成功案例丨基于 AI 的化合物配比优化解决方案

在化合物制造行业中，化合物的配比是产品质量控制的关键环节。

化合物制造流程

目前，这一过程高度依赖于材料专家和工程技术人员的经验，通过反复试验来验证产品性能，确保其满足市场和客户的要求。然而，这种传统的试错方法存在着显著的局限性，包括周期长、成本高，无法保证每次都能找到最接近的配比方案。

利用AI技术通过机器学习和深度学习算法，分析历史数据来预测化合物在不同配比下的性能。

• 数据收集与分析：AI 技术首先收集大量的历史数据，包括化合物的性能数据和原材料特性数据，为后续的分析和预测提供基础。

• 建立预测模型：利用机器学习算法，AI 对数据进行预处理和特征提取，自动学习配比与化合物性能之间的关系，构建出预测模型。

• 优化与评估：在寻找新的配比方案时，AI 技术能迅速利用已建立的模型进行预测和评估，帮助科研人员快速定位到最佳配比，显著提高研发效率。

客户目前要生产一款高性能粘合剂，但其研发面临核心痛点：

• 配方开发的复杂性：传统试错法效率低下，难以同时满足化学稳定性、机械性能和热稳定性的高标准。大量实验不仅耗时，而且可能无法找到理想的配方。

• 实验的不确定性：即使条件相同，实验结果也可能因操作或环境差异而无法重现，这阻碍了有效的性能评估和决策。

• 严格的性能测试要求：汽车领域对粘合剂的性能有严苛标准。任何一项测试失败都可能导致配方调整，进而延长开发周期。

所以，他们需要找到一个粘合剂配方，能够使得热分解温度在350℃，拉伸强度在100MPA，质量损失在3%附近的高性能粘合剂。

为解决这些痛点，企业正转向利用AI技术，以期通过智能算法快速筛选和优化配方，提高研发效率，降低成本，并加速产品上市。

粘合剂制作过程：

特征提取：

优化逻辑是，基于已有的的粘合剂的历史数据进行建模，可以通过DOE的方式生成新的配比数据，通过模型进行预测并进行优化。

在进行数据融合的时候，会存在不同的化合物使用的原材料和工艺是不同的。那么在做数据融合的时候，需要把当前没有添加的原材料和没有使用到的工艺设置为0。在特征处理时候需要注意几种情况：

• 部分工艺可能只在某一个粘合剂合成的时候出现，在出现的占比中非常少，这种属于正常情况，所以不需要把空值过多的列进行删除。

  
  

• 多目标优化的时候，需要根据目标的需要进行变量的衍生。例如：我需要热分解温度要在350℃，质量损失为3%，拉伸强度为100MPA，那么我就创建一个变量名为“Com”的变量，公式是：

  （[热分解温度]-350）^2+ （[拉伸强度]-100）^2+ （[质量损失]）^2    

我们在优化的时候只需要让当前的“Com”为0即可找到我们的最优粘合剂配比方案。

总体流程以及步骤分解

通过利用RapidMiner AI Studio的模拟功能，我们成功地进行了高性能粘合剂的模拟实验。经过对大量数据基于机器学习算法的优化迭代，我们找到了满足高性能粘合剂所有性能要求的最优配比方案。

Altair（纳斯达克股票代码：ALTR）是计算智能领域的全球领导者之一，在仿真、高性能计算 (HPC) 和人工智能等领域提供软件和云解决方案。Altair 能使跨越广泛行业的企业们在连接的世界中更高效地竞争，并创造更可持续的未来。

公司总部位于美国密歇根州，服务于13000多家全球企业，应用行业包括汽车、消费电子、航空航天、能源、机车车辆、造船、国防军工、金融、零售等。