CarbonClaw 智能材料合成优化平台

纳米碳材料 · 高分子纤维 · 贝叶斯优化 — 智能研究助手

自动化合成实验平台

基于大语言模型的自动化实验参数推荐、模板填写与多模态结果分析系统

一、平台概述

自动化合成实验平台（carbonclaw/platform）是面向真实碳纤维合成产线的端到端闭环优化系统。平台以大语言模型为核心决策引擎，实现从用户目标解析、实验模板填写、参数推荐到实验结果多模态分析的全流程自动化，支撑研究人员高效完成多轮迭代优化。

实验准备阶段
用户目标
自然语言输入
→
模板解析
template_schema
→
参数分类
param_classifier
→
LLM策略推荐
prompt_builder
→
模板填写
template_filler
↓
提交xlsx至产线
分析迭代阶段
实验执行
自动化产线
→
数据采集
data_parser
→
可视化分析
data_visualizer
→
LLM多模态分析
result_analyzer
↑ 基于分析结果自动生成下一轮实验参数，循环迭代直至达标 ↑

二、模板解析与参数体系

平台基于工厂真实生产模板（xlsx格式），包含 434行 x 11列 的完整工艺参数表，涵盖 97道工序、433个参数。通过 param_classifier.py 将全部参数自动划分为五个层级：

27
72
114
120
100
CHEMISTRY_CORE 化学核心
决定材料本征性能的关键化学参数，如单体配比、催化剂用量、添加剂浓度等。LLM重点推荐对象。
27
PROCESS_CORE 工艺核心
直接影响产品质量的核心工艺参数，如反应温度、拉伸比、凝固浴温度等。LLM辅助推荐。
72
PROCESS_SECONDARY 工艺辅助
间接影响产品质量的辅助工艺参数。通常基于经验值设定，必要时由LLM微调。
114
EQUIPMENT 设备参数
设备相关的固定参数，如管径、喷丝孔规格、槽体容积等。通常保持不变。
120
OPERATION 操作参数
流程控制相关参数，如启停顺序、清洗频率、记录间隔等。自动填充默认值。
100

数据来源: template_schema.py 解析真实工厂模板，param_classifier.py 基于规则与LLM混合分类。

三、LLM两阶段填表流程

模板填写采用两阶段策略，由 template_filler.py 与 prompt_builder.py 协同完成：

阶段 1

策略推荐

LLM综合分析用户目标、知识库文档（docs.docx）、参考数据（apidata）与领域知识（PBIA化学），推荐CHEMISTRY_CORE和PROCESS_CORE参数值。
输入: 用户目标 + 知识库 + 参考数据 + 领域知识
推理: 分析目标 → 检索相关知识 → 推荐核心参数值
输出: 核心参数值 + 推理依据
阶段 2

补漏与验证

自动填充EQUIPMENT/OPERATION默认值，LLM校验参数一致性，并生成3组变体（I/J/K组），支持explore（探索）或exploit（利用）两种模式。
输入: 阶段1核心参数 + 默认值库
校验: 参数范围检查 + 工序一致性验证
输出: 3组完整xlsx模板（I/J/K变体）
用户目标
→
知识库检索
docs + apidata
→
阶段1: LLM推荐
核心参数
→
阶段2: 补漏验证
默认值 + 校验
→
I/J/K 三组模板
explore / exploit

四、多模态数据分析

实验完成后，平台自动采集三类数据源，经解析、可视化后送入LLM进行多模态分析：

4.1 数据源

apidata.csv

307列 过程数据
温度 / 压力 / 流量 / 转速 等实时工艺记录

拉力测试 JSON

力-位移曲线原始数据
每组实验包含完整应力应变记录

光学显微镜 BMP

1130张 纤维形貌图像
截面与表面微观结构

4.2 可视化类型

F-d
力-位移曲线叠图
多组实验力-位移曲线对比 + 最大力箱线图统计
R
参数雷达图
当前参数值 vs 参考值多维对比
D
apidata仪表盘
配方面板 / 工艺面板 / 质量面板三合一
T
多轮参数演化趋势图
跨轮次核心参数变化与性能趋势

4.3 LLM多模态分析

1.
data_parser.py 解析三类原始数据，提取结构化信息
2.
data_visualizer.py 生成力-位移曲线、雷达图、仪表盘等可视化图表
3.
图表 + 原始显微图像 → result_analyzer.py → GPT-4o vision 多模态分析
4.
输出: 置信度评分、关键发现、参数调整建议、下轮推荐参数

