广东工业大学石彤非教授团队 | 基于机器学习和SHAP的玻璃纤维增强聚酰胺6多因素热氧老化行为预测

本研究针对玻璃纤维增强聚酰胺6在多因素耦合条件下的热氧老化行为，通过自主搭建的多因素耦合热氧老化实验装置，获取了190组覆盖温度、氧分压、厚度等关键变量的高质量老化数据。研究首先评估了传统Arrhenius经验模型的适用性，发现其在多因素耦合条件下预测性能有限（R²最高0.631）。随后，构建了12种机器学习模型，其中CatBoost模型表现最优（测试集R²=0.910，A20=1.000），实现了高精度预测。通过SHAP分析，揭示了老化时间（驱动主轴）、氧分压（S型影响）、温度（单调加速）和厚度（扩散限制）对老化行为的不同贡献模式。结果表明，数据驱动方法能有效突破传统模型的局限，为材料服役性能评估提供新路径。