1-張武—基于“深度學習-計算模擬-實驗設計”耦合新供熱管道材料開發范式研究.pdf

《1-張武—基于“深度學習-計算模擬-實驗設計”耦合新供熱管道材料開發范式研究.pdf》由會員分享，可在線閱讀，更多相關《1-張武—基于“深度學習-計算模擬-實驗設計”耦合新供熱管道材料開發范式研究.pdf（24頁珍藏版）》請在三個皮匠報告上搜索。

1、基于基于“深度學習深度學習-計算模擬計算模擬-實驗設計實驗設計”耦合模式的供耦合模式的供熱管道材料開發范式研究熱管道材料開發范式研究 張武 副教授 天津科技大學 環境工程系 副主任 中歐非開挖研究中心 秘書長二二五年 三月Contents目錄目錄PART 03 模型訓練與驗證PART 04 高通量篩選PART 05 新材料合成與驗證PART 02 特征提取PART 01 研究背景01項目來源及研究背景研究背景研究背景近年因管道“帶病”運行，導致道路坍塌等事故多發，造成了重大的生命財產損失和惡劣的社會影響。管道原位固化修復技術，因其對道路交通影響小、城市環境破壞少、施工效率高、節約成本等優點，越

2、來越受到行業青睞。研究背景 腐蝕腐蝕 腐蝕腐蝕 破裂破裂 破裂破裂 集中式供熱管網已成為我國建筑供暖的主導方式，單套供熱系統規模高達百萬甚至千萬平米，可覆蓋主城區甚至整座城市，管道的最大口徑DN1600。截止至2020年，我國城市供熱管道已達43萬公里。據調查顯示，已鋪設的供熱管道中來自上世紀八十年代鋪設的管道占據較大部分的比例。由于技術水平限制且年久失修，供熱管道破損嚴重。不僅僅是排水管道/供水管道！研究背景Epoxy resinPhenolic resinVinyl ester resin非開挖行業樹脂背景環氧樹脂：環氧樹脂：味道小、粘度大；機械性能、耐腐蝕性好 但成本較高、加工難度大、固

3、化后易形變。酚醛樹脂：酚醛樹脂：氣味刺鼻、耐腐蝕性較好、機械強度大，但易受潮吸濕，性能易受影響；難加工、高溫下易燃釋放有毒氣體。不飽和聚酯樹脂：不飽和聚酯樹脂：成本低、易加工、粘性好，但固化易收縮，易出現脆性。乙烯基酯樹脂乙烯基酯樹脂：兼具環氧和不飽和聚酯的優點，即高強 度、耐化學腐蝕和良好工藝性能。但耐熱性較差、脆性大Unsaturated polyester resin應用于供熱管道時，均存在耐熱性有限，有些還不宜暴露潮濕環境等缺點。但勝在固化所需溫度較低、相對可控研究背景Polyimide resinBenzoxazine resin應用供熱管道非開挖修復的樹脂條件：固化溫度低、耐熱、耐

4、腐蝕性強、機械強度大聚酰亞胺樹脂與苯并噁嗪樹脂均在耐熱型樹脂，耐熱溫度均在250以上，聚酰亞胺相比而言機械強度更大、耐化學腐蝕性較強，但兩類樹脂的固化溫度均太高可否采用高耐熱樹脂與低溫固化樹脂共混/共聚來破局？環氧樹脂固化溫度低、機械強度大，其常用固化劑為胺類/亞胺類，聚酰亞胺本身也屬亞胺類化合物能否設計一種固化溫度相對較低、但高耐熱的樹脂？研究背景傳統實驗制備樹脂材料機器學習輔助樹脂材料設計基于傳統實驗基于傳統實驗基于機器學習基于機器學習快速快速研究范圍研究范圍廣廣可建立可建立聚合物聚合物結構結構-性性能關系能關系耗時耗時效率低效率低重復測試重復測試MDMD模擬模擬/理論計算理論計算參數調整

5、困難、研究范圍局限參數調整困難、研究范圍局限但計算準確度相對較高但計算準確度相對較高擬解決的問題如何保證模型的保證多性質預測的同時保證模型的預測準確性？現有的聚合物特征提取方式能否完整的提取聚合物中蘊含的關鍵特征信息？針對建立好的模型如何解釋以此指導新型材料設計？如何挑選合適的化學空間挑選潛在的高性能聚合物？基于“深度學習-計算模擬-實驗設計”的閉環式新材料研發02特征工程特征工程2.1 特征工程-將聚合物的結構轉換為計算機可識別的語言DescriptorFingerprint Molecular GraphDnDescriptorsD1 D2 D3D5D4D6 D7特性：可提取聚合物的物理化

