11月4日消息，据European Coatings报道，研究人员构建了一套用于催化红外（CIR）固化热固性粉末涂料的AI预测优化框架，将表格型先验数据拟合网络TabPFN与NSGA-II遗传算法相结合，用于预测并优化固化质量。

催化红外固化在热固性粉末涂料中性能表现优异，但长期缺乏可靠的预测模型和固化参数指引，工艺开发依赖试错。该研究用拉丁超立方抽样生成150组实验数据集，在五个质量维度上评估：附着力、硬度、耐冲击性、色差等关键指标，训练出可预测固化质量的代理模型。

团队进一步用SHAP（Shapley加性解释）方法解析各工艺参数的影响权重，结果显示固化距离对涂层性能的影响尤为突出；再结合TOPSIS多准则决策方法，从帕累托前沿中筛选最优固化参数组合，并通过实验验证了优化结果的可靠性。

对粉末涂料产线而言，这类"小样本表格数据+进化算法"的建模路线，可以在不建大模型、不依赖海量产线数据的前提下落地，用于固化炉参数设定与新产品导入的工艺窗口收敛，缩短从实验室配方到量产的周期，也契合涂料行业数字化生产的方向。 （来源：European Coatings）