Exploration of Composition-Microstructure Relations in Polymer Nanocomposites: Intelligent Honey

Abstract

У полімерних нанокомпозитах (PNCs) взаємозв’язки між мікроструктурою охоплюють складні зв’язки між розміщенням нанонаповнювача в полімерній матриці та кінцевими характеристиками композиту. Дисперсія, розмір, форма та хімічні взаємодії нанонаповнювачів впливають на продуктивність PNCs, причому теплофізичні властивості змінюються залежно від складу. Встановлення універсального зв’язку між складом і властивостями PNCs є складним завданням через їхню величезну хімічну різноманітність. У цьому дослідженні пропонується інноваційний підхід машинного навчання (ML), інтелектуальний динамічний випадковий ліс, об’єднаний медоносними бджолами (IHB-FDRF), для прогнозування зв’язку складу та мікроструктури PNCs. Використовуючи обчислювальне бачення та розпізнавання зображень, IHB-FDRF прогнозує дисперсію наночастинок (NP), перевірену за допомогою симуляції грубої молекулярної динаміки. Модель прогнозує розміщення NP у PNCs у латентному просторі, перекладаючи на функцію радіального розподілу (RDF) за допомогою алгоритму IHBFDRF. Середня квадратична помилка (MSE) у прогнозах, яка кількісно визначає середню квадратну різницю між прогнозованими та фактичними значеннями, є вражаюче низькою і становить 0,005 під час фази навчання, що підтверджує точність моделі. Надійність дослідження додатково підтверджується перекриттям прихованих значень в обох областях, що означає конвергенцію між прихованими характеристиками та забезпечення надійності в різних контекстах. Підсумовуючи, це дослідження дає значні висновки щодо взаємозв’язків мікроструктури PNCs.

In polymer nanocomposites (PNCs), microstructure relationships encompass the intricate connections between nanofiller placement in the polymer matrix and resultant composite characteristics. The dispersion, size, shape and chemical interactions of nanofillers impact PNC performance, with thermo physical qualities varying based on composition. Establishing a universal composition-property relationship for PNCs is challenging due to their vast chemical diversity. This study proposes an innovative machine learning (ML) approach, the Intelligent Honey Bee-Fused Dynamic Random Forest (IHB-FDRF), to predict the composition-microstructure relationship of PNCs. Leveraging computational vision and image recognition, the IHB-FDRF predicts nanoparticles (NP) dispersion, validated through coarse-grained molecular dynamics simulations. The model forecasts NP arrangement in PNCs in latent space, translating to the radial distribution function (RDF) using the IHB-FDRF algorithm. The Mean Squared Error (MSE) in predictions, quantifying the average squared difference between predicted and actual values, is impressively low at 0.005 during the training phase, affirming the model's accuracy. The study's robustness is further confirmed by the overlap of latent values in both areas, signifying convergence between hidden characteristics and ensuring reliability across diverse contexts. In summary, this study gives significant findings on PNC microstructure relationships.