中文   |   English   |   Email Alert
图表检索
高级检索
image

机器学习在气凝胶研究中的应用

张路佳 ,  刘子涵 ,  姜勇刚 ,  冯军宗 ,  胡艺洁 ,  周新贵 ,  冯坚

化学进展 ›› 2026, Vol. 38 ›› Issue (7) :1388-1402

PDF (2701KB)
化学进展 ›› 2026, Vol. 38 ›› Issue (7) :1388-1402 DOI: 10.7536/PC20260107
综述与评论
扫码查看或转发全文

机器学习在气凝胶研究中的应用

作者信息 +

Progress in Machine Learning for Aerogel Research

Author information +
文章历史 +

摘要

气凝胶作为一种具有高比表面积、高孔隙率的纳米多孔材料，在隔热、吸附、催化等领域具有不可替代的应用价值，但传统基于实验试错法的研发模式受限于制备变量复杂、性能非线性耦合等问题，难以高效满足气凝胶的快速迭代优化提升需求。近年来，研究者通过构建“数据-特征-模型-性能”的关联链路，显著提升了气凝胶的研发效率。本文系统综述了近年来机器学习在气凝胶研究中的应用进展：首先，阐述了机器学习辅助气凝胶研究的基础框架；随后，按监督学习、无监督学习、强化学习3大算法类别，分别梳理了其在气凝胶性能预测、多性能关联分析、气凝胶性能分级、数据集质量提升、多目标优化及动态工艺调控中的具体应用与典型案例；最后，总结了当前研究的核心成果，并展望了多模态数据融合、可解释性物理建模、跨尺度模型优化、自动化实验平台及多学科协同创新结合的未来研究方向。机器学习可以为气凝胶研究提供数据驱动的新范式。

Abstract

As a nanoporous material with high specific surface area and high porosity， aerogels exhibit irreplaceable application value in fields such as thermal insulation， adsorption， and catalysis. However， the traditional research and development mode based on experimental trial-and-error is limited by complex preparation variables and nonlinear coupling of properties， making it difficult to efficiently meet the demand for rapid iterative optimization and improvement of aerogels. In recent years， researchers have significantly enhanced the research and development efficiency of aerogels by constructing an association chain of “data-features-models-properties”. This review systematically summarizes the recent progress in the application of machine learning in aerogel research： first， it elaborates on the basic framework of machine learning-assisted aerogel research； subsequently， according to the three major algorithm categories （supervised learning， unsupervised learning， and reinforcement learning）， it sorts out their specific applications and typical cases in aerogel performance prediction， multi-property correlation analysis， aerogel performance grading， dataset quality improvement， multi-objective optimization， and dynamic process regulation， respectively； finally， it summarizes the core achievements of current research and prospects the future research directions combining multi-modal data fusion， interpretable physical modeling， cross-scale model optimization， automated experimental platforms， and interdisciplinary collaborative innovation. Machine learning can provide a new paradigm of data-driven research for aerogel studies.

Contents

1 Introduction

2 Basic framework of machine learning-assisted aerogel research

2.1 Data collection and preprocessing

2.2 Feature engineering

2.3 Model selection and training

2.4 Performance evaluation and optimization

3 Application of supervised learning in aerogel research

3.1 Specific surface area prediction

3.2 Thermal conductivity prediction

3.3 Mechanical properties prediction

3.4 Electromagnetic performance optimization

3.5 Other performance optimizations

4 Application of unsupervised learning in aerogel research

4.1 Revealing intrinsic multi-property correlations

4.2 Achieving aerogel performance grading

4.3 Enhancing dataset quality

5 Application of reinforcement learning in aerogel research

5.1 Systematic optimization of multi-objective performances

5.2 Dynamic process control throughout the entire workflow

6 Conclusion and outlook

Graphical abstract

关键词

气凝胶 / 机器学习 / 监督学习 / 无监督学习 / 强化学习 / 性能预测

Key words

aerogels / machine learning / supervised learning / unsupervised learning / reinforcement learning / performance prediction

引用本文

引用格式 ▾
张路佳, 刘子涵, 姜勇刚, 冯军宗, 胡艺洁, 周新贵, 冯坚. 机器学习在气凝胶研究中的应用[J]. 化学进展, 2026, 38(7): 1388-1402 DOI:10.7536/PC20260107
Lujia Zhang, Zihan Liu, Yonggang Jiang, Junzong Feng, Yijie Hu, Xingui Zhou, Jian Feng. Progress in Machine Learning for Aerogel Research[J]. Progress in Chemistry, 2026, 38(7): 1388-1402 DOI:10.7536/PC20260107

登录浏览全文

4963

注册一个新账户 忘记密码

1 引言

气凝胶是一类由纳米级多孔网络构成的轻质固体材料[1-2]，兼具高比表面积、高孔隙率、低热导率及低密度等[3-7]特性，是目前已知最轻的固体材料之一，在航天航空、建筑节能、能源存储等领域具有不可替代的应用价值。气凝胶研究始于1931年，由美国科学家Kistler首次成功制备SiO2气凝胶[1]，但受限于复杂的制备工艺（如超临界干燥技术的高成本），长期未能实现规模化应用[8]。随着溶胶-凝胶法改良、常压干燥等[9-11]技术突破，气凝胶的制备效率显著提升，应用场景逐步扩展至隔热保温、重金属吸附、催化载体等领域[12-14]。

然而，当前气凝胶研发仍面临3方面困难：其一，制备过程涉及前驱体浓度、老化时间、干燥温度等数十个变量，各参数对最终性能（如力学强度、隔热性）的影响呈非线性耦合关系，传统试错法需耗费大量时间与资源筛选最优工艺[15]；其二，气凝胶的多性能间存在固有制约（如高孔隙率往往导致力学强度下降），且性能调控机理尚未完全明晰，难以实现多目标协同优化[16]；其三，航空、航天、新能源等领域对气凝胶提出极端环境适应性需求（如耐高温性能、抗辐射性能），传统实验方法难以快速响应高性能指标[17-18]。

针对上述痛点，机器学习作为人工智能的核心分支，通过构建数据与性能间的映射模型，可高效挖掘高维变量中的潜在规律，为材料研发提供“数据驱动”的新范式。机器学习自20世纪50年代感知机模型问世开启发展序幕，历经算法迭代与算力升级，21世纪深度学习的兴起实现其技术突破；21世纪20年代后，该技术深度融入材料科学，在材料性能预测、材料基因组工程[19]等领域取得关键进展，例如，Wu等[20]实现高分子介电材料多性能精准预测，Talapatra等[21]建立钙钛矿氧化物带隙机器学习预测模型，均为里程碑式工作；近年来，深度学习、图神经网络[22]等新方法更成为材料精准设计的重要手段，为机器学习赋能气凝胶研究奠定了坚实技术基础。

该领域研究自2018年Wei等[23]率先将CNN用于气凝胶热导率预测起步，现已逐步拓展至强化学习、多模态融合等方法应用，但相较于金属、聚合物等成熟材料体系，仍面临4大核心挑战：气凝胶单样本制备周期长导致标注数据稀缺（通常<200组）、跨尺度多孔结构使特征工程难度大、不同实验室数据异构性显著，且热传导等物理机制的多因素耦合提升了纯数据驱动模型的建模难度，也正因这些特殊性，机器学习在气凝胶研究中的应用更具探索价值与实际意义。

相较于传统方法，机器学习在气凝胶研究中展现出3大优势：一是预测效率提升，可基于现有数据快速预测未探索配方的性能，缩短研发周期（如比表面积预测从传统实验制备加测试的3~7 d，缩短至机器学习全流程预测的1~10 min[23]）；二是多目标优化能力，能平衡性能间的制约关系（如同步优化气凝胶的隔热性与力学强度）；三是逆向设计潜力，可根据目标性能反推较优的制备工艺参数，突破“经验依赖”的研发瓶颈。近年来，机器学习已在气凝胶的性能预测（如热导率、力学模量）、结构设计（如孔隙分布调控）及合成工艺优化（如溶剂配比筛选）等方面取得显著进展。本文围绕机器学习在气凝胶研究中的应用展开综述：首先，梳理机器学习在气凝胶研究中的“数据-特征-模型-评估”基础框架，明确技术流程与关键环节；然后，按监督学习[24]、无监督学习[25]、强化学习[26]分类，详细阐述各类算法的应用场景与典型案例；最后，总结成果、剖析瓶颈，并展望未来发展方向，为相关研究提供系统性参考。

2 机器学习在气凝胶研究中的基础框架

机器学习辅助气凝胶研究的核心逻辑是“从数据中挖掘规律，以规律指导研发”，需通过数据收集与预处理、特征工程、模型选择与训练、性能评估与优化4个关键步骤形成闭环，各环节相互支撑，共同决定模型的可靠性与实用性（图1）。