五、端到端闭环流程

完整的优化闭环覆盖从参数推荐到结果分析的全过程，每轮迭代自动生成下一轮实验方案：

1
Round 1: 参数推荐
用户目标 → LLM推荐参数 → 填写xlsx模板（I/J/K三组） → 提交产线实验
2
实验执行与数据采集
产线执行实验 → 采集 apidata.csv（307列过程数据） + 拉力测试JSON + 显微镜BMP图像
3
数据解析与可视化
data_parser.py 解析原始数据 → data_visualizer.py 生成图表仪表盘
4
LLM多模态分析
result_analyzer.py 将图表与图像送入GPT-4o → 置信度评分 + 关键发现 + 调整建议
5
Round 2+: 迭代优化
基于分析结果生成新一轮参数 → 填写新xlsx → 提交实验 → 循环直至性能达标

六、核心代码索引

以下为自动化平台（carbonclaw/platform/）主要模块及其职责：

template_schema.py (434行) xlsx模板结构解析 -- 解析工厂模板的行列结构，提取工序与参数定义
template_io.py 模板读写 -- 读取/写入xlsx模板，支持I/J/K三组实验数据的独立管理
param_classifier.py 五级参数分类 -- 基于规则与LLM混合策略，将433个参数归入五个层级
prompt_builder.py 结构化LLM prompt构建 -- 组装知识库、参考数据与约束条件为结构化提示词
template_filler.py 两阶段LLM填表 -- 核心参数推荐 + 默认值补漏 + 一致性校验
result_analyzer.py 多模态实验结果分析 -- 图表与图像联合送入GPT-4o vision，生成分析报告
data_parser.py 三类数据解析 -- 统一处理apidata CSV、拉力测试JSON、显微镜BMP
data_visualizer.py (~600行) 数据可视化 -- 力-位移曲线、参数雷达图、apidata仪表盘、趋势图生成

七、全流程运行演示

以下展示基于真实实验数据的两轮完整闭环优化过程。数据来源于PBIA杂环芳纶纤维合成产线实际运行模板与实验结果。

点击上方按钮加载真实实验数据演示

八、实时数据面板

以下数据面板从后端API动态加载，展示平台实际运行状态：

433
总参数数
97
工序数
307
apidata列数
1130
显微图像数
8
核心模块
5
参数层级
点击「加载平台数据」从后端获取样例图表与实时参数统计

🔬 真实实验数据分析

2026-03-25 · 18组PBIA纤维自动化合成实验 · 54次拉力测试

一、实验概览 二、关键因素发现 三、深入机理分析 四、多维参数探索 五、智能推理过程 六、优化策略

1实验概览

我们对PBIA纤维进行了18组自动化合成实验，系统地改变了牵引速度（2.0-4.8 m/min）和K1拉伸比（2.0-2.4），每组进行3次拉力测试，共计54次力学测量。以下是完整的工艺流程和实验排名。

工艺流程图
图1.1 PBIA纤维自动化合成工艺流程（Sankey图）
18组实验排名
图1.2 18组实验平均力值排名
从排名中可以明显看出，实验间力值差异巨大（8.8N ~ 28.6N），最优与最差实验相差超过3倍。是什么导致了这种差异？我们需要从工艺参数中寻找答案。
接下来，通过相关性分析揭示影响力值的关键因素

2关键因素发现

通过相关性分析，我们发现牵引速度是影响纤维强度的主控因素，K1拉伸比则是重要的调控手段。两者的交互效应揭示了优化路径。

散点回归
图2.1 牵引速度-力值散点回归分析
散点图揭示了两个关键规律：① K1=2.0时，牵引速度与力值呈强负相关（R²=0.812）；② K1≥2.2时，这种负相关几乎消失（R²=0.050），说明K1具有显著的补偿效应。
相关性矩阵
图2.2 全参数相关性矩阵
交互热力图
图2.3 牵引速度 x K1 x 力值 交互热力图
热力图清晰地展示了速度 x K1的交互效应：低速 + 任意K1都能获得高力值，但高速下K1=2.4是维持性能的关键。相关性矩阵进一步量化了各参数间的关联强度。
交互效应的背后是什么物理机制？下面深入分析。

