Korrelationsgesteuerte Merkmalsauswahl von RDKit-Deskriptoren und molekularen Fingerabdrücken zur Vorhersage der Glasübergangstemperatur von Polyurethan

ZUSAMMENFASSUNG Diese Arbeit präsentiert einen datengetriebenen Rahmen zur Vorhersage der Glasübergangstemperatur ( T g ) von Polyurethan mittels maschinellen Lernens. Es wurde eine kuratierte literaturbasierte Datenbank erstellt, und molekulare Strukturen wurden mit SMILES-Deskriptoren kodiert. Nach der Vorverarbeitung wurden vier Regressionsmodelle – SVR, Entscheidungsbaum, Random Forest und eXtreme Gradient Boosting (XGBoost) – trainiert, wobei XGBoost die beste Leistung ( R 2 ≈0,903) und starke Generalisierung zeigte. Die Merkmalsauswahl wurde mittels Pearson-Korrelationsanalyse verfeinert. Vergleiche mit Morgan-Fingerabdrücken zeigen, dass SMILES-Deskriptoren überlegene Vorhersagegenauigkeit und klarere Struktur-Eigenschafts-Einblicke bieten. SHAP- und ALE-Interpretationswerkzeuge enthüllen weiter, wie spezifische chemische Merkmale T g beeinflussen, was die physikalische Zuverlässigkeit des Modells unterstützt. Insgesamt bietet diese Studie einen genauen und interpretierbaren Ansatz zur Vorhersage von Polymereigenschaften und liefert praxisnahe Hinweise für das Design von Polyurethan-Materialien der nächsten Generation.