数据是机器学习模型的“基石”，其质量直接决定模型的预测精度与泛化能力。气凝胶研究中的数据来源主要分为实验数据、模拟数据和文献数据3类（表1）。

实验数据通过实验室制备与表征获取，涵盖制备参数（如前驱体种类、交联剂比例）与性能指标（如BET比表面积、压缩模量），数据真实性高但获取成本高（单组气凝胶制备需3~7 d）、样本量有限（通常<200组）[27]。

模拟数据基于分子动力学、有限元分析生成，可补充极端条件（如1000 ℃高温、真空环境）下的性能数据，例如Abdusalamov等[28]通过LAMMPS 模拟气凝胶骨架的热传导行为，样本量灵活但需验证模拟数据与实验数据的一致性。

文献数据从已发表研究中提取，样本量庞大（可>1000组）但存在格式不统一（如温度单位同时存在“℃”与“K”）、精度差异大（如不同实验室BET测试误差可达±5%）等问题[29]。

2.1 数据收集与预处理

由于不同来源的数据存在异构性[30]（如格式不统一、精度差异），原始数据通常需通过以下预处理提升质量。①数据清洗。Abdusalamov等[28]采用线性插值填补文献中未报道的孔隙率数据，通过3σ准则（平均值加减3倍标准差即正常数据范围）剔除明显违背物理规律的热导率异常值，文献指出热导率数值不能超出同类气凝胶合理范围（整体0.01~0.15 W/（m·K），有机气凝胶0.02~0.12 W/（m·K）、碳气凝胶0.03~0.15 W/（m·K）），或与孔隙率、密度参数明显矛盾（如密度<0.1 g/cm3和孔隙率>80%但热导率>0.15 W/（m·K））；同时采用3σ准则时需结合物理合理性审查，避免误判极端条件数据，存疑数据保留并单独标注。②归一化/标准化。Goodarzi等[31]对气凝胶热导率相关数据进行Min-Max归一化（映射至[0,1]区间），消除量纲差异对模型训练的干扰。③数据集划分。Wei等[23]按7∶2∶1比例将气凝胶热导率预测数据集分为训练集（用于模型参数拟合）、验证集（用于超参数调优）与测试集（用于评估泛化能力），有效避免过拟合[32]。此外，针对无监督学习中常见的数据集类别混淆问题，可通过无监督异常值检测算法（如 DBSCAN、孤立森林）剔除低质量样本，提升数据集纯度，为后续模型训练提供可靠支撑[27,33]。

模拟数据虽可灵活覆盖实验难以触及的条件（如1000 ℃高温、超低密度极限），但其可靠性有赖于与实验数据的一致性验证。常见的对齐策略包括3个方面：①少量实验点校准（以10~20组实验数据验证模拟结果的系统偏差并进行偏差修正）；②关键物理量一致性检验（如比较模拟与实验获得的热导率、弹性模量在室温常规条件下的吻合程度）；③迁移学习方法（以模拟数据预训练，以少量实验数据微调）。针对气凝胶体系，模拟数据校准需重点关注孔隙率、骨架粒径等核心结构参数的实验-模拟一致性，因为这类参数对热导率、力学性能的影响远高于其他材料体系。此外，需特别指出，机器学习模型在训练数据范围以外的极端条件（如超高温区、极端低密度区）进行外推时，预测不确定性显著增大，建议在展示此类预测结果时同步给出置信区间或不确定性估计，避免误导性解读。

2.2 特征工程

特征工程是“从数据中提取关键信息”的核心环节，目的是筛选对气凝胶性能有显著影响的变量，降低模型计算复杂度。气凝胶研究中的特征维数很多，可分为输入特征与目标特征：输入特征包括微观结构参数（孔隙率、孔径分布、骨架致密度）、制备工艺参数（前驱体浓度、老化时间、干燥压力）及环境参数（使用温度、湿度）等[34]；目标特征涵盖物理性能（比表面积、热导率）、力学性能（压缩强度、弹性模量）及功能性能（吸附容量、催化活性）等[35]。

针对气凝胶特征数据的高维特性（输入特征常数>20个），可通过两类方法降维[36-38]。①特征选择，Shen等[39]采用皮尔逊相关系数筛选热导率预测的核心变量，剔除与目标性能相关性<0.1的搅拌速率等参数，保留孔隙率、孔径分布等关键特征。②特征提取，Tafreshi等[40]通过主成分分析（PCA）将20个输入特征压缩为5个主成分（累计方差贡献率>90%）；Liu等[41]则利用卷积神经网络（CNN）从SEM图像中自动提取孔隙形态、骨架分布等微观结构特征，将256×256像素的图像转化为128个特征向量，CNN显著提升了热导率的预测精度。这些特征处理方法不仅适用于监督学习的性能预测任务，也为无监督学习中的多性能关联分析、微观结构解析提供了高质量的特征输入[27,42]。

2.3 模型选择与训练

根据研究目标（性能预测、样本分类/聚类、多目标优化、微观结构生成等）选择适配的算法，是模型构建的核心。气凝胶研究中常用的机器学习模型可分为监督学习、无监督学习与强化学习3大类，各类模型的适用场景与训练逻辑有明显区别（表2）。

监督学习：其核心思想为通过带标签的训练样本{（xi，yi）}学习从输入特征x到目标输出y的映射函数f，使预测值与真实值之间的损失函数最小化，适用于气凝胶性能的定量预测与逆向设计。常用模型包括支持向量机（SVM）[43-44]、随机森林[45-46]、神经网络[47]等。

无监督学习：其在无标签数据条件下，通过挖掘数据内在结构（如样本相似性、特征分布）发现隐藏规律；降维方法（如PCA）通过寻找最大方差方向将高维数据映射至低维空间，聚类算法（如K均值）通过迭代最小化簇内距离实现样本自动分组，适用于气凝胶多性能关联分析与性能分级。常用分析方法包括K均值聚类[48-49]、主成分分析（PCA）[50]。

强化学习：其核心框架为智能体与环境的交互循环：智能体在状态s下执行动作a，环境返回奖励r和新状态s′，智能体通过最大化累积奖励学习最优策略π∗；相较于监督学习，强化学习无需预标注的最优解，尤其适用于动态工艺调控与多目标优化等序列决策问题。常用模型包括Q学习、深度强化学习（DRL）。

模型训练过程中，需重点关注过拟合问题：①采用正则化（如L1/L2正则）限制参数复杂度，Abdusalamov等[28]在神经网络中引入L2正则，降低模型对训练数据的过度依赖；②通过早停（Early Stopping）在验证集误差上升前终止训练，Wei等[23]在热导率预测模型训练中，当验证集RMSE连续10轮未下降时停止训练；③利用集成学习提升稳定性，Abdusalamov等[28]采用随机森林的Bagging策略结合多个基模型，泛化能力较单一神经网络提升了20%。

2.4 性能评估与优化

模型训练完成后，需通过量化指标评估可靠性，并进一步优化性能。气凝胶研究中常用的评估指标根据任务类型分为两类。

回归任务（如性能预测）：采用均方误差（MSE，衡量预测值与真实值的平均偏差）、决定系数（R2，反映模型对数据方差的解释能力，越接近1越好）、均方根误差（RMSE，消除量纲影响）[53]、及归一化均方根误差（NRMSE，以目标性能的数值范围为基准归一化，公式为NRMSE=数据最大值-数据最小值RMSE×100%）等相对误差指标；例如Wei等[23]预测气凝胶热导率时，CNN模型的归一化均方根误差（NRMSE）仅1.9%，显著优于传统Maxwell-Eucken模型（7.5%）。

分类任务（如性能分级）：采用准确率（正确分类样本占比）、精确率（预测为正类的样本中实际为正类的比例）、混淆矩阵（直观展示各类别预测结果）；例如Dierking等[54]用CNN分类气凝胶相态，准确率达95%。

模型优化主要通过两种途径实现：①超参数调优，采用网格搜索（遍历参数组合）、贝叶斯优化（基于概率模型高效寻优）筛选最优超参数（如神经网络的学习率、随机森林的树数量），如Bergstra等[55]采用贝叶斯优化筛选神经网络的学习率、随机森林的树数量等超参数，较网格搜索效率提升3倍；②数据增强，通过添加噪声（如模拟实验误差）、数据插值扩充样本量，或融合多源数据（如实验+模拟数据）提升模型泛化能力。Walker等[51]通过添加噪声（模拟实验误差）、数据插值扩充气凝胶比表面积预测模型样本量，从103组扩充至300组，误差降低30%。

3 监督学习在气凝胶研究中的应用

监督学习是气凝胶研究中应用最成熟的机器学习类别，可快速关联制备参数与目标性能，显著缩短研发周期。目前，监督学习在气凝胶研究中的应用主要用于比表面积、热导率、力学性能预测、电磁性能和其他性能优化。

