Page 129 - 《橡塑技术与装备》2026年1期

外文精译
FOREIGN LANGUAGE PRECISION TRANSLATION

越来越精确的预测。 方法提供了对哪些计算可以有效执行的初步评估。事
一旦准则的适应度函数识别出最优解或所定义材 实上，如果因素分布不均，则解决方案的范围会受到
料属性冲突目标之间的最佳平衡，系统就会生成具体 限制。
的配方建议。这些建议基于现有数据，并允许进行进 此外，相关图可用于分析特定材料属性之间的关
一步的分析和优化 系，以便对数据有初步了解。例如，硬度和模量之间
存在物理相关性，因为这两个参数都与材料的刚度有
3 橡胶行业的数据驱动模型 关。这种相关性可用于评估数据质量，并确保模型假
数据驱动建模在橡胶行业中发挥着越来越重要的 设是合理的。
作用。与金融行业类似，在金融行业中，算法会根据
任何客户的历史数据做出信贷决策，而在材料科学领 5 模拟的实用程序
域，AI 也可以创建一个客观的决策系统。这减少了实 要进行 AI 驱动的模拟，首先必须将数据导入系
验工作量，并使开发周期更加高效。 统。这可以通过电子表格导入或直接数据库集成来完
这种方法的一个主要优点是能够同时考虑多个目 成。随后，可以对所有数据集进行集体分析，或者排
标变量。人类一次只能分析有限数量的因素，而神经 除特定数据集以模拟特定场景。一个有效的策略是故
网络则可以对所有相关参数进行全面评估。这使得预 意设定相互矛盾的标准，以观察模型如何响应。随后，
测结果更加精确可靠，更接近专家的想法。然而，结 可以将模拟结果与专业知识进行交叉验证，并通过进
果的质量在很大程度上取决于基础数据库。一个结构 一步的实验进行确认。
良好、规模足够大的数据集对于得出有意义的模拟结 5.1 示例 1 ：相关性能图
果至关重要。 文献数据库用于分析配方成分与材料性能之间的
3.1 测试 AI 软件 关系（参考文献 11~13）。如预期，由于不同配方中各
在开发新的聚合物配方时，通常通过验证实验来 种成分的影响，硬度与模量之间的相关性相对较弱。
测试 AI 软件。从数据库中移除选定的数据集，AI 软 频率分布图显示，并非所有解决方案都是可行的，这
件必须能够根据剩余的数据集计算出缺失的值。为了 取决于数据库的同质性（图 1）。
进行此测试，以属于被移除数据集的物理属性为目标。
此测试的成功、通过或失败取决于 AI 对材料配方及其
成分和物理属性值的重建准确度。
另一种测试策略是直接分析配方的成分值。结果
表明，虽然该方法基本有效，但如前所述，由于数据
库中成分值数据的同质性和（在某种程度上）均匀分
布，该方法存在局限性。这些测试对于评估 AI 在模拟
中的性能以及及早发现潜在弱点至关重要。可以通过
增加数据来填补数据空白来解决这一问题。

4 模拟与数据分析机会
橡胶行业面临的一个主要挑战是材料性能测量的
准确性。测量结果往往容易出错，而这些误差即使不
图 1 两种胶料被排除 ；箭头标出预测结果与剩余数据在
是很少见，也并不总是呈正态分布。因此，仅对历史 相关图中的位置
数据库进行简单的统计分析不仅不足以获得可靠的见
解，而且根本不可能做到。 在首次计算中，炭黑 CBN550 的目标用量设定为
例如，对于包含 33 个配方的小型数据库的分析， 40 份，且未添加增塑剂。然而，采用此组成的配方最
可以使用不同类型的图表（如条形图或三维散点图） 初被否决。计算结果与被否决的配方及其相应的性能
进行可视化，以说明成分分布和成分属性影响。这些 数据高度吻合，无需对标准（重量 / 权衡）进行任何

2026 第 52 卷 ·77·
年