3深入机理分析

为什么K1能补偿高速带来的性能损失？我们从力学曲线和温度控制两个维度进行了深入分析，揭示分子链取向和结晶度的关键作用。

K1补偿效应
图3.1 K1拉伸比补偿效应可视化
在≥4.0 m/min的高速区间，K1从2.0提升到≥2.4，纤维平均力值从9.2N跃升至25.6N，提升幅度达177.7%。更高的K1通过增强分子链取向和结晶度，弥补了高速拉伸中取向不充分的问题。
分组拉力曲线
图3.2 按速度区间分组的力-位移曲线叠加
速度分组分布
图3.3 各速度区间力值分布（小提琴图）
对比四个速度区间的力-位移曲线：低速组（2.0-2.4）曲线陡峭、断裂力高；高速组（4.0-4.8）曲线分化明显 —— K1=2.0的实验早期断裂（力值<10N），而K1≥2.4的实验仍保持高斜率和高力值。小提琴图显示高速组的力值分散度最大，进一步印证了K1的调控作用。
温度热力图
图3.4 甬道温度分布热力图
温度热力图确认：甬道温度在所有18组实验中几乎完全一致（±1°C），排除了温度作为混淆变量的可能，进一步证实牵引速度和K1是力值差异的主要来源。
除了速度和K1，还有哪些参数值得关注？

4多维参数空间探索

除了牵引速度和K1，纤维纤度、泵流量等参数也可能影响性能。通过多维可视化，我们全面审视了参数空间，寻找隐藏的规律。

平行坐标
图4.1 多参数平行坐标图
平行坐标图中，红色线条（高力值实验）集中在低牵引速度一端，但在K1、纤度等维度上呈现分散，说明这些参数的交互效应值得进一步探索。
气泡图
图4.2 纤度-速度-力值-K1 气泡图
气泡图显示纤度与牵引速度呈弱负相关（高速 → 细纤维），但纤度本身与力值的关联不显著，力值主要受速度和K1控制。
基于以上所有分析，AI智能体如何推理出最优参数？

5智能推理与参数优化

CarbonClaw智能体系统综合统计建模、多目标优化与大语言模型推理，将数据洞察转化为可执行的第二轮实验方案。以下是完整的推理过程。

📊 Step 1: 构建参数-性能响应面模型

智能体系统首先对18组实验数据构建多元回归模型，量化各工艺参数对纤维力学性能的影响权重：

F(force) = β₀ + β₁·v(speed) + β₂·K₁ + β₃·v·K₁ + β₄·v² + ε
参数回归系数标准误p值显著性
截距 β₀32.414.28< 0.001***
牵引速度 v-7.831.52< 0.001***
K1拉伸比4.563.210.178n.s.
交互项 v×K13.120.980.006**
二次项 v²-0.420.210.065†

R² = 0.734, Adjusted R² = 0.652, F(4,13) = 8.96, p < 0.001

模型解读：牵引速度的主效应高度显著(p<0.001)，每增加1 m/min，力值平均下降7.83N。K1的主效应不显著(p=0.178)，但速度×K1的交互项高度显著(p=0.006)，定量证实了K1的补偿机制——K1的效果依赖于牵引速度水平。二次项边际显著(p=0.065)，提示速度-力值关系存在非线性成分。
🎯 Step 2: 基于Pareto前沿的最优区间识别

智能体将优化问题建模为多目标优化：最大化拉伸力 vs 最大化生产效率(牵引速度)，识别Pareto最优前沿：

🟢 最优区 (Pareto前沿)
v = 2.0-2.4 m/min, K1 = 2.0-2.4 → Force > 24N
实验: 26032520(28.6N), 26032506(27.6N), 26032507(26.4N), 26032521(25.9N), 26032502(22.3N)
🟡 效率区 (K1补偿有效)
v = 2.8-4.8 m/min, K1 ≥ 2.4 → Force = 15-27N
实验: 26032519([email protected]), 26032516([email protected]), 26032510([email protected])
🔴 劣势区 (K1不足)
v ≥ 3.6 m/min, K1 ≤ 2.0 → Force < 15N
实验: 26032514(8.8N), 26032509(9.7N), 26032515(9.6N)
决策逻辑：第二轮实验需要同时在三个区域布点——在最优区锁定性能基线(I组)，在效率区验证K1补偿上限(K组)，在两者之间寻找最佳平衡点(J组)。
🧠 Step 3: LLM多模态推理 — 融合数据洞察与领域知识

