Машинное обучение и LLM совместно анализируют данные акустической эмиссии, раскрывая механизм гидротермального старения композитов

Обзор исследования

, опубликованного в журнале Polymer Testing, октябрь 2026, том 163, исследование, проведенное Вэньханом Тианом, Йичуаном Чжаном, Ханом Вангом, Яном Гао, Хонгфей Чжоу и другими под названием “Analysis of hygrothermal aging mechanism of composites from acoustic emission data using machine learning and LLLMs”. Исследование фокусируется на механизме старения композитов в влажной и тепловой среде, использует данные акустической эмиссии (AE) в качестве средства мониторинга и вводит машинное обучение и модель большого языка (LLMs) для анализа данных.

Метод и технический путь

Исследование основано на данных акустической эмиссии, в сочетании с алгоритмами машинного обучения и LLMs для анализа сигналов повреждения при влажном и тепловом старении композитов. Технология акустической эмиссии способна улавливать переходные упругие волны, создаваемые материалом во время старения, и эти сигналы связаны с такими режимами повреждения, как растрескивание матрицы, разрыв волокон и десорбция интерфейса. Идентификация образов акустических эмиссионных характеристик с помощью машинного обучения и вспомогательная интерпретация результатов с помощью LLMs, исследование пытается установить корреляционный путь от данных мониторинга до механизмов старения.

Значение для области старения и стабилизации полимеров

Хотя это исследование не касается непосредственно формулы полимерных добавок, его аналитический подход к механизму старения имеет справочную ценность для технологии старения и стабилизации полимеров. В системах, устойчивых к погоде, влажная и тепловая среда является одним из важных факторов, вызывающих разложение полимеров, и понимание эволюции повреждений во время старения помогает оценить фактическую эффективность антиоксидантных и фотостабильных систем. В качестве средства неразрушающего обнаружения акустическая эмиссия может дополнять традиционные методы представления старения, обеспечивая более масштабную поддержку данных для оценки стабильности HALS, UVA и систем репликации в сложных условиях.

Кроме того, применение машинного обучения и LLMs в анализе данных старения указывает на то, что признаки обнаружения старения полимеров движутся в направлении управления данными и интеллекта. Для инженеров и техников, занимающихся исследованиями стабильности обработки и стойкости к ожиданиям, такие методы, как ожидается, повысят эффективность исследований механизма старения и обеспечат более богатую экспериментальную основу для оптимизации формулы системы репликации.

Изучение границ и наблюдаемого направления

Следует отметить, что объектом исследования является композитный материал, характеристики которого могут отличаться от характеристик сигнала акустической эмиссии чистой полимерной системы. В исследовании не рассматривались данные о рецептуре конкретных антиоксидантных систем, продуктов HALS или UVA, а также количественная связь между количеством добавок и свойствами старения. Таким образом, при переносе метода на оценку полимерных добавок его все еще необходимо проверить в сочетании с конкретной системой материалов. В дальнейшем стоит обратить внимание на то, могут ли такие методы, основанные на данных, формировать стандартизированные процессы для раннего предупреждения о старении полимеров и скрининга систем стабилизации.

Источник: Analysis of hygrothermal aging mechanism of composites from acoustic emission data using machine learning and LLMs， Обработано химикатами Herun.