Page 38 - 《橡塑智造与节能环保》2026年1期

综述与专论

3.1 测试AI软件 过进一步的实验进行确认。
在开发新的聚合物配方时，通常通过验证实验来 5.1 示例1：相关性能图
测试AI软件。从数据库中移除选定的数据集，AI软件 文献数据库用于分析配方成分与材料性能之间的
必须能够根据剩余的数据集计算出缺失的值。为了进 关系。如预期，由于不同配方中各种成分的影响，硬
行此测试，以属于被移除数据集的物理属性为目标。 度与模量之间的相关性相对较弱。频率分布图显示，
此测试的成功、通过或失败取决于AI对材料配方及其 并非所有解决方案都是可行的，这取决于数据库的同
成分和物理属性值的重建准确度。 质性（图1）。
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
是很少见，也并不总是呈正态分布。因此，仅对历史
数据库进行简单的统计分析不仅不足以获得可靠的见
图1 两种胶料被排除；箭头标出预测结果与剩余数据在
解，而且根本不可能做到。 相关图中的位置
例如，对于包含33个配方的小型数据库的分析，
可以使用不同类型的图表（如条形图或三维散点图） 在首次计算中，炭黑CBN550的目标用量设定为
进行可视化，以说明成分分布和成分属性影响。这些 40份，且未添加增塑剂。然而，采用此组成的配方最
方法提供了对哪些计算可以有效执行的初步评估。事 初被否决。计算结果与被否决的配方及其相应的性能
实上，如果因素分布不均，则解决方案的范围会受到 数据高度吻合，无需对标准（重量/权衡）进行任何修

限制。 改。
此外，相关图可用于分析特定材料属性之间的关 在第二次计算中，虽然排除了一个不同的公式，
系，以便对数据有初步了解。例如，硬度和模量之间 但其成分和相应的数值被用作标准。所有标准的权重
存在物理相关性，因为这两个参数都与材料的刚度有 均设定为40。结果表明，炭黑N330的数量并未完全达
关。这种相关性可用于评估数据质量，并确保模型假 到目标。然而，通过增加权重，第二次计算成功达到
设是合理的。 了目标。当将这种胶料纳入硬度－模量图时，观察到
数据点非常接近（图1：第一次计算，右上；第二次计

5 模拟的实用程序 算）。这个例子表明，只要拥有足够的数据来支持解
要进行AI驱动的模拟，首先必须将数据导入系 决方案，使用基于成分的预测而非基于属性的预测可
统。这可以通过电子表格导入或直接数据库集成来完 以得出可靠的结果。
成。随后，可以对所有数据集进行集体分析，或者排 5.2 示例2：DoE（设计实验）模拟与验证实验
除特定数据集以模拟特定场景。一个有效的策略是故 本例在利用成分而非性质的概念上进行拓展，探
意设定相互矛盾的标准，以观察模型如何响应。随 讨了采用设计实验（DoE）方法预测一系列胶料的可
后，可以将模拟结果与专业知识进行交叉验证，并通 行性。利用例1中的数据创建了一个部分因子设计实验

4 橡塑智造与节能环保