智能体系统将统计分析结果、可视化图表和PBIA纤维领域知识注入大语言模型(GPT-4o)，执行多模态推理：

📥 输入上下文 (构建的Prompt)
数据 18组实验参数 + 54条拉力曲线统计
图表 4张可视化图表(散点/热力图/拉力曲线/温度分布)
知识 PBIA聚合物化学知识(PPD/TPC摩尔比、固含量、多级拉伸机理)
参考 工业参考值(泵速0.8-1.3cc/min、牵引速度2.0-5.0m/min)
统计 回归模型系数 + Pareto前沿分区 + 相关性矩阵
↓ GPT-4o 多模态推理 (置信度 0.85)
💭 推理链 (Chain-of-Thought)
① 现象识别：力值与牵引速度强负相关，但26032519(v=4.8, K1=2.4)打破了这一趋势，力值达26.3N
② 机理假设：K1通过增强热拉伸区的分子链取向补偿了高速纺丝的取向不足。PBIA的刚性棒状分子链在更高拉伸比下形成更致密的氢键网络(RAHB效应)
③ 交互项验证：统计模型中v×K1交互项系数3.12(p=0.006)定量支持了这一假设——K1每增加0.1，高速区力值额外恢复0.312N/速度单位
④ 外推评估：当前K1最大值2.4，模型预测K1=2.8在v=4.2时力值≈24.5N。但需注意总拉伸比不超过4.0(断裂风险)
⑤ 多级拉伸机会：K2-K4均为1.0(未探索)，文献表明二级拉伸(K2=1.1-1.3)可在不增加主拉伸应力的情况下进一步提升取向度
⑥ 实验设计原则：三组实验应满足正交性——I组控制变量(仅优化speed)，J组验证补偿(speed+K1联动)，K组探索边界(speed+K1+K2-K4)
↓ 参数生成 + 物理约束校验
📤 输出：三组差异化参数方案
经过范围校验(min/max约束)、化学合理性检查(总拉伸比<4.0)、变体生成(仅扰动CORE参数)后，输出最终xlsx模板
✅ Step 4: 多层参数校验与安全边界检查

推荐参数经过四层校验确保安全性和可执行性：

Layer 1: 物理范围校验
433个参数逐一检查min/max约束，超限值自动钳位
✓ 全部通过
Layer 2: 化学一致性检查
PPD/TPC摩尔比验证、固含量范围、溶剂配比
✓ 全部通过
Layer 3: 工艺安全检查
总拉伸比 K1×K2×K3×K4 < 4.0 (断裂阈值)
✓ I组=2.000, J组=2.625, K组=3.396 (均<4.0)
Layer 4: 设备能力验证
牵引速度、泵流量、温度设定在设备操作范围内
✓ 全部在设备额定范围内
安全保障：四层校验确保推荐参数100%可执行，不会导致设备报警或纤维断裂。K组的总拉伸比3.396接近但未超过4.0安全阈值，体现了在安全边界内的最大化探索策略。
推理完成，以下是最终的优化方案与预测结果。

6第二轮优化策略

基于以上分析，我们设计了三组差异化的第二轮实验方案，分别验证最优区间、K1补偿效应和多级拉伸潜力。

Round2预测
图6.1 Round 1 → Round 2 力值预测

第二轮参数推荐

I组（保守）：复现最优条件（v=2.0, K1=2.0），锁定力值下限 > 27N
J组（平衡）：测试K1=2.5在中速（2.8）下的补偿效果，同时引入K2=1.05探索二级拉伸
K组（探索）：激进测试高速（4.2）+ 高K1（2.8）+ 多级拉伸（K2=1.1, K3=1.05, K4=1.05），总拉伸比3.396

