机器学习在聚乳酸加工及性能预测中的应用研究进展

doi:10.19491/j.issn.1001-9278.2023.08.018

中国塑料 ›› 2023, Vol. 37 ›› Issue (8): 127-134.DOI: 10.19491/j.issn.1001-9278.2023.08.018

• 综述 • 上一篇

机器学习在聚乳酸加工及性能预测中的应用研究进展

王磊, 赵敏, 翁云宣, 张彩丽()

北京工商大学化学与材料工程学院，北京 100048

收稿日期:2023-05-22 出版日期:2023-08-26 发布日期:2023-08-21
通讯作者: 张彩丽（1989—），女，副教授，从事生物基与生物降解高分子材料研究，zhangcaili@btbu.edu.cn
E-mail:zhangcaili@btbu.edu.cn
基金资助:
北京市属高校教师队伍建设支持计划优秀青年人才项目(BPHR202203050);北京市科协青年人才托举工程(BYESS2023052)

Research progress in applications and performance prediction of machine learning in PLA processing

WANG Lei, ZHAO Min, WENG Yunxuan, ZHANG Caili()

College of Chemistry and Materials Engineering，Beijing Technology and Business University，Beijing 100048，China

Received:2023-05-22 Online:2023-08-26 Published:2023-08-21
Contact: ZHANG Caili E-mail:zhangcaili@btbu.edu.cn

摘要/Abstract

摘要：

综述了目前国内外关于机器学习（ML）在聚乳酸（PLA）加工及性能预测中的应用研究进展。首先，概述了目前ML在预测PLA结晶性能、疲劳寿命、拉伸强度、韧性、屈服应力、密度、降解程度等方面的应用。其次，介绍ML可监测PLA加工过程中可能出现的缺陷，进而降低PLA制品的生产成本、提高其使用寿命。最后，总结并展望了ML未来在PLA加工及应用中的作用及发展。

关键词: 聚乳酸, 机器学习, 监测缺陷, 性能预测

Abstract:

In this paper， the applications of machine learning （ML） in the poly（lactic acid）（PLA） processing as well as its performance prediction was reviewed. The current applications of ML in predicting the crystallization properties， fatigue life， tensile strength， toughness， yield stress， density， and degradation degree of PLA were summarized. As discussed in the paper， ML could be used to monitor the possible defects in the PLA processing， thus reducing the production cost and improving the service life of PLA products. Finally， the future role and development of ML in the PLA processing and applications were prospected.

Key words: poly（lactic acid）, machine learning, monitoring defect, performance prediction

中图分类号:

TQ321

王磊, 赵敏, 翁云宣, 张彩丽. 机器学习在聚乳酸加工及性能预测中的应用研究进展[J]. 中国塑料, 2023, 37(8): 127-134.

WANG Lei, ZHAO Min, WENG Yunxuan, ZHANG Caili. Research progress in applications and performance prediction of machine learning in PLA processing[J]. China Plastics, 2023, 37(8): 127-134.