3.1 比表面积预测

比表面积是衡量气凝胶吸附与催化能力的关键指标，其大小取决于气凝胶的微观结构（如孔隙率、孔径分布）与制备工艺（如前驱体浓度、干燥方式），传统方法需通过BET测试获取，耗时且无法实时反馈优化方向。监督学习通过构建“工艺-结构-比表面积”模型，实现比表面积的快速预测与定向调控。

Walker等[51]构建包含103种SiO2气凝胶的图数据库，以BET实测比表面积为标签关联对应合成工艺参数，开发的神经网络回归模型预测比表面积平均误差低于84 m2/g，实验验证误差进一步降至5%以下，并发现甲基三甲氧基硅烷（MTMS）交联剂的添加可使比表面积提升15%，为工艺参数优化提供明确方向。

Tafreshi等[40]针对聚酰亚胺气凝胶，提取前驱体类型、催化剂浓度等合成参数，将压缩模量、密度、孔隙率作为映射标签，建立“合成参数-多性能”的标注数据集，训练人工神经网络（ANN）构建多目标预测模型，输入前驱体浓度、交联剂比例等8个参数，同步预测比表面积、压缩模量与孔隙率（图2）。结果显示，模型对压缩模量的预测R2达0.994，MSE低至0.13；基于预测结果，将前驱体浓度从10%提升至15%、同时引入MTMS交联剂（质量比 2∶1），可使比表面积维持在600 m2/g以上，压缩模量提升30%（从50 kPa增至65 kPa），解决了“高比表面积与力学强度难以平衡”的问题。

Park等[56]针对二氧化硅气凝胶的比表面积预测，实时采集老化过程中的阻抗、频率及时间数据，以这些数据为输入特征，以实测孔径、孔容、比表面积为标签，构建MLP、LSTM、Transformer 3种学习模型；对比发现MLP模型兼顾精度与效率，结合传感器数据训练后，预测MAPE=0.9%，且能实时监测老化进程，大幅缩短传统老化周期。

3.2 热导率预测

热导率是气凝胶隔热性能的核心指标，受孔隙率、孔径分布、环境温度等多因素影响，传统经验公式（如Maxwell-Eucken模型）预测误差常>10%，难以满足高精度需求。监督学习通过挖掘热传导的潜在规律，显著提升了热导率的预测精度。

Wei等[23]创新性地结合准随机生成结构（QSGS）与卷积神经网络（CNN）来预测气凝胶的有效热导率：通过格子玻尔兹曼方法（LBM）计算热导率作为标签数据，与QSGS生成的结构图像一一关联后，从结构图像中自动提取孔隙形态、骨架分布等特征，构建“结构图像-热导率”的映射模型；CNN模型归一化均方根误差NRMSE仅1.9%，较传统Maxwell-Eucken模型（NRMSE=7.5%）与 Bruggeman模型（NRMSE=37.35%）提升60%~95%，且经模型训练与优化后，单次预测耗时<0.01 s，实现了热导率的实时精准调控。

Shen等[39]进一步将该方法扩展至各向异性气凝胶（如纤维增强气凝胶），将LBM计算的热导率作为标签与微结构图像匹配，训练CNN后在平行纤维方向热导率预测误差低至1.57%（传统模型误差15.12%），测试集R2>0.99。研究证实，CNN显著提升了对复杂体系热导率的预测精度，对混合材料（NRMSE<4.87%）和真实SEM图像（NRMSE< 5.69%）均具有强泛化能力（图3），为材料基因组计划提供跨尺度性能预测的新范式。

Goodarzi等[31]收集聚合物气凝胶实验数据，将前驱体浓度、干燥温度等工艺参数与实测热导率对应，以热导率作为对应标签训练SVM模型，结合遗传算法进行工艺寻优（图4）：输入变量包括前驱体浓度、干燥温度、交联剂比例，目标是将热导率降至0.02 W/（m·K）以下；最终得到前驱体浓度12%、干燥温度80 ℃、交联剂比例0.6的方案；实验测试显示，该方案下气凝胶热导率为0.018 W/（m·K），满足隔热需求，且工艺优化效率较正交实验提升50倍。

Xiong等[57]针对气凝胶混凝土的热导率预测，整合152组文献与实验数据，以材料配比参数为输入特征，以实测热导率为标签，采用贝叶斯优化（BO）优化XG-Boost算法[58-59]超参数构建预测模型；对比3种建模方案及RF、ANN等传统算法，发现以可解释特征为输入的单独预测模型性能最优，测试集R2达0.978、RMSE=0.104 W/（m·K），泛化验证R2=0.895；SHAP分析表明气凝胶掺入量与水胶比是核心影响因素，气凝胶掺入量从30%增至50%时热导率可降低0.44 W/（m·K）。监督学习显著提升了非线性关联捕捉能力与预测精度，较传统经验公式泛化性更强。

3.3 力学性能预测

气凝胶的力学性能（如压缩强度、弹性模量）是其能否实现工程化应用的关键，传统方法需通过大量力学实验获取数据，成本高且周期长。监督学习能够有效建立制备工艺参数与力学性能之间的复杂非线性关系，实现力学性能的快速预测与定向调控。

Rong等[60]针对MXene基气凝胶的力学性能进行预测，设计34组实验，以测试的压缩模量与抗压强度为标签，对应MXene含量、碳纤维直径及长度等变量，对比随机森林、SVM与神经网络模型，发现神经网络对MXene基气凝胶力学性能预测R2=0.966，MSE为1.01；通过特征重要性分析，确定MXene含量对力学性能的影响最大（权重51%），其次是碳纤维长度（27%）与直径（22%）；从540种配方中筛选出最佳方案——MXene占比30%、碳纤维直径50 nm、长度0.5 µm，此时抗压强度达29 kPa，较常规配方提升近12倍。该研究是MXene基气凝胶力学性能机器学习预测的奠基性工作之一，其研究范式“小样本实验设计+多模型对比+特征重要性分析”具有较强的方法论可复用性，对类似复合气凝胶体系的力学性能建模与配方优化具有重要参考价值。

Abdusalamov等[28]针对SiO2气凝胶的力学性能进行优化：通过分子动力学模拟生成470组不同结构参数的气凝胶数据，将压缩强度、弹性模量等力学指标与结构参数绑定为标签，采用人工神经网络（ANN）结合聚合算法模拟气凝胶的结构演化过程；模型预测R2达0.973，实验显示与预测结果吻合较好，筛选出颗粒直径5 nm、浓度15%、分形维数2.5的最优方案，基于该方案制备的气凝胶压缩强度达29 kPa，弹性模量达162 kPa。

Islam等[61]针对陶瓷气凝胶，通过格子玻尔兹曼法（FSLBM）模拟发泡过程获取微观结构数据，结合有限元模拟计算应变能，建立“微观结构-应变能”标注数据集，训练贝叶斯卷积神经网络（BayesCNN）构建力学性能预测模型，输入不同孔径的微观结构图像，预测对应应变能及不确定性。结果显示，模型对同分布微观结构的应变能预测精度优异；基于模型实现不确定性传播分析，量化了微观结构随机性对宏观力学性能的影响，解决了“物理基模拟计算成本高、难以量化性能波动”的问题。

Xiong等[57]为预测气凝胶混凝土抗压强度，收集183组多源数据，以水胶比、气凝胶掺入量等为输入特征，抗压强度实测值为标签，经贝叶斯优化确定XG-Boost最优超参数（决策树数量574、最大深度11等）；其训练集R2=1.000（提示存在一定过拟合风险），但模型测试集R2=0.977，同时经过12组全新数据验证R2=0.986，说明模型具有较好的泛化能力。RMSE=2.366 MPa，性能优于RF、ANN等算法；SHAP分析显示气凝胶掺入量与水胶比为关键影响因素，二者与抗压强度呈负相关，当气凝胶掺入量从40%降至30%时，抗压强度基准值可提升7.64 MPa，机器学习实现了高精度预测与关键参数量化，较传统试错法大幅降低研发成本。

3.4 电磁性能优化

监督学习不仅能预测性能，还可基于性能目标反推最优制备工艺，实现“逆向设计”，突破传统试错法的局限，显著缩短研发周期。

Wang等[53]针对石墨烯基复合气凝胶的超宽带微波吸收需求，构建包含石墨烯浓度、纤维配比、退火温度等5个关键参数的39组小样本数据集，将工艺参数与电磁参数标注后，采用随机森林算法训练电磁参数预测模型，模型对电磁参数的预测决定系数R2=0.973。同时SHAP值分析发现退火温度（T）与石墨烯浓度（G）是影响电磁参数的核心因素，最终实现3.26~17.30 GHz超宽带微波吸收，同时兼顾隔热、隔声等功能。

He等[62]则针对电磁屏蔽（EMI）需求，先以12组复合气凝胶的MWCNTs含量、AgNWs用量及EMI屏蔽效能（SEt）建立标注数据集，再通过神经网络模型精准预测复合气凝胶电磁屏蔽效能，模型预测RMSE低至0.7626，R2达0.9885（图5），测量结果与物理规律一致（AgNWs含量增加可使SEt从20 dB提升至67.5 dB），证实了模型的泛化性。

