用机器学习预测铜/石墨烯复合材料摩擦磨损性能的研究报告

研究作者与发表信息

本文的主要作者为沈轲和彭倚天，分别来自东华大学机械工程学院。本研究的论文题目为《基于机器学习的铜/石墨烯复合材料摩擦磨损性能预测》，发表在《热加工工艺》期刊。论文的DOI为10.14158/j.cnki.1001-3814.20230752，收稿日期为2023年3月24日，网络首发日期则为2024年7月15日。

学术背景

研究领域与背景：
摩擦学是研究材料表面摩擦、润滑及磨损的一门学科。铜因其优异的导热和导电性能而广泛应用于交通运输、航空航天和军事等领域。然而，由于其摩擦磨损性能较差，铜的应用在许多高载荷、长寿命条件下受到限制。为了解决这一问题，研发高耐磨减摩性能的铜基自润滑复合材料成为材料研究的热门方向。石墨烯（Graphene）由于其出色的润滑性能和机械性能，被广泛认为是制备铜基复合材料的理想固体润滑剂。现有研究已经证实，加入石墨烯可以显著改善铜基材料的导电、导热性能和摩擦学性能。

然而，传统工艺方法在制备铜/石墨烯复合材料时，主要依靠经验确定工艺参数，而后通过反复实验验证最终性能。这种方法不仅耗时耗力，还存在试验参数选择的盲目性。因此，采用高效的预测方法来建立工艺参数与材料性能之间的直接关系，是一种极具发展前景的研究方向。

研究目的：
本研究旨在引入机器学习技术，通过以现有的实验数据为基础，构建预测模型，快速精准地预测铜/石墨烯复合材料的摩擦系数和磨损率。这不仅可以大幅减少反复实验的时间和成本，还能为复合材料的工艺优化提供科学依据。

研究流程

本文研究包括以下几个主要阶段：样品制备、数据收集、数据预处理、模型构建与预测及模型验证。

1. 铜/石墨烯复合材料样品制备
   研究使用球形或椭球形铜粉（粒径5-10μm，纯度99.9%以上）和物理剥离法制备的高品质石墨烯（粒度7-12μm，层数1-3层，含碳量达到98%）。具体样品制备流程如下：

   • 在烧杯中加入不同剂量的石墨烯粉末（0.01g、0.02g、0.03g、0.04g），并用无水乙醇超声分散1小时。
     
   • 将不同比例的铜粉添加至对应烧杯中混合，经过球磨机（速度250r/min，球料比10:1）进行2、4、6和8小时的球磨处理。
     
   • 所得铜/石墨烯复合材料粉末采用70℃真空干燥。最后通过氩气和氢气还原、冷压烧结、抛光等工艺，制备出直径14mm、厚度1.4mm的铜/石墨烯复合材料样品。

2. 摩擦磨损实验与数据收集
   在HSR-2M高速往复摩擦试验机上，使用样品进行摩擦磨损性能测试。设定的实验条件为：载荷分为1N、2N、3N和4N，测试时间10分钟，测试黄铜球与铜/石墨烯样品之间的干摩擦系数和磨损率。最终获得56组实验数据，这些数据涵盖了不同石墨烯含量、球磨时间及实验载荷对摩擦系数和磨损率的影响。

3. 数据预处理
   所有数据被随机排序并分为训练集（85%，即48组样本）和测试集（15%，即8组样本）。数据经过归一化处理（映射到[0,1]区间），以确保模型的训练和预测更加稳定。

4. 模型构建与预测
   采用MATLAB R2018b软件，构建了4种机器学习算法模型：广义回归神经网络（Generalized Regression Neural Network, GRNN）、反向传播神经网络（Back Propagation Neural Network, BPNN）、支持向量回归机（Support Vector Regression, SVR）、随机森林（Random Forest, RF）。

   • GRNN： 具有抗干扰能力强、拟合能力优异的特点，特别适合小样本数据的预测。
     
   • BPNN： 是经典神经网络算法，适合复杂内在机制分析。
     
   • SVR： 通过核函数实现高维空间转换，优化预测性能。
     
   • RF： 抗过拟合能力强，模型稳定性高。
     

模型的训练阶段评估指标包括平均绝对误差（MAE）、均方根误差（RMSE）、决定系数（R²）。

1. 模型验证
   将测试集数据输入已训练的模型，对摩擦系数和磨损率进行预测，并通过结果残差比较、误差评估等指标，验证模型的适用性。

研究结果

1. 四种模型在训练阶段的表现

   • GRNN的摩擦系数预测模型和磨损率预测模型的R²分别达到0.942和0.826，高于其他算法；其MAE分别为0.011和0.00022，RMSE分别为0.016和0.00033，为四种模型中最低。
     
   • BPNN的性能最差，R²分别为0.703和0.606，且MAE和RMSE均高于其他算法。

2. 四种模型在测试阶段的表现
   GRNN继续表现出最高精度：摩擦系数预测模型的MAE为0.01069，RMSE为0.01220，R²为0.92807；磨损率预测模型的MAE为0.00021，RMSE为0.00025，R²为0.87526。残差分析显示，GRNN模型的最大误差仅为摩擦系数0.02和磨损率4.69×10⁻⁴ mm³/m，比其他三种模型都更加稳定。

3. 实验意义
   GRNN模型凭借数据归一化、快速收敛、自学习等优势，对多变量非线性关系的精准建模，成功验证了其在铜/石墨烯复合材料摩擦磨损性能预测中的优越性。

研究结论

本研究开发的基于机器学习的铜/石墨烯复合材料摩擦磨损性能预测模型： 1. 显著优化了实验数据的利用效率，降低了实验过程中参数筛选的成本和耗时。 2. GRNN表现为最优算法，可作为铜/石墨烯复合材料设计和性能预测的良好参考。 3. 为未来铜基复合材料的研发带来快速、经济的优化途径。

研究亮点

1. 采用机器学习技术解决传统材料研究中对实验参数设计的依赖，大幅提高实验效率。
2. GRNN模型通过高度非线性建模，使复杂多变量条件下的材料性能预测成为可能。
3. 本研究首次对铜/石墨烯复合材料采用机器学习进行摩擦磨损性能的全面预测，填补了该领域的空白。

应用价值与潜在拓展

本研究不仅提升了复合材料研发的效率，也为材料科学与人工智能的跨学科融合提供了范例。未来研究可进一步优化模型算法，扩展到其他复合材料研究领域。