<< Volver atrás

Tesis:

Predicting the fire performance of flame retardant polymer composites with data-driven approach

  • Autor: XIAO, Junchen

  • Título: Predicting the fire performance of flame retardant polymer composites with data-driven approach

  • Fecha: 2025

  • Materia:

  • Escuela: E.T.S. DE INGENIEROS DE CAMINOS, CANALES Y PUERTOS

  • Departamentos: SIN DEPARTAMENTO DEFINIDO

  • Acceso electrónico: https://oa.upm.es/86457/

  • Director/a 1º: WANG, De-Yi

  • Resumen: Since we have stepped into the 21st century, new materials and technologies play more and more significant roles in the construction of human civilization. The flame-retardant polymer composites (FRPCs) have found various applications in human society due to the versatility, ease of processing, customizability, cost-effectiveness and safety. Nowadays, traditional research workflow has been integrated with modern computational technology. It has widely spread and emerged in various traditional disciplines that utilizing high-performance computers to construct the digital models for complex humanities and social sciences, physical and chemical systems, as well as engineering technologies. In the field of materials science, by using machine learning (ML) models, the data-driven method has been used to predict the thermal, mechanical and combustion-related properties of different materials, and recognize the type of polymers and phase of physical/chemical processes, which effectively enhances the research process, reduces the cost and lower environmental impact. In this study, we employed various ML algorithms to develop accurate, robust, and generalizable models for predicting the results of cone calorimeter test (CCT) and mechanical performance of FRPCs. Initially, we compiled and collected 828 data of related formulations from approximately 150 publications, involving the types of raw materials, selection of processing parameters, and final properties. Based on different flame-retardant (FR) mechanisms, we divided FRPCs data by the FR additives: inorganic metal hydroxide (MH), metal-organic framework (MOF) and layered double hydroxide (LDH), marked as different FR-systems. Mainly, the Random Forest (RF), Support Vector Machine (SVM) and their linear combination were used to build ML frameworks to predict the target properties of FRPCs in different FR-systems. In the MH-system, RF models achieved coefficients of determination (R2) of over 0.81 in all test sets. Feature screening indicated that the distribution and amount of MH in polymer composites had the greatest impact, followed by the content of effective FR elements in other synergists. The models in MOF-system had predictive accuracy generally exceeded 80%. Model interpretation showed that not only the structure and type of MOFs significantly influenced the performance of FRPCs, but also the properties of polymer matrix and incorporation methods of FR additives were important. At last, LDH models exhibited good predictive accuracy, particularly in predicting Time to Ignition (TTI), where the R2 reached 0.9 and the Area Under Curve (AUC) was also 90%. The feature analysis revealed the key features as organic modification and interlayer spacing of LDH strongly affecting the heat release in CCT. Besides the prediction of separate values, the simulation of HRR development presented the potential of ML framework to replace the physical experiments. The simplified HRR curves containing important development tendencies have been predicted accurately, restored the heat release of FRPCs in CCT qualitatively and quantitatively. Meanwhile, the predictive performance of final ML models involving all kinds of FR additives, including MH, MOF, LDH, intumescent FRs, and other organosilicon, nitrogen-containing chemicals, exhibited the potential of the construction of a comprehensive, all-FR-systems-contained and prediction-oriented big-data model. RESUMEN Desde que hemos entrado en el siglo XXI, los nuevos materiales y tecnologías desempeñan roles cada vez más significativos en la construcción de la civilización humana. Los compuestos poliméricos retardantes de llama (FRPCs, por sus siglas en inglés) han encontrado diversas aplicaciones en la sociedad humana gracias a su versatilidad, facilidad de procesamiento, personalización, rentabilidad y seguridad. Hoy en día, el flujo de trabajo tradicional de investigación se ha integrado con la tecnología computacional moderna. Esto se ha extendido y emergido ampliamente en diversas disciplinas tradicionales, utilizando computadoras de alto rendimiento para construir modelos digitales de sistemas complejos en humanidades, ciencias sociales, sistemas físicos y químicos, así como tecnologías de ingeniería. En el campo de la ciencia de materiales, mediante el uso de modelos de aprendizaje automático (ML, por sus siglas en inglés), el método basado en datos se ha utilizado para predecir propiedades térmicas, mecánicas y relacionadas con la combustión de diferentes materiales, además de identificar el tipo de polímeros y las fases de procesos físicos/químicos. Esto mejora eficazmente el proceso de investigación, reduce los costos y disminuye el impacto ambiental. En este estudio, empleamos varios algoritmos de ML para desarrollar modelos precisos, robustos y generalizables que predigan los resultados de las pruebas de calorímetro cónico (CCT) y el desempeño mecánico de los FRPCs. Inicialmente, recopilamos y reunimos 828 datos de formulaciones relacionadas de aproximadamente 150 publicaciones, abarcando tipos de materias primas, selección de parámetros de procesamiento y propiedades finales. Basándonos en diferentes mecanismos de retardancia de llama (FR), dividimos los datos de FRPCs según los aditivos FR: hidróxido metálico inorgánico (MH), estructuras metal-orgánicas (MOF) y hidróxido doble laminar (LDH), marcados como diferentes sistemas FR. Principalmente, utilizamos Random Forest (RF), Support Vector Machine (SVM) y su combinación lineal para construir marcos de ML que predijeran las propiedades objetivo de los FRPCs en diferentes sistemas FR. En el sistema MH, los modelos RF lograron coeficientes de determinación (R) superiores a 0,81 en todos los conjuntos de prueba. El análisis de características indicó que la distribución y la cantidad de MH en los compuestos poliméricos tuvieron el mayor impacto, seguidas por el contenido de elementos FR efectivos en otros sinergistas. Los modelos en el sistema MOF tuvieron una precisión predictiva que generalmente superó el 80%. La interpretación del modelo mostró que, además de la estructura y el tipo de MOFs, las propiedades de la matriz polimérica y los métodos de incorporación de los aditivos FR también influyeron significativamente en el rendimiento de los FRPCs. Finalmente, los modelos LDH exhibieron una buena precisión predictiva, particularmente en la predicción del Tiempo de Ignición (TTI), donde el R alcanzó 0,9 y el Área Bajo la Curva (AUC) también fue del 90%. El análisis de características reveló que las modificaciones orgánicas y el espaciado interlaminar del LDH afectaron fuertemente la liberación de calor en el CCT. Además de la predicción de valores individuales, la simulación del desarrollo de la HRR presentó el potencial del marco de ML para reemplazar los experimentos físicos. Las curvas HRR simplificadas, que contenían tendencias importantes de desarrollo, fueron predichas con precisión, restaurando cualitativa y cuantitativamente la liberación de calor de los FRPCs en el CCT. Mientras tanto, el desempeño predictivo de los modelos finales de ML, que involucraron todo tipo de aditivos FR, incluidos MH, MOF, LDH, FR intumescentes y otros químicos organosilícicos y nitrogenados, mostró el potencial para construir un modelo integral, orientado a la predicción y que abarque todos los sistemas FR.