此外，He等[63]针对双层电磁屏蔽气凝胶，进一步提出“成分数据+微观图像”融合的神经网络模型：先以核心组分体系的数值特征、SEM图像中孔隙分布与颗粒连接等结构特征，分别与电磁干扰屏蔽效能建立标注关联，再通过动态调节两类特征的贡献权重，最终模型预测的RMSE低至0.7626，R2达0.9885，显著优于单一模态模型（如仅用成分数据的FCNN模型，RMSE=1.0767）。该模型还成功预测4组未制备样品的电磁干扰屏蔽效能，平均误差<5%，屏蔽性能SEt从40 dB增至78.6 dB。

3.5 其他性能优化

机器学习还可延伸至气凝胶分子级结构设计与多功能性能优化。Yoshikawa等[64]针对聚酰亚胺（PI）气凝胶的多功能需求，提出“Morgan指纹+机器学习”的分子设计框架：先通过1024维Morgan指纹量化单体亚结构（如醚键、含氟基团的亚结构特征），并将其与PI气凝胶的密度、模量、热分解温度等性能指标建立特征-性能标注，把传统“定性描述”的混合骨架转化为定量输入，解决混合二胺/二酐体系无法建模的问题。研究对比7种机器学习模型发现，高斯过程回归（GPR）对PI气凝胶热分解温度的预测误差仅8.7%，显著优于神经网络（误差18.2%），可同时实现“密度<0.15 g/cm3；模量>50 MPa；热分解温度>550 ℃”的多功能需求。

Yuan等[65]采用优化后的XGBoost算法构建性能预测模型，将基质材料类型及比例、改性剂种类及含量、太阳反射率、红外发射率、太阳辐照度、环境温度等多维参数作为输入，以气凝胶的冷却温度降幅为目标指标建立映射标注，解决辐射冷却与环境适应性兼顾难题。结果显示，模型预测R2达0.943，RMSE=1.423 ℃，可使气凝胶在大气窗口（8~13 µm）的红外发射率维持在0.92以上，冷却温度降幅提升超15%。

Shrestha等[35]针对“导电气凝胶应变敏感性与稳定Joule加热性能难以兼顾”的问题，采用人工神经网络（ANN）算法对导电MXene气凝胶进行建模，以MXene/纤维素/明胶/戊二醛比例、混合物负载量等5个参数为输入特征，锚定30%应变压缩应力（σ30）与初始电阻（R0）为目标性能指标构建预测模型，同步预测两项关键性能。结果显示，经8轮主动学习与数据增强后，模型对σ30的预测MAE低至1.5 kPa，对R0的预测MRE仅18.4%；通过模型反向设计，筛选出最优方案，基于该方案气凝胶σ30达4.0 kPa、R0仅1.7 Ω，压力灵敏度低至0.02 kPa-1，经100次20%压缩循环后电阻变化率仅0.9%。

Owusu等[66]将机器学习用于气凝胶药物释放动力学预测，针对异氰酸酯衍生气凝胶采用梯度提升算法构建药物释放动力学预测模型，通过实验标注K指数（接触角/孔隙率）、大孔-中孔比等参数与5-氟尿嘧啶、扑热息痛体外释放曲线的对应关系，输入参数同步预测药物释放。结果显示，梯度提升算法对药物释放轮廓的预测R2>0.9，RMSE低至6.404；基于预测结果，可使药物在0.5 h释放约15%、24 h释放约30%。

为了实现食品新鲜度监测，Zheng等[67]针对海藻酸钠-花青素复合气凝胶（食品智能包装领域的关键材料），采用径向基函数神经网络和遗传算法优化的反向传播网络构建双通道新鲜度监测预测模型，把气凝胶RGB颜色特征、总挥发性盐基氮、总活菌数等参数与虹鳟鱼剩余货架期绑定为预测对，同步预测货架期。结果显示模型对货架期的预测R2=0.9996，RMSE=0.157 d，RMSE低至0.157；基于预测结果，可在4 ℃贮藏条件下精准捕捉虹鳟鱼贮藏0~8 d的腐败信号，使货架期预测误差控制在0.127 d内。

Shen等[68]为提升壳聚糖/二氧化硅复合气凝胶的疏水性，基于小样本数据库，以分子描述符为输入特征、亲水性为标签，对比RF、KNN、SVM模型，发现RF模型预测性能最优（R2=0.921、RMSE=1.371）；仅添加14 g疏水剂，气凝胶水接触角达100°，且在pH=10的环境中稳定存放60 d，热导率低至0.08727 W/（m·K），较传统试错法显著降低试剂用量与研发成本，同时保障疏水性能与热稳定性的协同提升。

Zheng等[69]针对气凝胶玻璃体系难以同时满足“低总热增益-高光学透过-稳定热性能”3大目标的问题，采用人工神经网络（ANN）构建优化函数，以气凝胶朝向角、消光系数、密度、比热容乘积、厚度及导热系数为输入变量，设计以最小化总热增益为目标的优化模型；采用教学优化（TLBO）算法迭代寻优，筛选出“朝向角3.79°+消光系数0.09 mm-1+密度-比热容乘积306 kJ/（K·m3）+厚度26 mm+导热系数0.02436 W/（m·K）”的最优组合，使总热增益降至6.4 kWh/m2，较粒子群优化（PSO）方案降低7.2%，且优化函数精度（R2>0.99）远超传统拟合方法，为气凝胶玻璃体系的高效优化设计提供了新路径。

在气凝胶性能预测任务中，样本量小于100组时优先选择SVM或高斯过程回归（GPR），100~500 组可考虑随机森林或梯度提升树（XGBoost），大于500组时神经网络（ANN/CNN）的非线性拟合优势更显著；特征工程中，建议优先通过皮尔逊相关分析筛除相关性<0.1的冗余特征，对量纲差异悬殊的特征进行Min-Max归一化；回归任务评估建议同时展示R2与RMSE，并明确区分训练集与测试集结果。综上，监督学习已在气凝胶性能预测、逆向设计等领域实现规模化应用，成为缩短研发周期的核心工具。但需客观认识到，其仍存在明显局限：依赖大量标注数据，新型气凝胶样本量不足导致模型泛化性差；且部分模型未融入物理机制，易出现不符合实际的预测结果。

4 无监督学习在气凝胶研究中的应用

无监督学习无需“标签数据”（即无需预设性能目标或参数权重），可直接从多维度数据中挖掘潜在规律（如性能关联、数据聚类），为气凝胶研究提供“数据解析工具”，尤其适用于多性能内在分析、数据预处理与结构特征提取等场景。目前，无监督学习在气凝胶研究中的应用主要集中在多性能关联分析、气凝胶性能分级、数据集质量提升3大方向。

4.1 多性能内在分析

气凝胶的多性能间常存在固有制约（如高孔隙率可有高比表面积但低力学强度），传统方法难以量化这种关联，而无监督学习可通过降维或聚类，清晰揭示性能间的潜在关系，为材料设计提供理论指导。

Chaouk等[42]针对氧化硅气凝胶，采用主成分分析（PCA）这一机器学习技术构建分析模型，输入气凝胶质量分数、BET比表面积、孔体积等8个理化性质参数，探究氧化硅含量对气凝胶理化性质的影响（图6）。结果显示，第1主成分（PC1）与氧化硅含量的正相关系数R2=0.94，表明氧化硅含量升高会使气凝胶的热导率、孔隙率和BET比表面积降低，密度与弹性模量升高；第2主成分（PC2）在排除低氧化硅含量样本后，与氧化硅含量的相关系数R2从初始的0.0387提升至0.81，体现出热导率、平均孔径和BET比表面积受中高含量氧化硅的显著影响。基于分析结果，调控氧化硅含量至3%~7%的中值区间，可在使热导率降至0.0179~0.0194 W/（m·K）的同时，让弹性模量保持在1500~1600 kPa，解决了“低热导率与力学脆性难以兼顾”的问题。

Younes等[70]针对纳米纤维素（NC）、壳聚糖（CS）及石墨烯（G）基气凝胶的离子去除性能，采用主成分分析（PCA）开展多性能评估：整合24种气凝胶的8项关键参数（密度、孔隙率、比表面积、吸附容量、去除效率等）；PCA分析显示，前两个主成分（PC1、PC2）累计解释58.2%的方差（图7），其中PC1（34.3%）主要反映结构特征（孔隙率贡献27.4%、比表面积贡献17.5%），与离子去除效率呈正相关（R2=0.82），PC2（23.9%）主要反映化学环境（pH贡献33.1%、再生效率贡献49.1%），揭示碱性条件（pH=8~9）对再生稳定性的关键作用；聚类分析发现，NC基气凝胶的最大吸附容量（485.4 mg/g）显著优于CS基（374.5 mg/g）与G基（58 mg/g），且5次再生后效率均保持83%~90%，为吸附材料的选型提供明确依据。

