Electric Power Systems Research，2024，233：110459.

[16］王若丞，賀云逸，康洪瑋，等．電纜接頭絕緣用硅橡膠熱老化及 超聲特性[J]．高電壓技術，2021，47（9）：3181-3188. WANG R C，HEYY，KANG HW，et al.Thermal aging and ultrasoniccharacteristics of silicone rubber for cablejoint insulation[J].High Voltage Engineering，2021，47（9）：3181- 3188.（in Chinese）

[17］楊濤，郝建，陳鑫，等．三元混合式絕緣油吸潮、工頻擊穿及產(chǎn) 氣特性研究[J]．高電壓技術，2020，46（11）：4014-4022. YANG T，HAO J，CHEN X，et al. Study on moisture absorption， power frequency breakdown and gas production characteristics of three-element mixed insulation oil[J]. High Voltage Engineering， 2020，46（11）：4014-4022.（in Chinese）

[18］國家質(zhì)量監(jiān)督檢驗檢疫總局，中國國家標準化管理委員會．硫 化橡膠工頻擊穿電壓強度和耐電壓的測定方法：GB/T1695- 2005[S]．北京：中國標準出版社，2006. General Administration ofQuality Supervision，Inspectionand Quarantine of the People’s Republic of China，Standardization Administration ofthe People’s Republic of China．Rubber， vulcanized—determination of electrical breakdown strengthand voltage resistant at commercial power frequency：GB/T 1695-

[19]高建，嚴智民，李建英，等.溫度對硅橡膠電樹枝自恢復特性的 影響機制[J].西安交通大學學報，2022，56（9）：176-184. GAO J，YAN Z M，LI JY，et al. The influence mechanism of temperature on the self-recovery characteristics of silicone rubber electrical tree[J].Journal of Xi’anJiaotong University，2022， 56（9）：176-184.（in Chinese）

[20］王霞，王華楠，陳飛鵬，等．電暈放電加速硅脂劣化對硅橡膠絕 緣表面性能的影響[J].高電壓技術，2020，46（11）：3977- 3985. WANG X，WANGHN，CHEN FP，et al.Effect of coronadischarge-accelerated deterioration of silicone grease on the surface properties of silicone rubber insulation[J]．High Voltage Engineering，2020，46（11）：3977-3985.（in Chinese）

[21]DAS M K，CHAUDHARY A，BRYAN A，et al. Rapid screening evaluation of SARS-CoV-2 IgG assays using Z-scores to standardize results[J].Emerging Infectious Diseases，2020， 26（10）：2501-2503.

[22]ZHANG L，WANG FL，SUN T，et al.A constrained optimization method based on BP neural network[J].Neural Computing and Applications，2018，29（2）：413-421.

[23]OMER S G，LIOR R K，Approximating XGBoost with an interpretable decision tree[J].Information Sciences，2021，572： 522-542.

[24］王晨光，秦浩然，楊超越，等.基于XGBoost算法的凍土強度預 測與影響因素分析[J/OL].金屬礦山，2024：1-14.（2024-05- 06）[2024-06-04].http：//kns.cnki.net/KCMS/detail/detail.aspx？ filename=JSKS20240428002amp;dbname=CJFDamp;dbcode=CJFQ. WANGCG，QINHR，YANGCY，etal.Predictionof frozen soil strength and analysis of influencing factors based on XGBoost algorithm[J/OL]. China Industrial Economics，2024：1-14.（2024- 05-06）[2024-06-04]. http：//kns.cnki.net/KCMS/detail/detail.aspx？ filename=JSKS20240428002amp;dbname=CJFDamp;dbcode=CJFQ.（in Chinese）

[25］王燎原，孫玉利，張桂冠，等．基于Taguchi-GA協(xié)同的磁性磨 料拋光性能預測及制備工藝參數(shù)尋優(yōu)[J]．湖南大學學報（自 然科學版），2024，51（4）：43-53. WANG L Y，SUN Y L，ZHANG G G，et al.Predicting polishing performance of magnetic abrasive and optimizing its preparation process parameters based on Taguchi-GA synergy[J]. Journal of HunanUniversity（Natural Sciences），2024，51（4） ：43-53.（in Chinese）

[26]NGUYEN V L，SANG W H，KIHAK L，Genetic algorithm hybridized with extreme gradientboosting topredictaxial compressive capacity of CCFST columns [J]. Composite Structures，2021，278：114733.

[27]TOMAL JH，WELCH W J， ZAMAR R H. Robust ranking by ensembling of diverse models and assessment metrics[J]. Journal of Statistical Computation and Simulation，2023，93（1）：77-102.