图/表 9

参考文献 25

1	郑卫，赵振新，马名杰，等. 可降解材料的市场现状及发展前景［J］. 河南化工，2023， 40 （1）： 1⁃5.
	ZHENG W， ZHAO Z X， MA M J，et al. Market status and development prospect of degradable materials［J］. Henan Chemical Industry， 2023， 40 （1）： 1⁃5.
2	王艺涵，贾丹，詹胜鹏，等. 机器学习在聚合物材料研究中的应用进展［J］. 高校化学工程学报，2023， 37（2）：170⁃180.
	WANG Y H， JIA D， ZHAN S P，et al. Review on application of machine learning in polymer material research［J］. Journal of Chemical Engineering of Chinese Universities，2023，37（2）：170⁃180
3	Xia K， Gao H， Liu C， et al. A novel superhard tungsten nitride predicted by machine⁃learning accelerated crystal structure search［J］. Science Bulletin， 2018， 63（13）：817⁃824.
4	刘海知，徐辉，包红军，等. 机器学习分类算法在降雨型滑坡预报中的应用［J］. 应用气象学报，2022， 33（3）： 282⁃292.
	LIU H Z， XU H， BAO H J，et al.Application of machine learning classification algorithm to precipitation⁃induced landslides forecasting［J］.Journal of Applied Meteorological Science，2022， 33（3）： 282⁃292.
5	Levin S， Toerper M， Hinson J， et al. Machine⁃learning⁃based electronic triage： a prospective evaluation［J］. Annals of Emergency Medicine， 2018， 72（4）：116.
6	钱琦淼，张朵，王映艨，等. 机器学习在股价预测上的应用［J］. 中国市场， 2022， 21： 7⁃10.
7	Doan T H， Chiho K， Lihua C， et al. Machine⁃learning predictions of polymer properties with polymer genome［J］. Journal of Applied Physics， 2020， 128（17）：171104.
8	Jha A， Chandrasekaran A， Kim C， et al. Impact of dataset uncertainties on machine learning model predictions： the example of polymer glass transition temperatures［J］. Modelling and Simulation in Materials Science and Engineering， 2019， 27（2）： 024002.
9	黄飞鸿，李凤红，笪伟，等. 3D打印聚乳酸复合材料的改性研究进展［J］. 工程塑料应用， 2022， 50（11）： 151⁃156.
	HUANG F H， LI F H，DA W，et al.Research progress on modification of 3D printed polylactic acid composites［J］. Engineering Plastis Application， 2022， 50（11）： 151⁃156.
10	Hassanifard S， Behdinan K. Anisotropy and internal flaws effects on fatigue response of notched 3D⁃printed PLA parts［J］. Materials Today Communications， 2023， 35：105734.
11	Delli U， Chang S. Automated process monitoring in 3D printing using supervised machine learning［J］. Procedia Manufacturing 2018， 26： 865⁃870.
12	Meiabadi M S， Moradi M， Karamimoghadam M， et al. Modeling the producibility of 3D printing in polylactic acid using artificial neural networks and fused filament fabrication［J］. Polymers（Basel）， 2021， 13（19）：13103219.
13	Wang C， Tan X P， Tor S B， et al. Machine learning in additive manufacturing： State⁃of⁃the⁃art and perspectives［J］.Additive Manufacturing， 2020， 36：101538.
14	李小强. 基于机器学习的零件加工在线监测研究［J］. 自动化与仪器仪表， 2022， 11：124⁃128，133.
	LI X Q.Research on on⁃line monitoring of parts machining based on deep learning［J］.Automation and Instruentation， 2022， 11：124⁃128，133.
15	Mulrennan K， Donovan J， Creedon L， et al. A soft sensor for prediction of mechanical properties of extruded PLA sheet using an instrumented slit die and machine learning algorithms［J］. Polymer Testing， 2018， 69： 462⁃469.
16	Albuquerque R Q， Brütting C， Standau T， et al. A machine learning investigation of low⁃density polylactide batch foams［J］. E⁃Polymers， 2022， 22（1）： 318⁃331.
17	马喜峰. 聚乳酸复合材料在生物医学领域的应用研究［J］. 化学与粘合， 2022， 44（5）： 436⁃440.
	MA X F.Application of polylactic acid composites in biomedical field［J］.Chemistry and Adhesion， 2022， 44（5）： 436⁃440.
18	Alakent B， Soyer⁃Uzun S. Implementation of statistical learning methods to develop guidelines for the design of PLA⁃based composites with high tensile strength values［J］. Industrial & Engineering Chemistry Research， 2019， 58（8）：3 478⁃3 489.
19	冯晓雯，胡灵芝，张文，等. 左旋聚乳酸等温结晶动力学的超快扫描量热研究［J］. 伊犁师范大学学报（自然科学版）， 2022， 16（1）： 39⁃43.
	FENG X W， HU L Z， ZHANG W，et al.Study on isothermal crystallization and kinetics of polymer PLLA by fast scanning calorimetry［J］.Journal of Yili Normal University（Natural Science Edition）， 2022， 16（1）： 39⁃43.
20	Wang J， Ayari M A， Khandakar A， et al. Estimating the relative crystallinity of biodegradable polylactic acid and polyglycolide polymer composites by machine learning methodologies［J］. Polymers （Basel）， 2022， 14（3）：14030527.
21	殷嘉骏，琚艳云，孙政权，等. 连续化静电纺尼龙6/改性聚乳酸复合膜的制备及性能［J］. 塑料工业， 2022， 50（10）：30⁃35.
	YIN J J， JU Y Y， SUN Z Q，et al.Preparation and properties of continuous electrospinning nylon 6 /modified PLA composite film［J］.China Plastis Industry， 2022， 50（10）：30⁃35.
22	Choi N Y， Shin B C， Zhang S U. A Comparative study of the linear⁃elastic and hyperelastic models for degradation of PLA prepared using fused filament fabrication［J］. Journal of the Korean Society of Manufacturing Process Engineers， 2020， 19（3）：1⁃7.
23	Zhang S U. Classifying thermal degradation of polylactic acid by using machine learning algorithms trained on fourier transform infrared spectroscopy data［J］. Applied Sciences， 2020， 10（21）：10217470.
24	Å Rinnan， Berg F V D， Engelsen S B. Review of the most common pre⁃processing techniques for near⁃infrared spectra［J］. Trends in Analytical Chemistry， 2009， 28（10）： 1 201⁃1 222.
25	Andraju N， Curtzwiler G W， Ji Y， et al. Machine⁃learning⁃based predictions of polymer and postconsumer recycled polymer properties： a comprehensive review［J］. ACS Appl Mater Interfaces， 2022， 14（38）： 42 771⁃42 790.

