Maschinelles Lernen und LLM analysieren gemeinsam akustische Emissionsdaten, um die Mechanismen der feuchten und thermischen Alterung von Verbundstoffen aufzudecken

Eine Studie von Wenhan Tian, Yichuang Zhang, Han Wang, Yan Gao und Hongfei Zhou mit dem Titel “Analyse des hygrothermalen Alterungsmechanismus von Composites aus akustischen Emissionsdaten mit maschinellem Lernen und LLMs”, veröffentlicht in “Polymer Testing”, Band 163, Oktober 2026. Die Studie konzentriert sich auf die Mechanismen der Alterung von Verbundstoffen unter feuchter und wärmerer Umgebung, nutzt Schallemissionsdaten (AE) als Überwachungsmittel und führt maschinelles Lernen und große Sprachmodelle (LLMs) zur Datenanalyse ein.

Methoden und technische Wege

Die Studie basiert auf Schallemissionsdaten, die in Kombination mit maschinellen Lernalgorithmen und LLMs Schädigungssignale bei der feuchten und thermischen Alterung von Verbundwerkstoffen analysieren. Die Schallausgabetechnologie erfasst transiente elastische Wellen, die beim Altern des Materials erzeugt werden, die mit Schädigungsmustern wie Matrixbrechen, Faserbrüchen und Schnittstellenentklebung in Verbindung stehen. Durch maschinelles Lernen zur Mustererkennung von Schallemissionsmerkmalen und zur unterstützenden Interpretation der Analyseergebnisse durch LLMs versucht die Forschung, assoziierte Pfade von den Überwachungsdaten zum Alterungsmechanismus aufzubauen.

Bedeutung für den Bereich der Alterung und Stabilisierung von Polymeren

Obwohl die Studie keine Polymerhilfsmittelformeln direkt betrifft, hat ihre Analysemethode des Alterungsmechanismus einen Referenzwert für die Technik der Alterung und Stabilisierung von Polymeren. In wetterbeständigen Stabilisierungssystemen ist die feuchte und thermische Umgebung einer der wichtigen Faktoren, die den Abbau von Polymeren auslösen, und das Verständnis der Schädigungsevolution im Alterungsprozess hilft, die tatsächliche Leistungsfähigkeit von Antioxidantien und Lichtstabilisierungssystemen zu bewerten. Schallausgabe als ein zerstörungsfreies Testmittel ergänzt die herkömmlichen Alterungscharakterisierungsmethoden und bietet zusätzliche dimensionale Datenunterstützung für die Stabilitätsbewertung von HALS-, UVA- und Komplexsystemen in komplexen Umgebungen. Darüber hinaus zeigt die Anwendung von maschinellem Lernen und LLMs in der Analyse von Alterungsdaten, dass sich die Charakterisierung der Detektion von Alterungspolymeren in Richtung datengetriebener und intelligenter Entwicklung entwickelt. Für Ingenieure und Techniker, die sich mit der Forschung der Verarbeitungsstabilität und der Witterungsbeständigkeit befassen, können diese Methoden die Effizienz der Alterungsmechanismusforschung verbessern und eine reichhaltigere experimentelle Grundlage für die Rezepturoptimierung des Komplexsystems liefern.

Studiengrenzen und beobachtbare Richtungen

Es ist darauf hingewiesen, dass die Studie ein Verbundmaterial betrifft, dessen Schallsignaleigenschaften sich von reinen Polymersystemen unterscheiden können. Die Studie berücksichtigte keine Rezepturdaten für spezifische Antioxygensysteme, HALS oder UVA-Produkte und gab keine quantitative Beziehung zwischen Hilfsmitteldosen und Alterungseigenschaften. Daher muss diese Methode bei der Migration auf die Bewertung von Polymerhilfsmitteln immer noch in Verbindung mit einem spezifischen Materialsystem validiert werden. Nachfolgend ist es wichtig zu bemerken, ob solche datengetriebenen Ansätze zu standardisierten Prozessen bei der Frühwarnung von Polymeralterungen und dem Screening von Stabilisierungssystemen führen können.

Quelle der Informationen: Analysis of hygrothermal aging mechanism of composites from acoustic emission data using machine learning and LLMs， Durch befeuchtete Chemiker aufgeräumt.