Obeid等[29]同样采用PCA分析气凝胶对建筑材料性能的影响，探索多参数协同规律（图8）：选择气凝胶密度、负载量、粒径为输入变量，建筑材料的热导率、抗压强度、吸水率为输出性能；PCA结果显示，前两个主成分解释65.76%的方差，气凝胶密度与热导率呈负相关（r=-0.34），负载量与抗压强度呈负相关（60%负载量使抗压强度降至8.3 MPa）；分析发现，混凝土组的PC1方差贡献率（51.97%）高于非混凝土组（44.55%），表明气凝胶对混凝土性能的调控更显著；基于此提出优化建议：小粒径气凝胶（<250 µm）可使热导率降低17%，高密度气凝胶（0.130 g/cm3）可维持材料结构稳定性。

4.2 气凝胶性能分级

通过聚类算法，可将气凝胶样本按照其综合性能进行自动分组和分级，有助于建立性能标准，指导不同应用场景下的材料选型，避免盲目实验。

Scherdel等[27]将小角X射线散射（SAXS）数据与K均值聚类结合，对气凝胶干燥过程的数据集进行分类（图9）：通过SAXS测试9组气凝胶的干燥过程，获取分形维数、孔隙尺寸分布等结构参数，同时测试热导率；采用K均值聚类将数据分为“低收缩组”（分形维数波动<10%）与“高收缩组”（分形维数波动>20%），发现高收缩组的热导率普遍高于低收缩组（差值达0.005 W/（m·K））；基于聚类结果，将气凝胶隔热性能分为3级：一级（热导率<0.015 W/（m·K），低收缩组）、二级（0.015~0.020 W/（m·K），过渡组）、三级（>0.020 W/（m·K），高收缩组），为建筑隔热、航天保温等不同场景的材料选型提供依据。

Bhattacharjee[33]采用层次聚类算法对2500张气凝胶SEM图像对应的结构-性能数据进行分级：提取孔径分布、骨架致密度、比表面积、热导率等6个关键指标；通过构建聚类树，将气凝胶分为“高比表面积-低热导率型”（比表面积>800 m2/g，热导率<0.018 W/（m·K））、“中比表面积-中热导率型”（500~800 m2/g，0.018~0.022 W/（m·K））、“低比表面积-高热导率型”（<500 m2/g，>0.022 W/（m·K））3类；结合应用场景需求，明确“高比表面积-低热导率型”适用于催化载体与高效隔热，“中比表面积-中热导率型”适用于常规保温。

4.3 数据集质量提升

气凝胶研究的数据常存在噪声、异常值或类别混淆（如误将“干凝胶”数据纳入气凝胶数据集），无监督学习可通过聚类或异常值检测实现数据清洗，剔除低质量样本，为后续模型训练提供高质量数据支撑。

Scherdel等[27]在气凝胶热导率预测模型数据预处理中，采用箱线图与孤立森林算法结合的方式去除异常值：首先通过箱线图识别明显异常的热导率数据（如>0.03 W/（m·K）或<0.01 W/（m·K）），初步剔除5%的样本；随后采用孤立森林算法（异常值比例设为3%）挖掘隐藏的异常样本（如结构参数正常但热导率异常的数据）；最终数据集质量提升后，热导率预测模型的误差从15%降至10%，泛化能力显著增强。

Bhattacharjee[33]采用基于密度的DBSCAN算法（一种无监督异常值检测算法），处理气凝胶微观结构模拟数据：通过生成对抗网络（GAN）生成 2500张气凝胶SEM图像，提取孔径分布、骨架致密度等特征；利用DBSCAN算法识别“离群样本”（如孔径分布异常集中或分散的数据），发现这些样本多为模拟参数设置错误导致（如网格划分过粗）；剔除异常样本（约8%）后，后续结构-性能关联模型的R2从0.78提升至0.89，rRMSE从5.2%降至3.1%，验证了无监督学习在数据清洗中的价值。

PCA适用于特征间存在明显线性相关的气凝胶多参数体系（如气凝胶多性能数据集），建议保留累计方差贡献率≥85%的主成分；K均值聚类对气凝胶性能分级的簇数选择可参考肘部法则（Elbow Method）；数据清洗中，DBSCAN对密度差异较大的气凝胶结构数据效果优于孤立森林。可见，在多性能关联方面，无监督学习通过PCA揭示孔隙率与离子去除效率正相关、密度与热导率负相关；在性能分级方面，K均值聚类将气凝胶隔热性能分为3级，为场景选型提供依据；数据质量提升方面，DBSCAN剔除8%~10%异常样本，使后续模型R2从0.78升至0.89。但目前聚类结果易受噪声数据干扰，规律解释性弱（如仅知相关性却难明因果）；GAN生成的微观结构数据与实际制备兼容性不足。未来需结合领域知识优化聚类特征（如优先选择孔隙率、官能团等关键参数），开发“无监督学习+实验验证”闭环流程，提升结构生成的可制备性。

5 强化学习在气凝胶研究中的应用

强化学习通过“智能体-环境”的交互试错优化策略，可在动态、多约束场景下寻找最优方案，适用于气凝胶的多目标优化、全流程工艺调控等复杂任务——这类任务往往存在多个相互制约的目标性能（如“高比表面积-低热导率-低制备成本”），且需考虑工艺可行性（如前驱体浓度不能过低），传统优化算法难以高效应对。目前，强化学习在气凝胶研究中的应用主要集中在多目标性能系统优化、全流程工艺动态调控两大方向，其核心价值是“在约束条件下实现多性能协同提升”。

5.1 多目标性能系统优化

相较于监督学习的“静态预测”与无监督学习的“规律挖掘”，强化学习的核心优势在于“动态交互优化”。这一特性使其成为解决气凝胶多性能系统优化问题的理想工具，强化学习通过构建量化奖励函数，高效搜索帕累托最优解，实现不同场景下的性能精准适配。

气凝胶玻璃窗的核心需求是平衡“热增益控制-室内照度-制备成本”，且需适配不同气候区域的使用差异。Zhou等[52]采用深度强化学习（DRL）开展了针对上述多目标的气凝胶玻璃窗系统优化：基于DQN框架构建深度强化学习模型，以气凝胶厚度（5~30 mm）、消光系数（0.01~0.1）为动作变量，结合能耗模拟搭建环境模型；通过动态调整奖励函数权重（亚热带气候侧重照度提升，温带气候强化保温需求），在香港地区实现总热增益降幅31.9%、室内照度增幅67.2%，优化耗时仅46 s（图10）。

Zhou等[71]进一步将该方法扩展至北京温带气候：调整奖励函数权重，训练后得到最优参数：气凝胶厚度25 mm，消光系数0.06，制备成本450元/m2；此时总热增益从520.1 kWh/m2降至350.2 kWh/m2（降幅32.7%），室内照度维持在150 klx 以上，满足北方冬季保温与夏季遮阳的双重需求，验证了强化学习的气候适应性优化能力。

气凝胶与相变材料（PCM）复合需同步满足 “低热导率-高储热密度-力学强度”3大目标，传统方法难以平衡三者关系。Zhou等[72]采用Q学习算法构建优化模型，以气凝胶厚度（10~50 mm）、PCM 含量（20%~60%）及封装材料类型为动作变量，设计多指标约束奖励函数（热导率<0.02 W/（m·K）、储热密度>150 kJ/kg时给予正向奖励）；经1000次迭代训练，筛选出“气凝胶25 mm+PCM 40%+环氧树脂封装”的最优组合，使热导率达0.018 W/（m·K）、储热密度165 kJ/kg，优化周期从1个月缩短至2 d，为新能源建筑的“隔热-储热”一体化提供高效解决方案。

5.2 全流程工艺动态调控

气凝胶制备的溶胶-凝胶与干燥过程存在参数动态波动，传统固定参数控制易导致凝胶不均匀、结构坍塌等问题。为此，强化学习通过实时反馈调整工艺参数，实现过程精准调控。溶胶-凝胶过程的滴加速率、pH值等参数动态变化直接影响凝胶质量。Abdusalamov等[28]基于Actor-Critic框架构建深度强化学习模型，以前驱体滴加速率、pH值、反应温度为动作变量，以凝胶时间和均匀性为核心奖励指标；智能体通过实时监测溶胶粘度变化，动态调整参数（如凝胶过快时降低滴加速率），使凝胶均匀性从75%提升至92%，后续气凝胶比表面积变异系数从12%降至5%。

针对氧化硅气凝胶微观结构精准调控需求，Pandit等[73]提出“DRL+DLCA”整合框架，通过随机森林代理模型降低计算成本，低复杂度环境下弹性模量预测相对均方根误差（rRMSE）为0.92%，高复杂度环境中多数优化误差控制在6%以内，确保微观结构物理合理性（孔径集中于2~8 nm）。干燥过程中的溶剂蒸发速率是影响气凝胶结构完整性的关键，传统固定升温速率易导致收缩坍塌。