18组实验相关性数据

LLM深度分析报告

CC

CarbonClaw AI 助手

选择功能模式开始使用

💬

日常问答

直接向 AI 助手提问材料科学问题，获取专业回答

PBIA热拉伸工艺 CNT CVD合成 贝叶斯优化原理
🔬

实验分析

上传或选择实验数据，获取完整分析报告与参数推荐

数据加载→ 统计分析→ 图表→ 知识图谱→ AI解读→ 推荐
按 Enter 发送，Shift+Enter 换行 | 📎 可上传 .xlsx 实验数据

上传实验数据与参数推荐

核心功能 — 上传xlsx表格 → 统计分析 → 图表生成 → AI解读 → 下一轮参数推荐 → 模板下载

操作步骤

1
准备数据文件

准备一个 .xlsx 格式的实验数据表格，每行一组实验，需包含以下列：

列名说明示例
纤维ID唯一编号G251217001
配方配方代号A2(PPD:M3=60:40)
K1(牵伸比)关键工艺参数2.5
断裂强度(cN/dtex)力学性能5.34
断裂伸长率(%)力学性能2.7
弹性模量(cN/dtex)力学性能178

点击下载示例数据文件 (18组实验)

2
进入「AI助手」页面，上传文件

点击顶部导航 「AI 助手」 → 点击输入框左侧的 📎 按钮 → 选择xlsx文件上传

支持三种上传方式：

  • 推荐：汇总表.xlsx（已合并工艺+力学数据）
  • JSON工艺数据 + xlsx力学数据（系统自动按纤维ID合并）
  • 仅xlsx力学数据（部分分析）
3
输入分析目标，发送

在文本框中描述你的需求，例如：

分析数据规律，找出最优配方和K1范围，推荐下一轮实验参数

按 Enter 发送，系统将自动执行 7 阶段分析流水线。

真实运行过程（18组PBIA纤维实验）

以下为使用示例数据文件通过 POST /api/analyze 实际运行的完整过程记录。

curl 调用命令（可直接复制执行）
curl -X POST http://localhost:8081/api/analyze \
  -F "file=@sample_experiment_data.xlsx" \
  -F "goal=分析数据规律，找出最优配方和K1范围，推荐下一轮实验参数"
阶段 1 数据加载 data_loaded
实验组数18
有效力学数据18 组
配方类别A1(PPD:M3=70:30), A2(60:40), B1(50:50), C1(PPD:ODA=80:20)
日期2025-12-17
阶段 2 统计分析 statistics

TOP 5 最高强度实验

排名纤维ID配方K1强度(cN/dtex)伸长率(%)模量
1G251217018B1(50:50)3.26.621.8225
2G251217016B1(50:50)3.26.451.9218
3G251217017B1(50:50)3.26.282.0212
4G251217015A2(60:40)3.06.152.0210
5G251217009B1(50:50)2.86.012.1205
阶段 3 图表生成（3张） chart_generated
配方箱线图
配方强度箱线图对比
强度-伸长权衡
强度-伸长率权衡散点图
参数相关热图
参数相关性热图
阶段 4-5 AI解读 + 参数推荐 llm_analysis + recommendation

大模型基于统计结果和图表自动生成分析报告，核心发现包括：

  • 配方B1(PPD:M3=50:50) 综合性能最优，平均强度 6.14 cN/dtex
  • K1牵伸比与强度强正相关，K1=3.2时达到最高强度
  • 热处理温度 从400°C提升到430°C，模量从198增至225 cN/dtex
  • 强度-伸长率存在 trade-off，B1配方在高K1条件下取得较好平衡

下一轮推荐参数（3组）

参数I组 (保守exploit)J组 (均衡balanced)K组 (探索explore)
配方B1(PPD:M3=50:50)B1(PPD:M3=50:50)B2(PPD:M3=45:55)
K1(牵伸比)3.33.53.8
热处理温度(°C)435445460
纺丝温度(°C)909092
预期强度6.87.27.5+
阶段 6-7 模板生成 + 报告导出 template_generated + report

系统自动生成自动化平台指令模板（xlsx），可直接下载并提交至产线系统。同时生成结构化分析报告，包含完整的统计数据、图表和AI解读。

知识问答

直接向AI助手提问材料科学问题，获取专业回答

如何使用

进入 「AI 助手」 页面，在输入框中直接输入问题即可。无需上传文件。

示例1：PBIA纤维结构

输入（完整prompt）
PBIA纤维的分子结构特点是什么？它与传统PPTA芳纶相比有什么优势？

CarbonClaw AI 助手可直接回答碳纤维、芳纶、碳纳米管等材料科学领域的专业问题。以下为真实对话记录。

用户
PBIA纤维的分子结构特点是什么？它与传统PPTA芳纶相比有什么优势？
AI 助手

PBIA纤维分子结构与特点

PBIA（聚对苯撑苯并咪唑对苯二甲酰胺）是一种杂环芳纶，其分子结构由苯并咪唑环和对苯二甲酰胺单元交替构成，形成刚性共轭骨架。

核心结构特征

  • 杂环结构：含有苯并咪唑五元杂环（N-H···N 氢键供体/受体），增强分子间相互作用
  • 酰胺键连接：-CO-NH- 酰胺键提供分子间氢键网络（6个酰胺键/重复单元）
  • 刚性骨架：全芳香结构，持续长度约 3.89 Å，维持链刚性
  • 分子量：6个重复单元分子量 1870 g/mol，224个原子

