Ref：Chemical Engineering Journal 448 (2022) 137643

链接：https://doi.org/10.1016/j.cej.2022.137643

由于热稳定性和可加工性的相互制约，PSA树脂的研究进展受到限制。一般来说，树脂热稳定性的提高伴随着加工性能的下降。通常，耐热性优异的树脂具有较高的粘度，但不适合加工和生产高性能复合材料，特别是树脂成型加工方面。

因此，PSA树脂的改进集中于在不失去热稳定性的情况下易于加工和制造。这种性能的改善需要在热稳定性和加工性能之间进行权衡。含硅乙炔树脂的设计，由于研发周期长，通常采用试错法，效率较低。

材料基因组法(MGA)是解决这一问题的有效途径。材料研究经历了实验观察、理论模型和计算科学三种范式。利用数据来驱动材料的研发是MGA提出的第四个范式。MGA旨在通过创建材料创新基础设施来加速新材料的发现、设计和部署。MGA首先定义材料的“基因”，然后对“基因”进行组合，最后通过性能预测筛选出首选材料。

在本工作中，首次建立了用于评价PSA加工性能和耐热性的机器学习（ML）模型。然后，利用这些ML模型提出了一种MGA来进行树脂的高通量筛选，并在不牺牲耐热性的前提下过滤出一系列具有最佳加工性能的PSA树脂。

为了能够预测聚合物耐热性能和加工性能，从Polymer Genome database数据库中收集94组耐热性数据，从PubChem database中收集了882组粘度数据，建立了multi-layer perceptron (MLP)神经网络模型，最后利用机器学习模型建立分子结构与性质之间的对应关系。

首先定义聚合物的基因，乙炔基结构和硅基结构分别为聚合物的基因，如表1和表2所示。通过基因之间的组合形成虚拟聚合物，共368种树脂。

表1 16种乙炔基结构

表2 23种硅基结构

通过基因组合方法获得聚合物树脂虚拟材料，利用机器学习模型对虚拟材料进行耐热性能和粘度的预测；最后筛选出综合性能优良的聚合物。

图1 材料基因组方法设计耐热性和优异加工性聚合物树脂

本工作中使用氮气氛中的Td5来表示耐热性，并选择室温下的lgη来表示加工性能。ML被用来构建化学结构和这些性质之间的关系。通过耐热性能预测模型和粘度预测模型的训练集、验证集和测试集的R2可以评判这两个性能预测模型是可靠的，如图2所示。

图2 机器学习模型对耐热性能与粘度预测的表现

进一步可以通过两个ML模型来评估候选树脂的性能。通过ML模型分别预测了368种候选树脂的加工性能和耐热性的lgη和Td5。然后，作者设置了筛选树脂的标准：1）耐热性和加工性能的预测值映射到0到1的范围内，其中1表示树脂的加工性能或耐热性最好，0表示树脂最差。2） 每个属性都有其重要性的权重系数，并根据权重系数计算加权平均值。考虑到这两种性质的同等重要性，将加工性质（或耐热性）的权重系数设置为0.5。图3左图显示了368种候选树脂的加权平均值，其中黑色矩形表示加权平均值排前十的最佳树脂。这十种树脂的分子结构如图3右图。作者选择了PSNP-MV（蓝色）的分子进行验证，因为其易合成性。

图3 耐热与粘度综合性能热力图和前十种综合性能优异的分子结构

通过实验方法对筛选出来的PSNP-MV进行合成与性能的测试，得到该聚合物具有非常好的耐热性能和较低的粘度，如图4，从而证明该聚合物同时满足耐热性和加工性能的需求。

图4 不同聚合物树脂耐热性和粘度性能

对机器学习筛选出来的树脂进行合成与性能分析，实验和理论模拟结果表明，PSPN-MV树脂具有较低的粘度和良好的耐高温性能，验证了材料基因组筛选的结果。

从这项研究中获得的结论可能有助于加快新的耐热树脂的开发，并减少时间成本，比传统试错的方式具有更大的优势。