ML模型	应用以及性能预测	参考文献
线性回归、多项式回归、随机森林回归	研究PLA样条缺口形状、光栅方向和熔体内部空隙对疲劳寿命的影响	［10］
支持向量机（SVM）	监测PLA生产过程中的补全失效缺陷和几何缺陷	［11］
人工神经网络（ANN）和人工神经网络⁃遗传算法（ANN⁃GN）	预测PLA的韧性、零件厚度和生产成本	［12］
主成分分析与随机森林结合	预测PLA的拉伸性能，监测生产过程中的产品质量	［15］
梯度提升、随机森林、核岭和支持向量回归模型	将PLA泡沫密度通过温度、时间、压力的函数表达	［16］
使用回归树的统计分析	研究PLA复合材料的拉伸强度	［18］
4个ANN、2个自适应神经模糊推理系统以及最小二乘支持向量回归	预测左旋聚乳酸/聚乙交酯（PLLA/PGA）复合材料的相对结晶度与结晶时间、温度和PGA含量的关系	［20］
多分类逻辑回归和多分类神经网络	预测PLA的热降解程度	［23］

ML模型	应用以及性能预测	参考文献
线性回归、多项式回归、随机森林回归	研究PLA样条缺口形状、光栅方向和熔体内部空隙对疲劳寿命的影响	［10］
支持向量机（SVM）	监测PLA生产过程中的补全失效缺陷和几何缺陷	［11］
人工神经网络（ANN）和人工神经网络⁃遗传算法（ANN⁃GN）	预测PLA的韧性、零件厚度和生产成本	［12］
主成分分析与随机森林结合	预测PLA的拉伸性能，监测生产过程中的产品质量	［15］
梯度提升、随机森林、核岭和支持向量回归模型	将PLA泡沫密度通过温度、时间、压力的函数表达	［16］
使用回归树的统计分析	研究PLA复合材料的拉伸强度	［18］
4个ANN、2个自适应神经模糊推理系统以及最小二乘支持向量回归	预测左旋聚乳酸/聚乙交酯（PLLA/PGA）复合材料的相对结晶度与结晶时间、温度和PGA含量的关系	［20］
多分类逻辑回归和多分类神经网络	预测PLA的热降解程度	［23］

机器学习方法	结构特性		模型数量/个
机器学习方法	固定属性	可调属性	模型数量/个
多层感知器神经网络	隐藏层的数量为2。第一个隐藏层的激活函数使用的是双曲正切函数。第二个隐藏层的激活函数使用的是逻辑函数。训练算法采用的是Levenberg⁃Marquardt算法。	隐藏层神经元数量	200
级联前馈神经网络	隐藏层的数量为2。第一个隐藏层的激活函数为双曲正切。第二个隐藏层的激活函数是逻辑函数。所使用的训练算法是Levenberg⁃Marquardt算法。	隐藏层神经元数量	200
循环神经网络	隐藏层的数量为2。第一个隐藏层的激活函数是双曲正切函数。第二个隐藏层的激活函数是逻辑函数。所使用的训练算法是缩放共轭梯度算法。	隐藏层神经元数量	160
最小二乘支持向量回归	训练算法，即最小平方法。	核函数	150
具有减法聚类的自适应神经模糊推理系统	隶属函数，即减法聚类。	聚类训练算法半径	400
具有C均值聚类的自适应神经模糊推理系统	隶属函数，即C均值聚类。	聚类训练算法数量	400