6、學信息；原子、化學鍵、芳香性、拓撲信息等特性：將聚合物的結構切割、劃 分、散列成不同的子結構 大量研究表明指紋訓練模 型性能相對較好特性：采用特征矩陣可獲取聚合物的連接 性信息圖神經網絡難以獲得 解釋結構表示，選取合適方式表達聚合物結構，以聚酰亞胺重復單元作為其結構代表，ChemDraw將重復單元轉換為SMILES語言2.2 多角度特征學習任務l 以MorGan作為分子指紋特征提取算法；改進后(IMF)可識別結構存在，更能關注出現頻率;且設置兩個對照組，決定是否進一步用模型提 取IMF指紋信息；l 采用大語言模型-雙向編碼器Transformer提取了SMILES序列中的特征信息；僅提取嵌入信

7、息 減少大模型訓練時間l 先以RDKit將SMILEs字符轉換為矩陣圖；相比傳統GNN模型，使用Attentive FP網絡從分子圖中提取更多原子、分子信息；模型由輸入層、注意力層與讀出層組成構建了多角度特征提取任務03模型訓練與驗證模型訓練與驗證3.1 數據收集與COMFO模型構建l 聚酰亞胺的玻璃化轉變溫度（Tg）、介電常數（）線性熱膨脹系數（CTE）、拉伸模量（TM）l 二胺、二酐及二異氰酸酯單體，并依據PI的兩類合成 方式（a）構造出158022個PI結構（篩選空間）COMFOCOMFO集成型深度學習模型框架集成型深度學習模型框架前述三大任務提取出嵌入特征后，采用向量拼接將嵌入信息集成

8、合并；進入池化層，讀出的特征輸入全連接層進行訓練以構建回歸模型（COMFO）3.2 COMFO模型性能的檢驗lCOMFOCOMFO模型的性能明顯優于傳統的模型的性能明顯優于傳統的DNNDNN、RFRF、XGBoostXGBoost等模型等模型l三種特征學習任務所構成的集成型指紋仍可投入其它模型進行訓練三種特征學習任務所構成的集成型指紋仍可投入其它模型進行訓練l l特征信息提取能力明顯優于特征信息提取能力明顯優于MACCSMACCS、MorGanMorGan指紋及指紋及RDKitRDKit描述符描述符3.2 MD模擬及驗證構建MD模擬計算體系采用采用MDMD模擬方模擬方式計算了式計算了PIPI的

9、的四類性質（四類性質（TgTg、TMTM、CTECTE、）采用采用MDMD模擬計算及試驗合成及測試的方式模擬計算及試驗合成及測試的方式對對COMFOCOMFO模型的性能進行了檢驗模型的性能進行了檢驗04高通量篩選高通量篩選4.1基于高通量篩選發現低介電常數單體高通量篩選高通量篩選l扭曲單元；D6、D12，非共面的三維 扭曲結構l螺二芴；E3、E11、E15高扭曲非共面 降低-l含氟基團；D9、D15、E6、E7氟原子 減少內部偶極響應l橋連雙環單元：D11、E4、E134.2 COMFO：Tg300；TM2.5 GPa；3；CTE45 ppmK-1l 高通量虛擬篩選發現三種優良高通量虛擬篩選發

10、現三種優良PIPI，介電常數分別為介電常數分別為2.262.26、2.332.33與與2.522.52l 非共面結構均處于負電位非共面結構均處于負電位的的藍藍、綠區綠區區域區域 HOMO HOMO與與LUMOLUMO均集中在二酐均集中在二酐，較，較大大帶帶隙隙EgEg 減少電荷轉移減少電荷轉移，降低偶極矩降低偶極矩05PI/EP復合樹脂材料合成及驗證5.1 PI/EP樹脂合成a）Pure-EP樹脂的SEM；b)EP/PI-A樹脂的SEM；c)EP/PI-B樹脂的SEM；d)EP/PI-C樹脂的SEM純EP拉伸斷裂表面較光滑改性后PI/EP復合樹脂材料的拉伸斷裂表面明顯更加粗糙，出現條紋、層狀、凹陷結構，這可顯著分擔機械破壞的能量。5.1 PI/EP樹脂合成l 復合材料的玻璃化轉變溫度提升了約80.6-140.1，熱分解溫度提升了約84-150；l 拉伸強度分別提高了58.7%、44.8%及55.8%；l 沖擊強度提升了約20.8-27.3 KJ/m2；l 介電常數分別降低到了2.96、2.84、2.65，這可顯著提升復合材料在供熱管網實際運行時對內外雜電流腐蝕的抵抗能力。曹井國、曾明、張武等研究團隊天津科技大學 化學與化工學院天津科技大學 海洋與環境學院中歐聯合非開挖研究中心感謝本項工作主要完成人碩士研究生張博匯報完畢匯報完畢 敬請指導！敬請指導！