磁流變彈性體(MRE)是一類能通過磁場實時調控機械性能的智能材料，在汽車減震器、建筑隔震等領域展現出巨大潛力。然而，其核心參數——剪切儲能模量的精準預測長期面臨兩大難題：微觀模型難以描述復雜工藝制備的MRE磁感應特性，宏觀模型對非線性因素的刻畫精度不足。傳統實驗方法雖直接可靠，但耗時耗力，嚴重制約MRE的工程應用效率。

中國礦業大學的研究團隊在《Engineering Applications of Artificial Intelligence》發表的研究中，創新性地構建了RICBM混合深度學習模型。該模型通過五步協同機制實現突破：首先用隨機森林(RF)篩選關鍵特征；隨后引入空間金字塔匹配(SPM)混沌映射和非線性權重改進足球訓練算法(IFTTA)；接著搭建CNN-BiLSTM網絡架構并利用IFTTA優化參數；最后通過多頭注意力機制(MAT)強化特征重要性。研究團隊制備了25組不同參數的MRE樣本，通過流變儀測試建立包含6輸入1輸出特征的數據庫進行驗證。

關鍵技術方法包括：1) 基于SPM混沌映射的IFTTA算法優化；2) CNN-BiLSTM時空特征提取網絡構建；3) 多模態數據融合的RF特征選擇；4) 25組MRE樣本的制備與流變學測試。

Random forest
RF分析確認磁場強度、鐵粉含量、硅油比例等6個參數為關鍵影響因素，特征重要性評分均>0.85，為后續建模提供數據基礎。

Preparation of MRE samples
采用3μm羰基鐵粉(CIP)、室溫硫化硅橡膠(RTV-2)和硅油(SO)制備各向異性MRE，垂直磁場固化工藝確保鏈狀結構形成，流變儀測試獲得108組有效數據。

Conclusions and future works
研究顯示：1) RICBM模型預測精度較傳統理論模型提升12.7%，決定系數達0.99；2) IFTTA使CNN-BiLSTM收斂速度提升40%；3) 預測耗時僅為實際制備測試的1/20。該成果不僅為MRE性能快速評估建立新范式，其混合建模思路對其它智能材料研究具有借鑒意義。未來工作將拓展模型在寬頻振動條件下的適用性。

CRediT authorship contribution statement
王啟宇、彭萊等作者分工明確，涵蓋從概念設計、算法開發到實驗驗證的全流程，國家自然科學基金(51975568等)和江蘇省研究生實踐創新計劃(KYCX25_2831)提供支持。

這項研究標志著機器學習在智能材料領域應用的重要進展，其提出的RICBM框架實現了MRE性能預測從"試錯式實驗"向"數字化推演"的跨越，為智能減震裝備的精準設計奠定理論基礎。