Прогнозирование реологических параметров полимеров методами машинного обучения

Введение. Для всех полимерных материалов и композитов на их основе характерны явно выраженные реологические свойства, прогнозирование которых является одной из важнейших задач механики полимеров. Большие возможности для прогнозирования реологических параметров полимеров открывают методы машинного обучения. Ранее проводились исследования на предмет построения прогнозных моделей с использованием искусственных нейронных сетей и алгоритма CatBoost. Наряду с этими методами, благодаря возможности обрабатывать данные с сильно нелинейными зависимостями между признаками, широкое применение в смежных областях находят методы машинного обучения - метод k-ближайших соседей и метод опорных векторов (SVM). Однако ранее к проблеме, рассмотренной в данной статье, эти методы не применялись. Целью работы явилась разработка прогнозной модели для оценки реологических параметров полимеров методами искусственного интеллекта на примере поливинилхлорида.Материалы и методы. В работе применены метод k-ближайших соседей и метод опорных векторов для определения реологических параметров полимеров на основе кривых релаксации напряжений. Обучение моделей выполнялось на синтетических данных, сгенерированных на основе теоретических кривых релаксации, построенных с использованием нелинейного уравнения Максвелла-Гуревича. Входными параметрами моделей выступали величина деформации, при которой производился эксперимент, начальное напряжение, напряжение в конце процесса релаксации, время релаксации и условное время окончания процесса. Выходные параметры: модуль скорости и коэффициент начальной релаксационной вязкости. Модели разработаны в среде Jupyter Notebook на языке Python.Результаты исследования. Построены новые прогнозные модели для определения реологических параметров полимеров на основе методов искусственного интеллекта. Предложенные модели обеспечивают высокое качество прогнозирования. Метрики качества модели в алгоритме SVR составляют: MAE - 1,67 и 0,72; MSE - 5,75 и 1,21; RMSE - 1,67 и 1,1; MAPE - 8,92 и 7,3 для параметров начальной релаксационной вязкости и модуля скорости соответственно с коэффициентом детерминации R2 - 0,98. Разработанные модели показали среднюю абсолютную процентную ошибку в диапазоне 5,9-8,9 %. Помимо синтетических данных, разработанные модели также апробировалась на реальных экспериментальных данных для поливинилхлорида в диапазоне температур от 20° до 60 °C.Обсуждение и заключение. Апробация разработанных моделей на реальных экспериментальных кривых показала высокое качество их аппроксимации, сопоставимое с другими методами. Таким образом, алгоритмы k-ближайших соседей и SVM могут использоваться для прогнозирования реологических параметров полимеров как альтернатива искусственным нейронным сетям и алгоритму CatBoost, требующая меньших усилий по предварительной настройке. При этом в данном исследовании наиболее предпочтительным методом машинного обучения оказался метод SVM, так как он более эффективен в обработке большого числа признаков.