米乐m6官方网站 利用机器学习开发纳米纤维素的新评估技术

米乐m6官方网站（以下简称“AIST”）功能化学研究部榊原敬太研究组组长、中山町研究员和熊谷昭夫研究员将使用机器学习技术纳米纤维素的比表面积来自沉降测量。由于纳米纤维素是从碳中性生物质中获得的，因此它作为环境友好材料具有很大的潜力，有望为实现循环经济做出贡献。源自纳米纤维素形状的性能，例如纤维宽度、长度和比表面积，是决定纳米纤维素用作水分散体或复合材料中的增强纤维时的物理性能和质量的重要参数。传统技术采用显微观察和气体吸附方法进行这些评估，但预处理和测量需要大量的时间和精力（大约10天）。另一方面，虽然纳米纤维素在水分散体中的逐渐沉降行为包含有关其形状的信息，但目前还没有有效提取该信息的方法。这次，通过利用机器学习将沉降行为与比表面积联系起来，我们成功开发了一种预测技术，可以轻松快速（大约1天）获得从形状衍生的信息。该技术可用于质量控制，因为它可以轻松评估纳米纤维素形状的差异。此外，它还可以根据使用纳米纤维素的产品的物理性能和比表面积之间的相关性来预测聚丙烯/纳米纤维素复合材料的物理性能。综上所述，预计该技术将在整个纳米纤维素行业得到广泛应用。

该技术的详细信息将于 2025 年 2 月 4 日发布。碳水化合物聚合物技术与应用

纳米纤维素是一种通过植物生物质纤维（木材、草等）解纤得到的天然纤维素纳米纤维，近年来在循环经济中发挥着越来越重要的作用，循环经济旨在实现资源循环和经济增长。纳米纤维素作为一种可以替代石油衍生资源的可持续材料而受到关注，有望为促进碳中和和减少环境影响做出巨大贡献。此外，由于其轻质和高强度的特性，它越来越多地被用作塑料的替代品，并作为轻质材料应用于汽车零部件、包装材料和体育用品等广泛领域。

然而，促进纳米纤维素社会实施的挑战之一是原材料和解纤度的差异引起的纤维形状（纤维宽度、纤维长度、分支等）的变化。由于纤维形状影响纳米纤维素的物理性能，因此我们使用电子显微镜或原子力显微镜评估纤维的宽度和长度，并测量干燥产品的气体吸附比表面积已进行测量。然而，这些方法需要时间和精力，因此提高效率是一个挑战。如果能够快速、轻松且高精度地评估纳米纤维素的形状，这将有助于纳米纤维素制造现场和使用现场的质量控制。此外，通过现场评估，我们将能够提供满足门店需求的纳米纤维素。

AIST 一直致力于基础技术的研究和开发，以促进纳米纤维素的社会应用。通过与企业的合作，我们在日用品、高显色材料、食品等领域积累案例研究，并着眼于各种连锁反应进行社会实施和市场开发。在此过程中，我们证实纳米纤维素的沉降行为往往取决于原纤化程度，但很难从沉降行为中得出定量的比表面积值。因此，我们致力于利用各种类型和原纤化程度的纳米纤维素的沉降行为和比表面积数据来构建机器学习模型。

这项开发得到了日本学术振兴会青年科学家补助金（JP23K13785，2023-2025）的部分支持。

纳米纤维素的沉降行为通过将光照射到含有水分散体的玻璃瓶上并评估透射光来评估液体稳定性评价装置测量从140多个具有不同纤化程度的样品中获得沉降数据，并将数据计算为沉降速度。功能或沉淀热图我将其转换为图像，并使其成为适合机器学习的数据格式（图 1）。在热力图上，透光率高的红色区域随着时间的推移而扩大。这表明纳米纤维素沉降并且透光率增加。此外，通过气体吸附测量单独评估了用于学习的纳米纤维素的比表面积值。

根据获得的沉降数据和比表面积数据构建机器学习模型，并将使用卷积神经网络（CNN）的深度学习应用于沉降热图，它是预测精度的指标决定系数（R²) 达到了 094 的高精度。在CNN中，我们使用含有许多未原纤化纤维的低比表面积纳米纤维素和含有许多细纳米纤维的高比表面积纳米纤维素的混合物样本进行学习，使得从纤维形状变化较大的纳米纤维素中获得解决方案成为可能。此外，即使在使用条件分支以低计算成本结合沉降速度和非线性预测的模型中，R²=079。

