机器学习方法在高分子玻璃化研究中的应用

高分子玻璃的物理性质与其结构和动力学密切相关.揭示高分子玻璃化的微观物理图像对高分子玻璃材料的结构调控和分子设计至关重要.然而,高分子的长链结构和复杂单体结构特征致使目前仍然缺乏普适的理论或者模型来定量解释高分子玻璃化的物理机制.因此,亟需发展更为先进的研究方法从而更深入地理解高分子玻璃化.近年来,国内外学者利用基于数据驱动的信息学方法(例如机器学习)对高分子玻璃化开展了研究,并取得了丰富成果.本综述首先介绍了常用的高分子信息学数据库和机器学习算法.之后,从高分子玻璃化转变温度的预测、新型高分子玻璃材料的研发、过冷液体的结构-动力学关系和玻璃体系相变的确定四个方面总结和评述了机器学习应用在玻璃化研究中的代表性进展.最后,探讨了机器学习方法在高分子玻璃化研究中面临的主要挑战,并对玻璃信息学这一领域的发展进行了展望.

可回收玄武岩纤维增强复合材料的制备及性能

传统纤维增强复合材料的基体树脂固化后形成的交联网络难溶解、难熔融,导致退役后的纤维增强复合材料难以处理。为此以1,5,7-三叠氮双环(4.4.0)癸-5-烯为催化剂合成了基于酯交换的类玻璃化环氧树脂(vitrimers),制备了可回收玄武岩纤维增强复合材料(vitrimers-based basalt fiber-reinforced polymer,VBFRP),对比了传统树脂基复合材料(epoxy-based basalt fiber-reinforced polymer,BFRP)和VBFRP的机械性能、电气性能和热性能,并利用乙二醇溶液实现了玄武岩纤维的高效回收。结果表明:VBFRP具有不逊色于BFRP的力学性能,且表现出更高的断裂伸长率。催化剂含量的增加使得VBFRP拥有更强的力学性能,但是过量的催化剂会导致VBFRP的界面结合强度下降;与BFRP相比,所有VBFRP的电气性能均有所下降。且VBFRP的电气性能受催化剂含量的影响,适当的催化剂含量能够提高VBFRP的电气性能。VBFRP-2的电气性能下降程度较低,其击穿强度、泄漏电流和介质损耗因数分别为29.29 kV/mm、29.88μA和1.66%;VBFRP具有更高的玻璃化温度,但是其初始分解温度随着催化剂含量的增加而降低,热稳定性下降;经过28 d热老化后,VBFRP-2的泄漏电流和介质损耗因数分别增加了83.94%和48.19%,耐热老化程度低于BFRP;回收后的玄武岩纤维表面整洁,几乎无树脂残留,且化学结构并未改变,其单丝拉断强度保留率达到90.85%。