团队近期成果--基于材料文献构建的知识图谱预测纤维增强复合材料的抗拉强度性能
我们团队在国际期刊《Polymer Composites》(IF:4.7, 中科院二区)上发表论文”The Prediction of Tensile Strength Performance of Fiber-Reinforced Composites Based on a Knowledge Graph Constructed From Material Literature”。该论文上海大学计算机工程与科学学院为第一单位，陈侨川为第一作者，赵宸为第二作者，韩越兴和宋娜为共同通讯作者。
纤维增强聚合物复合材料的拉伸强度预测，本质上依赖于对“材料组分—成型工艺—力学性能”关系的准确理解；但由于复合材料实验周期长、成本高，直接通过实验获取足量数据往往十分困难。与此同时，相关文献快速累积，使得通过文献挖掘与预测建模来替代部分实验探索，成为一条可行路径。
为突破“数据难得、知识分散”的瓶颈，我们团队提出了一套融合文献数据抽取—知识图谱构建—机器学习预测的一体化方案：先系统整理并构建复合材料数据集ComMat，覆盖材料、工艺、测试与性能等关键要素；再利用联合抽取模型PFPMHN从文献中抽取结构化三元组，进而搭建领域知识图谱，并通过反向查询与特征筛选锁定与拉伸强度高度相关的关键因素。
在此基础上，我们将筛选出的特征用于训练预测模型，在拉伸强度预测中取得较高精度；通过结合特征重要性分析、SHAP分析与OAT敏感性分析，进一步识别并验证影响拉伸强度的关键变量，为复合材料配方与工艺优化提供了可操作的决策依据。