团队近期成果--基于文献挖掘的碳纤维增强聚合物弯曲强度预测
我们团队在《Journal of Materials Research and Technology》（IF: 7.3，中科院二区）上发表论文“Prediction of Flexural Strength of Carbon Fiber Reinforced Polymers Based on Literature Mining”。该论文以上海大学计算机工程与科学学院为第一单位。
碳纤维增强聚合物（Carbon Fiber Reinforced Polymers, CFRPs）因其高强度、轻量化和耐腐蚀等优良性能，被广泛应用于航空航天、汽车、建筑及能源等领域。CFRPs的弯曲强度受到材料组成、制备工艺、加工参数及试样尺寸等多种因素共同影响，而传统材料性能优化通常依赖大量实验，存在耗时长、成本高等问题。同时，现有复合材料文献中积累了大量材料组成、工艺参数及性能数据，但由于专业实体类型复杂、上下文依赖性强，难以实现高效自动提取。为了应对这些问题，本文提出了一种融合文献挖掘与机器学习的CFRPs弯曲强度预测方法，通过自动提取科学文献中的关键材料信息，为材料性能预测与工艺优化提供数据支撑。
具体而言，本文首先构建了包含13类复合材料实体的专业文献数据集CompMatLitDS，并提出基于异构图的语义增强实体识别模型SRGN（Semantic-Rich Graph Networks）。SRGN融合字符级、词级和基于MatSciBERT的上下文语义表示，并结合自注意力机制与异构图结构，对上下文信息和实体类型关系进行联合建模，从而提升复杂材料实体的识别能力。在此基础上，利用SRGN从210篇相关文献中自动提取材料与工艺信息，经整理获得105组弯曲强度数据，并采用XGBoost、随机森林、GBDT和决策树建立性能预测模型。在CompMatLitDS数据集上，SRGN取得了95.83%的Precision、95.07%的Recall和95.45%的F1-score；在弯曲强度预测任务中，随机森林和XGBoost在测试集上的R²均达到0.93，其中随机森林取得了更低的预测误差。进一步结合特征重要性与SHAP分析，揭示了固化温度、固化时间等关键工艺参数对CFRPs弯曲强度的影响，为复合材料性能预测和工艺参数优化提供了新的数据驱动方法。
论文链接：Prediction of flexural strength of carbon fiber reinforced polymers based on literature mining
