Page 131 - 《橡塑技术与装备》2026年1期

外文精译
FOREIGN LANGUAGE PRECISION TRANSLATION

剂不变的前提下逐步增加硅胶含量。由于数据具有对 需要进一步分析，甚至完全重复实验设计（DoE）以
称性，得以计算出符合预期方案的配方体系 ；但增塑 验证该发现。
剂含量需接受微小波动。
结果表明，炭黑对 M100 和静态模量 (Cstat) 具有
显著影响（图 4）。所得曲线看似几乎完全一致，但在
CB N550、27 份水平下呈现出某些不均匀且异常的行
为，这促使我们进一步调查实验设计 (DoE) 中的异常
值和误差。

图 6 丁腈橡胶胶料动态硬化（VHF）： 3 份炭黑 N550 用
量及白炭黑用量逐步减少

模拟揭示了人工智能软件对数据质量的强烈依赖
性，可通过统计误差分析进一步优化。本研究表明，
即使预测数据与实际数据初始表现良好，仍需对每个
实验设计因子进行详细的统计评估。
图表清晰地突显了填料对粘弹硬化因子（VHF）
图 4 模量为 100 的 CB N550 与二氧化硅复合材料 的主导性影响，而几乎所有其他成分的影响都微乎其
微，甚至可以忽略不计。
通过拟合回归曲线进行了修正，但仅限于计算所 5.4 乙丙橡胶胶料中促进剂组合的模拟研究
用数据集。拟合数据替换原始值后重新计算曲线。值 本研究探讨了在不同硫浓度下共促进剂的影响。
得注意的是，这些修正主要影响炭黑含量的中低水平， 虽然模拟结果与实验数据吻合良好，但必须仔细考虑
而高水平未受影响 —— 因为缺乏高 M100 值和 Cstat 原始数据集中潜在的误差来源。
值胶料的数据（图 5）。 本分析所用数据源自包含七个因子的中心复合实

验设计。此类大规模实验设计面临的主要挑战在于混
炼制备所有胶料所需的巨大时间成本和人力投入。考
虑到复杂性，人们会预期偏差更大或误差增加。然而
令人惊讶的是，在预测值与实际值的对比图中并未观
察到这种趋势。
在模拟中，考虑了两种硫含量水平，同时将加速
器 ZdiBC 以 0.5 份的增量逐步增加（图 7）。结果显示，
数据点围绕一条总体趋势线分布，而不是形成平滑的
图 5 拟合差异（DFFITS）与用于模拟的实验运行次数 ； 曲线。在此情况下，可考虑两种可能方案 ：
箭头指示偏差
（1）使用实验设计软件优化数据集，使所有数据
点拟合到回归函数上。
如上所述，动态硬化系数（Cdyn/Csta）采用相
（2）重复模拟流程以验证结果 从统计学角度看，
同方法计算。首次运行使用未经处理的数据，第二次
第一种方法会引入不确定性，因为它可能扭曲数据的
运行则采用修正后的数据。低炭黑含量与高炭黑含量
自然变异性。因此建议采用每区块减少因素数量的实
的结果曲线几乎完全一致。然而在中等炭黑用量水平
验设计方案，并运用折叠技术提升结果可靠性。
（CB550，27 份）下，当二氧化硅浓度较低时（图 6），
一般而言，较大的实验设计研究需要更深入的统
可观察到明显的斜率变化（箭头标注处）。这表明可能

2026 第 52 卷 ·79·
年