美國密西根大學的研究團隊開發了一種機器學習算法，該算法可以準確預測10萬種含不同種添加氧化物的SiO2玻璃的密度和彈性模量。期望能夠為汽車和風力渦輪機中使用的玻纖復合材料設計輕量化、高剛度的配方組成。研究結果發表在“npj Computational Materials”上。

 

以玻璃纖維、碳纖維、芳香族聚酰胺纖維等為增強材料的高分子復合材料廣泛用于汽車、飛機、建筑結構、運動器材、工業設備等領域。其中，玻璃纖維增強復合材料由于其較低的制造成本占據了80％以上的市場。由于彈性模量和拉伸強度不如碳纖維和芳香族聚酰胺纖維且密度更大，導致玻璃纖維的比彈性和比強度僅為上述材料的1/2?1/3。

 

為了將來擴大玻璃纖維增強復合材料的應用范圍，有必要對玻璃進行化學成分設計，在降低其密度的同時提高彈性模量和拉伸強度。由于玻璃具有非晶態結構，不像金屬晶體那樣具有規則性，因此很難預測原子間結合鍵和物理/化學性質。即使使用計算機模擬，也需要很長的計算時間，并且機器學習所需的關于原子間結合鍵屬性的基本數據也很少。

 

密西根大學材料科學與工程系Liang Qi教授領導的研究團隊面對以上挑戰，構建了一種適合少量數據的GBM-LASSO機器學習算法。通過由二元和三元SiO2玻璃樣品組成的數據集進行模擬和實驗，用模擬數據和實驗數據對機器學習模型的預測進行了全面比較和驗證，機器學習算法顯示出了很有成效的結果。GBM-LASSO機器學習算法能夠建立組成一個特性數據庫，可以準確地預測10萬種包含10種以上添加氧化物的玻璃的密度和彈性模量。

 

 

Liang Qi教授表示，研究團隊未來將對機器學習模型進行優化并研究其他的模擬算法，除了可以預測玻璃材料的密度和彈性模量之外，還可以預測玻璃材料的拉伸強度、韌性和熔點等特征參數。該研究項目得到了美國Continental Technology公司的資助支持。