Machine Learning kết hợp với LLM để phân tích dữ liệu phát xạ âm thanh, tiết lộ cơ chế lão hóa nhiệt ẩm của vật liệu composite

Một nghiên cứu được công bố trên tạp chí Polymer Testing tháng 10 năm 2026, tập 163, được thực hiện bởi Wenhan Tian, Yichuang Zhang, Han Wang, Yan Gao, Hongfei Zhou và những người khác, có tựa đề Analysis of hygrothermal aging mechanism of composites from acoustic emission data using machine learning and LLMs. Nghiên cứu tập trung vào cơ chế lão hóa của vật liệu composite trong môi trường nóng và ẩm, sử dụng dữ liệu phát xạ âm thanh (AE) làm phương tiện giám sát và giới thiệu học máy với các mô hình ngôn ngữ lớn (LLM) để phân tích dữ liệu.

Phương pháp và đường dẫn kỹ thuật

nghiên cứu dựa trên dữ liệu phát ra âm thanh, kết hợp với các thuật toán học máy và LLM để phân tích tín hiệu thiệt hại trong quá trình lão hóa nhiệt ẩm của vật liệu composite. Công nghệ phát xạ âm thanh có khả năng nắm bắt các sóng đàn hồi thoáng qua được tạo ra bởi vật liệu trong quá trình lão hóa và các tín hiệu này có liên quan đến các mô hình thiệt hại như nứt ma trận, đứt sợi và khử dính giao diện. Bằng cách nhận dạng mẫu các chữ ký phát xạ âm thanh bằng máy học và giải thích phụ trợ các kết quả phân tích với sự trợ giúp của LLM, nghiên cứu đã cố gắng thiết lập một con đường liên kết từ dữ liệu giám sát đến cơ chế lão hóa.

ý nghĩa đối với lĩnh vực lão hóa polymer và ổn định hóa

Nghiên cứu này mặc dù không trực tiếp liên quan đến công thức phụ trợ polymer, nhưng phương pháp phân tích của nó đối với cơ chế lão hóa có giá trị tham khảo đối với công nghệ lão hóa và ổn định hóa polymer. Trong các hệ thống ổn định thời tiết, môi trường nóng ẩm là một trong những yếu tố quan trọng gây ra sự suy thoái polymer và hiểu được sự tiến hóa của thiệt hại trong quá trình lão hóa có thể giúp đánh giá hiệu quả thực tế của hệ thống chống oxy và hệ thống ổn định ánh sáng. Phát xạ âm thanh, như một phương tiện kiểm tra không phá hủy, có thể bổ sung cho các phương pháp mô tả lão hóa truyền thống, cung cấp hỗ trợ dữ liệu nhiều chiều hơn cho HALS, UVA và hệ thống ghép nối để đánh giá sự ổn định trong môi trường phức tạp. Ngoài ra, việc áp dụng học máy và LLM trong phân tích dữ liệu lão hóa cho thấy đặc tính phát hiện lão hóa polymer đang phát triển theo hướng hướng dữ liệu và thông minh hóa. Đối với các kỹ sư và kỹ thuật viên tham gia vào nghiên cứu ổn định xử lý và ổn định thời tiết, phương pháp này hứa hẹn sẽ nâng cao hiệu quả của nghiên cứu cơ chế lão hóa và cung cấp cơ sở thử nghiệm phong phú hơn để tối ưu hóa công thức của hệ thống ghép nối. Ranh giới nghiên cứu so với hướng cần quan sát

Cần lưu ý rằng đối tượng nghiên cứu là vật liệu composite, có thể có sự khác biệt giữa đặc điểm tín hiệu phát ra âm thanh và hệ thống polymer tinh khiết. Nghiên cứu không đề cập đến dữ liệu công thức cho các sản phẩm chống oxy, HALS hoặc UVA cụ thể, cũng như không đưa ra mối quan hệ định lượng giữa liều lượng phụ trợ và hiệu suất lão hóa. Do đó, khi di chuyển phương pháp này để đánh giá phụ trợ polymer, nó vẫn cần được xác minh kết hợp với hệ thống vật liệu cụ thể. Mối quan tâm tiếp theo là liệu các phương pháp dựa trên dữ liệu như vậy có thể hình thành các quy trình tiêu chuẩn hóa trong việc cảnh báo sớm về lão hóa polymer và sàng lọc hệ thống ổn định hay không.

Nguồn:Analysis of hygrothermal aging mechanism of composites from acoustic emission data using machine learning and LLMs， Do Hợp Nhuận hóa chất chỉnh lý.