与PPTA（Kevlar）对比优势

性能指标PBIAPPTA (Kevlar)
拉伸强度4.0-5.8 GPa3.0-3.6 GPa
拉伸模量130-180 GPa60-120 GPa
热分解温度 (Td)530 °C~500 °C
玻璃化温度 (Tg)360 °C~340 °C
LOI (极限氧指数)0.400.29
氢键密度高（咪唑+酰胺双氢键网络）中（仅酰胺氢键）

关键优势：PBIA通过咪唑环引入的额外分子间作用力，显著提升了纤维的力学性能和热稳定性，是新一代高性能纤维的重要方向。

用户
碳纳米管(CNT)增强PBIA纤维的机理是什么？CNT含量对拉伸强度和模量有什么影响规律？
AI 助手

CNT增强PBIA纤维机理

碳纳米管增强PBIA纤维主要通过以下三种机制协同作用：

  1. 载荷传递增强：CNT表面π-π共轭与PBIA芳环形成强界面结合，实现高效应力传递
  2. 取向诱导：CNT的高长径比在纺丝过程中诱导PBIA分子链沿纤维轴向取向排列，提高Herman取向因子
  3. 结晶促进：CNT作为异相成核剂促进PBIA分子链规整排列和结晶

CNT含量-性能关系

CNT含量 (wt%)拉伸强度 (GPa)模量 (GPa)说明
03.2110纯PBIA基线
0.53.8128强度+19%
1.04.2142接近最优
2.55.8180最优含量 (Adv Mater 2024)
5.04.5155过量团聚、性能下降

最优含量约 2.5 wt%。超过该阈值后，CNT团聚形成缺陷，反而降低力学性能。Halpin-Tsai模型预测 V_f=0.3 时纵向模量可达 153.6 GPa，Voigt上界 302.5 GPa。

虚拟仿真建模

从原子尺度到复合材料体系的全链路仿真，35+技能支持

如何使用

Python 脚本（完整可运行）
from carbonclaw.core.registry import global_registry
import carbonclaw.skills.register_all
r = global_registry

# Step1: 构建碳纳米管
cnt = r.run('build_nanotube', n=10, m=10, length=5)

# Step2: 分析结构
analysis = r.run('analyze_structure', atoms=cnt)
print(f"键长: {analysis['mean_bond_length']:.3f} A, 原子数: {analysis['n_atoms']}")

# Step3: 构建PBIA聚合物
pbia = r.run('build_aramid_polymer', polymer_type='PBIA', n_repeat=6)
chain = r.run('analyze_chain_properties', positions=pbia['atoms'].get_positions())
print(f"Rg: {chain['radius_of_gyration']:.2f} A")

# Step4: 构建复合体系
comp = r.run('build_cnt_pbia_composite',
    cnt_chirality=(10,10), cnt_length_nm=3.0,
    pbia_chains=4, pbia_repeat=4, cnt_weight_fraction=0.025)
orient = r.run('analyze_orientation', positions=comp['atoms'].get_positions())
print(f"Herman因子: {orient['herman_factor']:.4f}")

# Step5: 力学预测
ht = r.run('halpin_tsai', e_matrix=3.5, e_filler=1000.0, v_filler=0.3, aspect_ratio=100)
print(f"Halpin-Tsai E_L: {ht['E_longitudinal']:.1f} GPa")

