Ein Mehrmerkmal-Maschinenlernmodell wurde basierend auf den ingenieurmäßigen Spannungs-Dehnungs-Kurven von Polyethylen (PE) und Polypropylen (PP) sowie dem Elastizitätsmodul (YM), der Bruchdehnung (EB) und der Zugfestigkeit (TS) erstellt, um den Einfluss von Materialeigenschaften, Probenherstellungsverfahren und Testparametern auf die mechanischen Eigenschaften zu untersuchen. Durch 7 Algorithmen wie Lasso, Entscheidungsbaumregression (DTR), Random-Forest-Regression (RF) in Kombination mit 5-facher Kreuzvalidierung und Hyperparameter-Optimierung wurde eine quantitative Vorhersage der mechanischen Eigenschaften erreicht; basierend auf dem Extreme Gradient Boosting (XGB) Algorithmus wurde eine hochpräzise Anpassung der Spannungs-Dehnungs-Kurven durchgeführt. Die Ergebnisse zeigen: Aufgrund des begrenzten Datenvolumens gibt es zwar Einschränkungen in der Genauigkeit der Vorhersage der mechanischen Eigenschaften von PE, aber der Prognosetrend zeigt die Wirksamkeit der Vorhersagemethode; die Vorhersageleistung für YM im PP-Datensatz ist optimal (Test-R²≥0,80, einige Modelle über 0,90) ohne deutliches Overfitting; die Vorhersage von EB und TS ist durch die Datenmenge begrenzt, nur RF-, XGB- und KNN-Modelle zeigen effektive Vorhersagefähigkeiten im PP-Datensatz; unter Variablenkontrollbedingungen liegt das R² der Spannungs-Dehnungs-Kurvenvorhersage für PP über 0,90 und kann die temperaturabhängigen mechanischen Eigenschaften genau reproduzieren. Die Machbarkeit der maschinellen Lernvorhersage der mechanischen Eigenschaften von Polyolefinen wurde bestätigt, was eine technische Unterstützung für die schnelle Vorhersage der mechanischen Eigenschaften polymerer Materialien bietet.

Spannungs-Dehnungs-Kurve; maschinelles Lernen; mechanische Eigenschaften