Machine Learning Approach to Characterize the Adhesive and Mechanical Properties of Soft Polymers Using PeakForce Tapping AFM
Machine Learning Approach to Characterize the Adhesive and Mechanical Properties of Soft Polymers Using PeakForce Tapping AFM
复制标题
使用 PeakForce Tape AFM 表征软聚合物的粘合和机械性能的机器学习方法
DOI：
10.1021/acs.macromol.2c00147
复制
发表时间：
2022
期刊：
影响因子：
5.5
通讯作者：
Raman, Arvind
中科院分区：
文献类型：
--
作者：
Rajabifar, Bahram;Meyers, Gregory F.;Wagner, Ryan;Raman, Arvind
我们开发了一种基于增强Attard模型（EAM）的算法来模拟软粘接聚合物上的峰值力敲击（PFT）原子力显微镜（AFM）。模拟增强了我们对微悬臂-表面相互作用的理解，预测了表面动力学，并说明了粘弹性和粘附在PFT AFM观测值中的作用。所开发的算法所预测的行为不能用替代的接触力学模型完全再现。在本研究的第二部分，我们利用PFT AFM模拟的输出来训练一种数据分析方法，该方法可以从实验获得的PFT AFM数据中定量估计表面的粘弹性和粘附性能。我们演示了机器学习（ML）算法的性能，以估计具有不同标称刚度的三种弹性体等级的性能。使用ML算法从PFT AFM数据中提取的性质与这些聚合物的体性质非常吻合。
We develop an algorithm based on the enhanced Attard’s model (EAM) to simulate PeakForce tapping (PFT) atomic force microscopy (AFM) on soft adhesive polymers. The simulations enhance our understanding of microcantilever–surface interactions, predict surface dynamics, and illustrate the role of viscoelasticity and adhesion on PFT AFM observables. Behaviors predicted by the developed algorithm cannot be fully reproduced with alternative contact mechanics models. In the second part of this study, we utilize the output of our PFT AFM simulations to train a data analytics approach that quantitatively estimates a surface’s viscoelastic and adhesive properties from experimentally acquired PFT AFM data. We demonstrate the performance of a machine learning (ML) algorithm to estimate the properties of three elastomer grades with different nominal stiffnesses. The properties extracted from the PFT AFM data using the ML algorithm agree well with the bulk properties of these polymers.
登录
查看更多内容
影响因子：
2.3
作者：
Rajabifar, Bahram;Wagner, Ryan;Raman, Arvind
通讯作者：
Raman, Arvind
影响因子：
5.5
作者：
Rajabifar, Bahram;Jadhav, Yoti M.;Raman, Arvind
通讯作者：
Raman, Arvind
影响因子：
4.6
作者：
Dokukin ME;Sokolov I
通讯作者：
Sokolov I
影响因子：
3.3
作者：
Attard, P
通讯作者：
Attard, P