Zhou等[71]采用强化学习设计动态控温策略，以干燥温度（40~120 ℃）、升温速率（1~5 ℃/h）为动作变量，以收缩率（<5%）和结构完整性（>95%）为奖励目标；经80次迭代训练，形成“低-高-低”3阶段升温策略：初期（0~2 h）1 ℃/h避免快速蒸发，中期（2~6 h）3 ℃/h加速脱溶剂，后期（6~8 h）1 ℃/h稳定结构；最终气凝胶收缩率从15%降至 4%，比表面积保留率从70%提升至90%，结构坍塌率降至5%，显著提升了产品一致性。

在气凝胶工艺调控任务中，当动作空间为连续型（如温度、压力等连续参数）时，建议采用基于 Actor-Critic框架的算法（如DDPG、TD3）；奖励函数设计应将物理约束（如热导率下限、孔径合理范围）显式编码，以避免智能体陷入物理不合理的极端解。强化学习在气凝胶研究中已实现从系统优化到工艺调控的全场景覆盖，其动态优化能力与效率优势远超传统方法。但当前研究仍依赖高精度仿真环境，实际工艺波动易影响优化效果，且多目标权重设定缺乏统一标准。​

6 结论和展望

机器学习为气凝胶研究提供了数据驱动的全新范式，彻底改变了传统实验试错的研发模式，在性能提升、效率优化与结构创新等方面取得了突破性成果。

通过构建“数据-特征-模型-性能”的闭环链路，监督学习实现了比表面积、热导率等核心性能的高精度预测与工艺逆向设计，研发效率较传统方法提升10~100倍；无监督学习为数据解析与结构认知提供了高效工具，成功揭示了多性能内在关联、提升了数据集质量并实现了微观结构的解析与生成；强化学习则突破了多目标优化与动态工艺调控的难题，在气凝胶玻璃窗系统优化、溶胶-凝胶过程调控等场景中，使优化效率大幅提升，同时显著改善了产品稳定性与结构完整性。上述3类算法协同发力，为气凝胶在隔热、吸附、电磁屏蔽等多领域的性能提升与功能拓展提供了强有力的技术支撑，但当前研究仍面临数据质量与数量不足、模型可解释性弱、物理机制融合不够及跨尺度关联缺失等突出瓶颈。未来研究可能的方向如下。

（1）构建多模态标准化专项数据库，整合高通量实验、分子动力学模拟与工业生产数据，重点补充高温红外改性等细分领域的专项数据，制定统一数据格式标准，解决气凝胶数据异构问题，为模型训练提供高质量支撑。同时建议后续气凝胶机器学习研究在展示模型性能时，明确区分训练集、验证集与测试集结果，并尽可能提供独立外部验证数据，以增强结论的可信度。

（2）开发可解释性与物理约束融合模型，引入 SHAP、LIME等工具量化特征贡献权重，将气凝胶制备的物理化学规律及高温辐射传热等机理嵌入模型，提升模型的物理合理性与工程指导性。

（3）推进跨尺度建模与场景化优化，结合多尺度表征技术构建结构数据库，开发跨尺度预测模型实现微观与宏观性能的直接关联；针对气凝胶高温隔热等特殊场景，定制化开发遮光剂选型、纤维改性等专项优化模型。

（4）搭建气凝胶自动化实验与机器学习融合平台，结合高通量合成机器人与数字孪生技术，实现 “数据采集-模型训练-工艺优化-实验验证”的闭环迭代，加速气凝胶材料的快速迭代与产业化应用。

（5）强化多学科交叉融合，推动机器学习与材料科学、传热学等学科深度协作，针对气凝胶兼具高温隔热和良好力学性能等关键需求，开展“算法-材料-工艺”协同创新，实现高温热导率与力学性能的协同提升。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Kistler S S. Nature, 1931, 127(3211): 741.
[2]

Yoldas B E. J. Mater. Sci., 1975, 10(11): 1856.

[3]

Poco J F, Satcher J H Jr, Hrubesh L W. J. Non Cryst. Solids, 2001, 285(1/2/3): 57.

[4]

Hayase G, Nonomura K, Hasegawa G, Kanamori K, Nakanishi K. Chem. Mater., 2015, 27(1): 3.

[5]

Zu G Q, Shen J, Wei X Q, Ni X Y, Zhang Z H, Wang J C, Liu G W. J. Non Cryst. Solids, 2011, 357(15): 2903.

[6]

Zu G Q, Shen J, Wang W Q, Zou L P, Lian Y, Zhang Z H, Liu B, Zhang F. Chem. Mater., 2014, 26(19): 5761.

[7]

Pakharukova V P, Shalygin A S, Gerasimov E Y, Tsybulya S V, Martyanov O N. J. Solid State Chem., 2016, 233: 294.

[8]

Bararpour S T, Karami D, Mahinpey N. Fuel, 2019, 242: 124.

[9]

Horiuchi T, Osaki T, Sugiyama T, Masuda H, Horio M, Suzuki K, Mori T, Sago T. Faraday Trans., 1994, 90(17): 2573.

[10]

Horiuchi T, Osaki T, Sugiyama T, Suzuki K, Mori T. J. Non Cryst. Solids, 2001, 291(3): 187.

[11]

Osaki T, Nagashima K, Watari K, Tajiri K. J. Non Cryst. Solids, 2007, 353(24/25): 2436.

[12]

Baumann T F, Gash A E, Chinn S C, Sawvel A M, Maxwell R S, Satcher J H. Chem. Mater., 2005, 17(2): 395.

[13]

Tokudome Y, Nakanishi K, Kanamori K, Fujita K, Akamatsu H, Hanada T. J. Colloid Interface Sci., 2009, 338(2): 506.

[14]

Wen S Y, Ren H B, Zhu J Y, Bi Y T, Zhang L. J. Porous Mater., 2019, 26(4): 1027.

[15]

Hurwitz F I, Gallagher M, Olin T C, Shave M K, Ittes M Α, Olafson K N, Fields M G, Guo H Q, Rogers R B. Int. J. Appl. Glass Sci., 2014, 5(3): 276.

[16]

Zhang E S, Zhang W L, lv T, Li J, Dai J X, Zhang F, Zhao Y M, Yang J Y, Li W J, Zhang H. ACS Appl. Mater. Interfaces, 2021, 13(17): 20548.

[17]

Aravind P R, Mukundan P, Pillai P K, Warrier K G K. Microporous Mesoporous Mater., 2006, 96(1/2/3): 14.

[18]

Zou W B, Wang X D, Wu Y, Zu G Q, Zou L P, Zhang R Y, Yao X D, Shen J. J. Sol Gel Sci. Technol., 2017, 84(3): 507.

[19]

Liu Y L, Niu C, Wang Z, Gan Y, Zhu Y, Sun S H, Shen T. J. Mater. Sci. Technol., 2020, 57: 113.

[20]

Wu K, Sukumar N, Lanzillo N A, Wang C, “Rampi” Ramprasad R, Ma R, Baldwin A F, Sotzing G, Breneman C. J. Polym. Sci. Part B Polym. Phys., 2016, 54(20): 2082.

[21]

Talapatra A, Uberuaga B P, Stanek C R, Pilania G. Commun. Mater., 2023, 4: 46.

[22]

Wu Z H, Pan S R, Chen F W, Long G D, Zhang C Q, Yu P S. IEEE Trans. Neural Netw. Learning Syst., 2021, 32(1): 4.

[23]

Wei H, Zhao S S, Rong Q Y, Bao H. Int. J. Heat Mass Transf., 2018, 127: 908.
[24]

Cord M, Cunningham P. Machine learning techniques for multimedia: case studies on organization and retrieval. Berlin Heidelberg: Springer-Verlag, 2008.
[25]

Barlow H B. Neural Comput., 1989, 1(3): 295.

[26]

Kaelbling L P, Littman M L, Moore A W. J. Artif. Intell. Res., 1996, 4: 237.
[27]

Scherdel C, Miller E, Reichenauer G, Schmitt J. Processes, 2021, 9(4): 672.

[28]

Abdusalamov R, Pandit P, Milow B, Itskov M, Rege A. Soft Matter, 2021, 17(31): 7350.

[29]

Obeid E, Chaouk H, Mezher R, Gazo Hanna E, Mouhtady O, Halwani J, Younes K. Gels, 2023, 9(12): 935.

[30]

Fushiki T. Stat. Comput., 2011, 21(2): 137.

[31]

Goodarzi B V, Bahramian A R. J. Therm. Anal. Calorim., 2022, 147(11): 6227.

[32]

Wong T T. Pattern Recognit., 2015, 48(9): 2839.

[33]

Bhattacharjee S. Master’s Thesis of State University of New York at Buffalo, 2023.
[34]

Gao L, Lin J P, Wang L Q, Du L. Acc. Mater. Res., 2024, 5(5): 571.

