Застосування ансамблевих алгоритмів машинного навчання для моделювання термомеханічних властивостей нанонаповнених епоксидних композитів

Стаття присвячена комплексному підходу до прогнозування теплостійкості пластифіко-ваних епоксидних нанокомпозитів. Метою дослідження було застосувати ансамблеві алго-ритми машинного навчання для визначення ключових механічних факторів при прогно-зуванні теплостійкості епоксидних нанокомопзитів та створення надійного методу їх відбору для подальшого моделювання. Для досягнення мети застосовано двоетапну гібридну методологію. На першому етапі використано ансамблеві алгоритми машинного навчання, зокрема метод f_regression, для розрахунку важливості ознак (feature importance), оцінки їх інформативності (Information Value) та визначення рівня узгодженості (Consistency Score) між різними моделями. На другому етапі виконано класичний статистичний аналіз, включно з кореляцією Пірсона та одновимірним F-тестом, для оцінки лінійних зв’язків. Результати виявили високу узгодженість між методами. Встановлено, що Elastic modulus та Adhesive strength мають стабільно високу значущість (Information Value  0.15 та 0.12 відповідно; Consistency Score 82% та 81% відповідно) і є ключовими детермінантами теп-лостійкості. Навпаки, Destruction stresses та Residual Stresses є абсолютно неінформатив-ними (Information Value  0) та рекомендовані до виключення з моделей. Концентрація Filler показала мінімальний вплив у досліджуваному діапазоні. Таким чином доведено ефективність гібридного підходу, що поєднує класичну статистику та машинне навчання, для об’єктивного та обґрунтованого відбору ознак при прогнозуванні властивостей компо-зитних матеріалів. Запропонований алгоритм дій дозволяє створювати спрощені, інтер-претовані та точні моделі прогнозування для інженерного проєктування.