Был построен многопризнаковый модель машинного обучения на основе инженерных кривых напряжение-деформация полиэтилена (PE) и полипропилена (PP), а также модуля Юнга (YM), относительного удлинения при разрыве (EB) и прочности на растяжение (TS) для изучения влияния свойств материалов, технологии подготовки образцов и параметров испытаний на механические свойства. С помощью 7 алгоритмов, таких как минимизация абсолютной сходимости и выбор оператора (Lasso), регрессия решающего дерева (DTR), случайный лес (RF), в сочетании с 5-кратной кросс-валидацией и оптимизацией гиперпараметров, была реализована количественная оценка механических свойств; на основе алгоритма градиентного бустинга на деревьях (XGB) был выполнен высокоточный аппроксимация кривых напряжение-деформация. Результаты показали: несмотря на ограничение точности предсказания механических свойств PE из-за объема данных, тенденции предсказания подтверждают работоспособность метода; для YM в наборе данных PP достигнута наилучшая точность (R² на тестовой выборке ≥0.80, некоторые модели превышают 0.90) без явного переобучения; предсказание EB и TS ограничено объемом данных, при этом RF, XGB и KNN модели демонстрируют эффективные предсказательные способности в наборе PP; при контролируемых переменных R² предсказания кривых напряжение-деформация PP превышает 0.90, что позволяет точно воспроизвести температурозависимость механических свойств. Доказана возможность применения машинного обучения для предсказания механических свойств полиолефинов, что может обеспечить техническую поддержку быстрому прогнозированию свойств полимерных материалов.

кривые напряжение-деформация;машинное обучение;механические свойства