[35]

Shrestha S, Barvenik K J, Chen T L, Yang H C, Li Y, Kesavan M M, Little J M, Whitley H C, Teng Z, Luo Y G, Tubaldi E, Chen P Y. Nat. Commun., 2024, 15: 4685.

[36]

Hou S D, Sun Q S, Xia D S. Neural Process. Lett., 2011, 34(3): 259.

[37]

Tuv E, Borisov A, Runger G, Torkkola K. J. Mach. Learn. Research, 2009, 10(45): 1341.
[38]

Benesty J, Chen J D, Huang Y T, Cohen I. Noise reduction in speech processing. Berlin Heidelberg: Springer, 2009: 1.
[39]

Shen C C, Sheng Q, Zhao H F. Mech. Mater., 2023, 186: 104804.

[40]

Tafreshi O A, Saadatnia Z, Ghaffari-Mosanenzadeh S, Okhovatian S, Park C B, Naguib H E. SPE Polym., 2023, 4(1): i.
[41]

Liu H, Xia X L, Xie X Q, Ai Q, Li D H. Int. J. Therm. Sci., 2017, 121: 192.

[42]

Chaouk H, Obeid E, Halwani J, Arayro J, Mezher R, Mouhtady O, Gazo-Hanna E, Amine S, Younes K. Gels, 2024, 10(9): 554.

[43]

Hearst M A, Dumais S T, Osuna E, Platt J, Scholkopf B. IEEE Intell. Syst. Their Appl., 1998, 13(4): 18.
[44]

Suthaharan S. Machine learning models and algorithms for big data classification. New York: Springer, 2016.
[45]

Belgiu M, Drăguţ L. ISPRS J. Photogramm. Remote Sens., 2016, 114: 24.
[46]

Insur. Med., 2017, 47(1): 31.
[47]

Zou J M, Han Y, So S S. Overview of artificial neural networks. In Artificial Neural Networks:Methods and Applications. Totowa: Springer, 2009: 14.
[48]

Rahmaulidyah F N, Hayati M N, Goejantoro R. Eksponensial, 2021, 12(2): 161.

[49]

Peterson L. Scholarpedia, 2009, 4(2): 1883.

[50]

Einasto M, Liivamägi L J, Saar E, Einasto J, Tempel E, Tago E, Martínez V J. Astron. Astrophys., 2011, 535: A36.
[51]

Walker R C, Hyer A P, Guo H Q, Ferri J K. Chem. Mater., 2023, 35(13): 4897.

[52]

Zhou Y K, Zheng S Q. J. Clean. Prod., 2020, 253: 119964.

[53]

Wang X H, Yuan Y, Wang L Y, Sun X X, Zhang T L, Liu C, Li Y B. J. Adv. Ceram., 2025, 14(12): 9221172.

[54]

Dierking I, Dominguez J, Harbon J, Heaton J. Liq. Cryst., 2023, 50(7/8/9/10): 1526.

[55]

Bergstra J, Bengio Y. Random search for hyper-parameter optimization. J. Mach. Learn. Research, 2012, 13(2): 281.
[56]

Park H S, Park I W, Kim D, Nah H Y, Yang J, Yeo J, Choi J, Choi J, Park H H, Choi H J. ACS Appl. Mater. Interfaces, 2025, 17(10): 15570.

[57]

Xiong F, Chen T S, Deng C B, Li Y F, Zeng Y. Adv. Eng. Sci., 2025, 57(5): 1.
[58]

(熊峰, 陈腾盛, 邓楚兵, 李云飞, 曾一. 工程科学与技术, 2025, 57(5): 1.)
[59]

Carmona P, Climent F, Momparler A. Int. Rev. Econ. Finance, 2019, 61: 304.

[60]

Velthoen J, Dombry C, Cai J J, Engelke S. Extremes, 2023, 26(4): 639.

[61]

Rong C, Zhou L, Zhang B W, Xuan F Z. Compos. Commun., 2023, 38: 101474.

[62]

Islam M A, Deighan D, Bhattacharjee S, Tantalo D, Singh P K, Salac D, Faghihi D. Comput. Mater. Sci., 2025, 258: 114035.

[63]

He C L, Zeng L J, Xue B, Zhang X X, Yu L Y, Xie L, Zheng Q. Compos. Sci. Technol., 2024, 251: 110579.

[64]

He C L, Yu L Y, Jiang Y, Xie L, Mai X P, Ai P, Xue B. J. Colloid Interface Sci., 2025, 688: 79.

[65]

Yoshikawa I, University K, Aghababaei Tafreshi O, Sun Y C, Matsuura N, Sotowa K I, University K, Naguib H E. Ind. Eng. Chem. Res., 2025, 64(22): 11099.

[66]

Yuan C C, Shi Y M, Ba Z C, Liang D X, Wang J, Liu X R, Xu Y B, Liu J R, Xu H B. Gels, 2025, 11(1): 70.

[67]

Owusu S Y, Amo-Boateng M, Soni R U. J. Mater. Chem. B, 2025, 13(21): 6233.

[68]

Zheng S W, Wang D F, Ren L K, Wang T, Meng Y Q, Ma R, Wang S L, Cui F C, Li T T, Li J R. Int. J. Biol. Macromol., 2024, 267: 131485.

[69]

Shen L, Xue W H, Hao M, Hu Y Q, Zhang X, Chen D F, Gao Z N, Zhou R, Bian H T, Jiang J C. Colloids Surf. A Physicochem. Eng. Aspects, 2026, 729: 138930.

[70]

Zheng S Q, Zhou Y K. Adv. Theory Simul., 2019, 2(9): 1970032.

[71]

Younes K, Kharboutly Y, Antar M, Chaouk H, Obeid E, Mouhtady O, Abu-samha M, Halwani J, Murshid N. Gels, 2023, 9(4): 304.

[72]

Zhou Y K. Energy, 2022, 258: 124815.

[73]

Zhou Y K. IScience, 2021, 24(12): 103420.

[74]

Pandit P, Abdusalamov R, Itskov M, Rege A. Sci. Rep., 2024, 14: 1511.