此外，深度学习模型重点关注沉降热图的哪一部分？毕业生 CAM分析时，发现焦点位于沉积部分和上清液之间的界面（图2）。人类评价方法侧重于透光率变化较大且正在进行沉降的上清液部分，但很明显，机器学习模型侧重于透光率变化较小的部分。这一结果表明沉积物和上清液之间的界面可能包含有关纳米纤维素形态的重要信息。

我们发现，该机器学习模型根据沉降数据预测的比表面积值也可以用于预测聚丙烯/纳米纤维素复合材料的物理性能。在之前的报告中，我们根据纳米纤维素的比表面积数据和化学结构数据预测了聚丙烯复合材料的冲击功值^＊注当我们使用机器学习模型预测的比表面积值时，我们能够以良好的精度预测树脂复合材料的冲击能值（图3）。此外，我们发现，使用从沉降数据预测的比表面积值比使用从气体吸附测量计算的比表面积值来预测冲击能量值的准确性更高。冲击强度是材料受到冲击时的韧性和脆性的指标，对于需要耐冲击性的产品至关重要。为了研究冲击强度，需要进行破坏性测试，因此该方法可以减少复合材料开发优化过程中涉及的试错量。

新的比表面积预测方法可以比传统方法更快地评估材料特性，从而提高产品开发速度并缩短上市时间。此外，通过使用它进行多批次的质量控制，可以进行更准确的安全评估。

为了传播这次开发的分析技术，纳米纤维素工作室''是一家具有代表性的公司，我们希望为加速纳米纤维素的社会落地做出贡献。此外，未来我们的目标是利用人工智能技术开发一种系统，可以快速预测实际应用所需的各种特性，例如纳米纤维素的耐久性和长期稳定性。

已出版的杂志：碳水化合物聚合物技术与应用
论文标题：机器学习辅助纤维素纳米纤维沉降分析以预测比表面积
作者：中山小勇、熊谷昭夫、榊原启太
DOI：101016/jcarpta2025100697 

纳米纤维素

纳米纤维素（又称纤维素纳米纤维）是以木、草等植物生物质纤维、纸浆为原料制成的宽度为3纳米以上、长度为数百至数十纳米的高长径比纳米纤维。制造方法大致可分为两种：使用盘磨机或高压均质机等解纤装置的机械解纤，以及使用TEMPO催化氧化等预处理的化学解纤。在本次演讲中，我们将重点介绍通过机械解纤获得的纳米纤维素，并通过增加解纤次数来减少纤维形状的变化。纳米纤维素源自纤维素分子链的坚固晶体，具有高强度、高弹性等优异的机械性能，并且重量轻（比重=约15 g/cm）。³)，具有低热膨胀、可生物降解、可再生资源等特点，使得减轻材料重量、消除石油资源和CO成为可能₂预计会有所减少。[返回来源]

解纤度

通过重复机械解纤，生物质原料逐渐变成均匀的纳米纤维。解纤度是表示阶段性解纤后的纳米纤维的解纤程度的指标。纳米纤维素的原纤化程度与机械原纤化处理的次数密切相关。[返回参考源]

比表面积

单位质量（单位：g）的表面积（单位：m）²)（单位：米²/g)。一般来说，已解纤的纳米纤维越细往往具有越大的比表面积。[返回来源]

液体稳定性评价装置

该分析仪配备可上下移动的光源和检测器，可以综合测量样品高度方向的透光率。它还可以跟踪任意时间间隔随时间的透光率，使其适合评估和分析分散液的沉降行为。[返回来源]

功能

代表机器学习中目标数据特征的值。特征以数字、类别、图像等形式表示原始测量数据，是机器学习模型发现模式和做出准确预测的基础。[返回来源]

热图

这是一种将数据直观地表达为颜色并将其显示为二维图像的方法。它是一种易于用于机器学习的数据格式。[返回来源]

决定系数

回归分析中用于评估预测模型准确性的指数，表示预测数据与实际值的匹配程度。R²R²表示在0和1之间，越接近1，模型的准确率越高。[返回来源]

毕业生 CAM

Grad-CAM（梯度加权类激活映射）是一种可视化技术，可在进行特定预测时可视化模型关注的深度学习模型的哪一部分。这使您可以了解模型关注的领域，使其更具可解释性。[返回来源]

纳米纤维素工作室

这是 AIST 功能化学研究部发起的一项举措，旨在通过联合研究协议和技术咨询协议与 AIST 合作的公司和其他参与组织加速纳米纤维素的实际应用。通过讲座和意见交流会，我们将分享参与组织的担忧并补充其技术，从而为参与组织之间的匹配做出贡献。[返回来源]

^＊注中山小由、榊原启太、“通过选择生物质填料提高 PP/纤维素复合材料冲击强度的机器学习策略”，先进材料科学与技术, 2024, 25(1), 2351356