预测聚合物熔体黏度的物理约束神经网络

通过增材制造获得优异的聚合物组件依赖于对流变学的精确控制。与增材制造尤为相关的一个关键流变性质是熔体黏度（$\eta$）。熔体黏度受聚合物化学结构、分子量（$M_w$）、多分散性、诱导剪切速率（$\dot\gamma$）和加工温度（$T$）的影响。$\eta$ 与 $M_w$、$\dot\gamma$ 和 $T$ 之间的关系可以通过参数化方程来刻画。拟合这些参数需要进行多次物理实验，因此预测未探索物理领域中新型聚合物材料的 $\eta$ 是一个费力的过程。在此，我们开发了一种物理约束神经网络模型，该模型预测经验参数并编码参数化方程，以将 $\eta$ 计算为聚合物化学结构、$M_w$、多分散性、$\dot\gamma$ 和 $T$ 的函数。我们将 PENN 与无物理感知的人工神经网络和高斯过程回归模型进行了基准对比。最后，我们证明，当对稀疏观测的聚合物外推至未见的 $M_w$、$\dot\gamma$ 和 $T$ 值时，PENN 提供了更优的 $\eta$ 值。