（来源：买化塑）

　　研究人员将表格先验拟合网络（TabPFN）与 NSGA‑II 遗传算法相结合，实现催化红外（CIR）固化热固性粉末涂料的质量预测与工艺优化。相较于热风固化方案，该方法可将固化时长缩短 47%～77%，同时提升涂层力学性能。

　　催化红外（CIR）辐射固化在热固性粉末涂料领域表现优异，但目前缺少预测模型，涂料工艺手册中也缺乏固化参数指导，难以实现精准的过程控制。针对这一痛点，研究团队搭建了一套多目标优化框架：把面向小样本学习的新型算法 —— 表格先验拟合网络（TabPFN），与带精英策略的非支配排序遗传算法（NSGA‑II）耦合使用。研究选取 1 款聚酯粉末涂料以及 2 款混合型粉末涂料开展试验。

　　研究采用拉丁超立方抽样生成 150 组试验方案，围绕五项质量指标开展测试评估：附着力、硬度、抗冲击性、色差（ΔE）以及光泽度。将 TabPFN 模型与多元线性回归、支持向量机、随机森林、极端随机树、决策树、极限梯度提升、人工神经网络共 7 种基准算法进行对比验证。结果表明，TabPFN 无需调参即可达到相近的预测精度，训练耗时仅 26 秒，非常适合工程落地应用。

　　SHAP 分析揭示固化参数的作用规律

　　研究借助 SHAP（沙普可加解释）分析方法，解析固化参数对涂层性能的影响机制。结果显示，单面加热工况下，固化距离的影响尤为显著。三款涂料呈现出相近规律：提高辐射强度会降低光泽度，但可提升附着力、抗冲击性能并改变色差（ΔE）。这说明力学性能与外观效果之间存在权衡关系，配方工程师与涂装施工人员需要二者兼顾。

　　优化方案验证，实现更快固化

　　研究将 TabPFN‑NSGA‑II 优化框架结合 TOPSIS（逼近理想解排序法）筛选最优固化参数组合。试验验证证实该框架可靠，平均相对误差不高于 8.10%。对比传统热风固化工艺，催化红外固化可缩短 47%～77% 的固化时间，同时改善涂层力学性能；但高辐射强度会对涂层外观造成不利影响。研究者表示，该方案可为工业场景下热固性粉末涂料催化红外固化工艺的优化提供一套实用的数字化工具。

　　文献来源：Yuan Y 等人，基于 TabPFN 与 NSGA‑II 框架的催化红外固化热固性粉末涂料：质量预测、机理解释及工艺优化，《涂料技术与研究期刊》，2026 年

　　原文来源：european-coatings，买化塑编译