机器学习方法	结构特性		模型数量/个
机器学习方法	固定属性	可调属性	模型数量/个
多层感知器神经网络	隐藏层的数量为2。第一个隐藏层的激活函数使用的是双曲正切函数。第二个隐藏层的激活函数使用的是逻辑函数。训练算法采用的是Levenberg⁃Marquardt算法。	隐藏层神经元数量	200
级联前馈神经网络	隐藏层的数量为2。第一个隐藏层的激活函数为双曲正切。第二个隐藏层的激活函数是逻辑函数。所使用的训练算法是Levenberg⁃Marquardt算法。	隐藏层神经元数量	200
循环神经网络	隐藏层的数量为2。第一个隐藏层的激活函数是双曲正切函数。第二个隐藏层的激活函数是逻辑函数。所使用的训练算法是缩放共轭梯度算法。	隐藏层神经元数量	160
最小二乘支持向量回归	训练算法，即最小平方法。	核函数	150
具有减法聚类的自适应神经模糊推理系统	隶属函数，即减法聚类。	聚类训练算法半径	400
具有C均值聚类的自适应神经模糊推理系统	隶属函数，即C均值聚类。	聚类训练算法数量	400

[1]	汪杰, 张伟蒙, 胡晶. 聚乳酸⁃羟基乙酸共聚物涂层对聚乳酸3D打印支架的性能影响[J]. 中国塑料, 2023, 37(1): 1-7.
[2]	孟鑫, 王小龙, 公维光, 金谊. “三源一体”壳核型阻燃剂的制备及其在聚乳酸中的应用[J]. 中国塑料, 2022, 36(9): 96-104.
[3]	宋丹阳, 郑红娟, 李一龙. 聚乳酸基油水分离材料研究进展[J]. 中国塑料, 2022, 36(9): 187-192.
[4]	曲玉婷, 王立梅, 齐斌. 聚乙二醇对聚乳酸/淀粉纳米晶复合材料性能的影响[J]. 中国塑料, 2022, 36(8): 56-61.
[5]	沈雪梅, 朱小龙, 胡燕超, 宋任远, 张现峰, 李席. 静电喷雾法制备聚乳酸/布洛芬微球及其性能研究[J]. 中国塑料, 2022, 36(7): 61-67.
[6]	周舒毅, 朱敏, 刘忆颖, 曹舒惠, 蔡启轩, 聂慧, 张玉霞, 周洪福. 高分子止血材料研究进展[J]. 中国塑料, 2022, 36(7): 74-84.
[7]	邵琳颖, 郗悦玮, 翁云宣. 可降解聚乳酸复合材料研究进展[J]. 中国塑料, 2022, 36(6): 155-164.
[8]	王镕琛, 张恒, 孙焕惟, 段书霞, 秦子轩, 李晗, 朱斐超, 张一风. 医疗卫生用聚乳酸非织造材料的制备及其亲水改性研究进展[J]. 中国塑料, 2022, 36(5): 158-166.
[9]	李梦琪, 陈雅君. 纳米材料阻燃聚乳酸的研究进展[J]. 中国塑料, 2022, 36(4): 102-114.
[10]	孙滔, 杨青, 胡健, 王洋样, 刘博, 云雪艳, 董同力嘎. 聚（乳酸⁃乙醇酸）薄膜制备及其性能研究[J]. 中国塑料, 2022, 36(2): 33-40.
[11]	杨尚山, 尚鹏鹏, 徐静, 解加卓, 张坤, 张丽丽. 可生物降解PBAT/PLA/生物质垃圾袋的制备和表征[J]. 中国塑料, 2022, 36(11): 127-132.
[12]	李桂丽, 余秋然, 郝明亮, 李海梅. 苎麻纤维表面改性对聚乳酸结晶及拉伸性能的影响[J]. 中国塑料, 2022, 36(11): 51-58.
[13]	毛晨, 刘番, 鄂毅, 邹姝燕, 龚兴厚. 纳米CoFe₂O₄的制备及其对PLA结晶性能的影响[J]. 中国塑料, 2022, 36(1): 9-14.
[14]	韦宗辰, 郗悦玮, 翁云宣. 聚乳酸基复合骨组织修复材料的研究现状及进展[J]. 中国塑料, 2021, 35(9): 136-146.
[15]	唐于婧, 王亚桥, 倪敬越, 王从龙, 王向东. 立构复合晶对聚乳酸发泡行为的影响[J]. 中国塑料, 2021, 35(8): 117-124.

机器学习在聚乳酸加工及性能预测中的应用研究进展

Research progress in applications and performance prediction of machine learning in PLA processing

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 25

相关文章 15

编辑推荐

Metrics

本文评价