[1]
Kistler S S. Nature, 1931, 127(3211): 741.
[2]
Yoldas B E. J. Mater. Sci., 1975, 10(11): 1856.
[3]
Poco J F, Satcher J H Jr, Hrubesh L W. J. Non Cryst. Solids, 2001, 285(1/2/3): 57.
[4]
Hayase G, Nonomura K, Hasegawa G, Kanamori K, Nakanishi K. Chem. Mater., 2015, 27(1): 3.
[5]
Zu G Q, Shen J, Wei X Q, Ni X Y, Zhang Z H, Wang J C, Liu G W. J. Non Cryst. Solids, 2011, 357(15): 2903.
[6]
Zu G Q, Shen J, Wang W Q, Zou L P, Lian Y, Zhang Z H, Liu B, Zhang F. Chem. Mater., 2014, 26(19): 5761.
[7]
Pakharukova V P, Shalygin A S, Gerasimov E Y, Tsybulya S V, Martyanov O N. J. Solid State Chem., 2016, 233: 294.
[8]
Bararpour S T, Karami D, Mahinpey N. Fuel, 2019, 242: 124.
[9]
Horiuchi T, Osaki T, Sugiyama T, Masuda H, Horio M, Suzuki K, Mori T, Sago T. Faraday Trans., 1994, 90(17): 2573.
[10]
Horiuchi T, Osaki T, Sugiyama T, Suzuki K, Mori T. J. Non Cryst. Solids, 2001, 291(3): 187.
[11]
Osaki T, Nagashima K, Watari K, Tajiri K. J. Non Cryst. Solids, 2007, 353(24/25): 2436.
[12]
Baumann T F, Gash A E, Chinn S C, Sawvel A M, Maxwell R S, Satcher J H. Chem. Mater., 2005, 17(2): 395.
[13]
Tokudome Y, Nakanishi K, Kanamori K, Fujita K, Akamatsu H, Hanada T. J. Colloid Interface Sci., 2009, 338(2): 506.
[14]
Wen S Y, Ren H B, Zhu J Y, Bi Y T, Zhang L. J. Porous Mater., 2019, 26(4): 1027.
[15]
Hurwitz F I, Gallagher M, Olin T C, Shave M K, Ittes M Α, Olafson K N, Fields M G, Guo H Q, Rogers R B. Int. J. Appl. Glass Sci., 2014, 5(3): 276.
[16]
Zhang E S, Zhang W L, lv T, Li J, Dai J X, Zhang F, Zhao Y M, Yang J Y, Li W J, Zhang H. ACS Appl. Mater. Interfaces, 2021, 13(17): 20548.
[17]
Aravind P R, Mukundan P, Pillai P K, Warrier K G K. Microporous Mesoporous Mater., 2006, 96(1/2/3): 14.
[18]
Zou W B, Wang X D, Wu Y, Zu G Q, Zou L P, Zhang R Y, Yao X D, Shen J. J. Sol Gel Sci. Technol., 2017, 84(3): 507.
[19]
Liu Y L, Niu C, Wang Z, Gan Y, Zhu Y, Sun S H, Shen T. J. Mater. Sci. Technol., 2020, 57: 113.
[20]
Wu K, Sukumar N, Lanzillo N A, Wang C, “Rampi” Ramprasad R, Ma R, Baldwin A F, Sotzing G, Breneman C. J. Polym. Sci. Part B Polym. Phys., 2016, 54(20): 2082.
[21]
Talapatra A, Uberuaga B P, Stanek C R, Pilania G. Commun. Mater., 2023, 4: 46.
[22]
Wu Z H, Pan S R, Chen F W, Long G D, Zhang C Q, Yu P S. IEEE Trans. Neural Netw. Learning Syst., 2021, 32(1): 4.
[23]
Wei H, Zhao S S, Rong Q Y, Bao H. Int. J. Heat Mass Transf., 2018, 127: 908.
[24]
Cord M, Cunningham P. Machine learning techniques for multimedia: case studies on organization and retrieval. Berlin Heidelberg: Springer-Verlag, 2008.
[25]
Barlow H B. Neural Comput., 1989, 1(3): 295.
[26]
Kaelbling L P, Littman M L, Moore A W. J. Artif. Intell. Res., 1996, 4: 237.
[27]
Scherdel C, Miller E, Reichenauer G, Schmitt J. Processes, 2021, 9(4): 672.
[28]
Abdusalamov R, Pandit P, Milow B, Itskov M, Rege A. Soft Matter, 2021, 17(31): 7350.
[29]
Obeid E, Chaouk H, Mezher R, Gazo Hanna E, Mouhtady O, Halwani J, Younes K. Gels, 2023, 9(12): 935.
[30]
Fushiki T. Stat. Comput., 2011, 21(2): 137.
[31]
Goodarzi B V, Bahramian A R. J. Therm. Anal. Calorim., 2022, 147(11): 6227.
[32]
Wong T T. Pattern Recognit., 2015, 48(9): 2839.
[33]
Bhattacharjee S. Master’s Thesis of State University of New York at Buffalo, 2023.
[34]
Gao L, Lin J P, Wang L Q, Du L. Acc. Mater. Res., 2024, 5(5): 571.
[35]
Shrestha S, Barvenik K J, Chen T L, Yang H C, Li Y, Kesavan M M, Little J M, Whitley H C, Teng Z, Luo Y G, Tubaldi E, Chen P Y. Nat. Commun., 2024, 15: 4685.
[36]
Hou S D, Sun Q S, Xia D S. Neural Process. Lett., 2011, 34(3): 259.
[37]
Tuv E, Borisov A, Runger G, Torkkola K. J. Mach. Learn. Research, 2009, 10(45): 1341.
[38]
Benesty J, Chen J D, Huang Y T, Cohen I. Noise reduction in speech processing. Berlin Heidelberg: Springer, 2009: 1.
[39]
Shen C C, Sheng Q, Zhao H F. Mech. Mater., 2023, 186: 104804.
[40]
Tafreshi O A, Saadatnia Z, Ghaffari-Mosanenzadeh S, Okhovatian S, Park C B, Naguib H E. SPE Polym., 2023, 4(1): i.
[41]
Liu H, Xia X L, Xie X Q, Ai Q, Li D H. Int. J. Therm. Sci., 2017, 121: 192.
[42]
Chaouk H, Obeid E, Halwani J, Arayro J, Mezher R, Mouhtady O, Gazo-Hanna E, Amine S, Younes K. Gels, 2024, 10(9): 554.
[43]
Hearst M A, Dumais S T, Osuna E, Platt J, Scholkopf B. IEEE Intell. Syst. Their Appl., 1998, 13(4): 18.
[44]
Suthaharan S. Machine learning models and algorithms for big data classification. New York: Springer, 2016.
[45]
Belgiu M, Dr?gu? L. ISPRS J. Photogramm. Remote Sens., 2016, 114: 24.
[46]
Insur. Med., 2017, 47(1): 31.
[47]
Zou J M, Han Y, So S S. Overview of artificial neural networks. In Artificial Neural Networks:Methods and Applications. Totowa: Springer, 2009: 14.
[48]
Rahmaulidyah F N, Hayati M N, Goejantoro R. Eksponensial, 2021, 12(2): 161.
[49]
Peterson L. Scholarpedia, 2009, 4(2): 1883.
[50]
Einasto M, Liivam?gi L J, Saar E, Einasto J, Tempel E, Tago E, Martínez V J. Astron. Astrophys., 2011, 535: A36.
[51]
Walker R C, Hyer A P, Guo H Q, Ferri J K. Chem. Mater., 2023, 35(13): 4897.
[52]
Zhou Y K, Zheng S Q. J. Clean. Prod., 2020, 253: 119964.
[53]
Wang X H, Yuan Y, Wang L Y, Sun X X, Zhang T L, Liu C, Li Y B. J. Adv. Ceram., 2025, 14(12): 9221172.
[54]
Dierking I, Dominguez J, Harbon J, Heaton J. Liq. Cryst., 2023, 50(7/8/9/10): 1526.
[55]
Bergstra J, Bengio Y. Random search for hyper-parameter optimization. J. Mach. Learn. Research, 2012, 13(2): 281.
[56]
Park H S, Park I W, Kim D, Nah H Y, Yang J, Yeo J, Choi J, Choi J, Park H H, Choi H J. ACS Appl. Mater. Interfaces, 2025, 17(10): 15570.
[57]
Xiong F, Chen T S, Deng C B, Li Y F, Zeng Y. Adv. Eng. Sci., 2025, 57(5): 1.
 
(熊峰, 陈腾盛, 邓楚兵, 李云飞, 曾一. 工程科学与技术, 2025, 57(5): 1.)
[58]
Carmona P, Climent F, Momparler A. Int. Rev. Econ. Finance, 2019, 61: 304.
[59]
Velthoen J, Dombry C, Cai J J, Engelke S. Extremes, 2023, 26(4): 639.
[60]
Rong C, Zhou L, Zhang B W, Xuan F Z. Compos. Commun., 2023, 38: 101474.
[61]
Islam M A, Deighan D, Bhattacharjee S, Tantalo D, Singh P K, Salac D, Faghihi D. Comput. Mater. Sci., 2025, 258: 114035.
[62]
He C L, Zeng L J, Xue B, Zhang X X, Yu L Y, Xie L, Zheng Q. Compos. Sci. Technol., 2024, 251: 110579.
[63]
He C L, Yu L Y, Jiang Y, Xie L, Mai X P, Ai P, Xue B. J. Colloid Interface Sci., 2025, 688: 79.
[64]
Yoshikawa I, University K, Aghababaei Tafreshi O, Sun Y C, Matsuura N, Sotowa K I, University K, Naguib H E. Ind. Eng. Chem. Res., 2025, 64(22): 11099.
[65]
Yuan C C, Shi Y M, Ba Z C, Liang D X, Wang J, Liu X R, Xu Y B, Liu J R, Xu H B. Gels, 2025, 11(1): 70.
[66]
Owusu S Y, Amo-Boateng M, Soni R U. J. Mater. Chem. B, 2025, 13(21): 6233.
[67]
Zheng S W, Wang D F, Ren L K, Wang T, Meng Y Q, Ma R, Wang S L, Cui F C, Li T T, Li J R. Int. J. Biol. Macromol., 2024, 267: 131485.
[68]
Shen L, Xue W H, Hao M, Hu Y Q, Zhang X, Chen D F, Gao Z N, Zhou R, Bian H T, Jiang J C. Colloids Surf. A Physicochem. Eng. Aspects, 2026, 729: 138930.
[69]
Zheng S Q, Zhou Y K. Adv. Theory Simul., 2019, 2(9): 1970032.
[70]
Younes K, Kharboutly Y, Antar M, Chaouk H, Obeid E, Mouhtady O, Abu-samha M, Halwani J, Murshid N. Gels, 2023, 9(4): 304.
[71]
Zhou Y K. Energy, 2022, 258: 124815.
[72]
Zhou Y K. IScience, 2021, 24(12): 103420.
[73]
Pandit P, Abdusalamov R, Itskov M, Rege A. Sci. Rep., 2024, 14: 1511.

基金资助

国防科技大学自主科研基金项目(23-ZZCX-ZZGC-01-09)

湖南省自然科学基金项目(2025JJ20045)

国家重点研发计划(2022YFC2204403)

PDF (2701KB)

88

访问

0

被引

详细
导航
相关文章

/

〈 〉

地址：北京中关村北四环西路33号
邮编：100190
电话：010-82627757
传真：010-82627757
E-mail：progchem@mail.las.ac.cn
网址：http://www.progchem.ac.cn
  • 扫一扫，关注本刊公众号
    • 　
    版权所有：《化学进展》编辑部