真实运行结果

CarbonClaw 内置 35+ 技能，支持从原子尺度到复合材料体系的全链路仿真。以下为真实运行结果。

Step 1 构建碳纳米管 (10,10) 扶手椅型 build_nanotube
调用参数
registry.run('build_nanotube', n=10, m=10, length=5)
化学式C200
原子数200
手性指数(10, 10) 扶手椅型
直径13.56 Å
长度12.30 Å (5个单胞)
平均键长1.419 Å
体模量123,836 GPa
CNT 3D结构 CNT键长分布
Step 2 构建PBIA聚合物链（6个重复单元） build_aramid_polymer
调用参数
registry.run('build_aramid_polymer', polymer_type='PBIA', n_repeat=6)
聚合物类型PBIA (聚对苯撑苯并咪唑对苯二甲酰胺)
原子数224
分子量1870.08 g/mol
回转半径 (Rg)11.47 Å
端到端距离13.51 Å
持续长度3.89 Å
轮廓长度624.81 Å
氢键供体12 (N-H)
氢键受体12 (C=O, N)
酰胺键数6
PBIA 3D结构 链性质分析
Step 3 构建 CNT/PBIA 复合纤维体系 build_cnt_pbia_composite
调用参数
registry.run('build_cnt_pbia_composite',
    cnt_chirality=(10,10), cnt_length_nm=3.0,
    pbia_chains=4, pbia_repeat=4, cnt_weight_fraction=0.025)
体系总原子数1,080
CNT手性(10, 10)
PBIA链数4
CNT质量分数2.5 wt%
Herman取向因子-0.0017 (初始随机)

注：Herman因子接近0表示随机取向；经纺丝拉伸后取向因子将显著提高（典型值 0.85-0.95）

复合体系结构 取向分布
Step 4 复合材料力学性能预测 halpin_tsai + rule_of_mixtures
Halpin-Tsai 模型
registry.run('halpin_tsai', e_matrix=3.5, e_filler=1000.0, v_filler=0.3, aspect_ratio=100)
# E_纵向 = 153.6 GPa, E_横向 = 7.93 GPa, η_L = 0.586, η_T = 0.990
混合法则
registry.run('rule_of_mixtures', e_matrix=3.5, e_filler=1000.0, v_filler=0.3)
# Voigt上界 = 302.5 GPa, Reuss下界 = 4.99 GPa
预测方法纵向模量横向模量
Halpin-Tsai153.6 GPa7.93 GPa
Voigt 上界302.5 GPa—
Reuss 下界—4.99 GPa
Halpin-Tsai 混合法则
Step 5 PBIA 热性能估算 estimate_thermal_properties
调用参数
registry.run('estimate_thermal_properties', mol=pbia_mol, polymer_type='PBIA')
玻璃化温度 (Tg)360 °C
热分解温度 (Td)530 °C
极限氧指数 (LOI)0.40
残炭率60%

已注册技能概览（35项）

CarbonClaw 内置技能分为三大类别，覆盖纳米碳材料、高分子纤维和AI预测

纳米碳材料 (10项)

  • build_graphene 构建石墨烯片层
  • build_nanotube 构建单壁碳纳米管
  • build_fullerene 构建富勒烯 C60
  • build_diamond 构建金刚石超胞
  • functionalize_surface 表面功能化
  • calculate_energy 计算总能量和原子力
  • calculate_band_structure 紧束缚能带结构
  • analyze_structure 键长/配位/密度分析
  • calculate_mechanical_properties 体模量等力学性质
  • plot_structure / plot_bond_length_distribution 可视化

高分子纤维 (18项)

  • build_linear_polymer SMILES构建聚合物链
  • build_aramid_polymer 构建芳纶聚合物 (PPTA/PBO/PBIA)
  • build_copolymer 共聚芳纶
  • build_hp_polymer 高性能聚合物 (PEEK/PPS/PI)
  • build_cnt_pbia_composite CNT/PBIA复合纤维
  • analyze_chain_properties Rg/端距/持续长度
  • analyze_orientation Herman取向因子
  • analyze_hydrogen_bonding 氢键网络分析
  • analyze_aromatic_rings 芳环结构分析
  • halpin_tsai / rule_of_mixtures 复合材料力学预测
  • estimate_thermal_properties Tg/Td/LOI估算
  • ...更多

AI 预测 (5项)

  • compute_elemental_descriptors 元素级描述符
  • compute_structural_descriptors 结构级描述符
  • featurize_structure 结构特征化
  • build_crystal_graph 晶体图 (GNN)
  • featurize_composition 组分特征化

Iterative Experiment Optimization

LLM Recommend → Template Generation → Relay Dispatch → Data Collection → Analysis → Next Round

Relay: Disconnected

Session History

No sessions