The fast-growing construction industry has a vast potential to rise to the plastics challenge by using them in both primary and recycled forms as a sustainable solution to some challenges in the built environment. Improving existing plastics and developing innovative polymers and polymer nanocomposites requires knowledge of interatomic interactions and their influence on macroscopic properties. Coarse-grained (CG) models offer a more computationally efficient alternative to their all-atom counterparts for simulating larger, more representative models of these materials. However, the parameterization and calibration process of CG force fields (CG-FFs) commonly entails solving a nonconvex optimization problem involving numerous local minima, rendering traditional optimization techniques impractical and iterations based on educated guesses inefficient. Here, we develop an approach to efficiently parameterize a CG-FF by coupling a metaheuristic algorithm as the calibrator (optimizer) with support vector regression-based surrogate models trained using molecular dynamics data. The merit of the approach is demonstrated by parameterizing a CG-FF potential for polyvinyl chloride (PVC) as a representative general-purpose plastic with many applications in the construction industry. The generalizability of the CG-FF to large PVC models in both pristine and carbon nanotube-filled composite forms is demonstrated. The CG-FF also accurately reproduces glass transition temperature and thermal conductivity as unseen properties of PVC.

快速增长的建筑行业具有巨大的潜力，可以通过以初级和回收形式使用塑料作为应对建筑环境中某些挑战的可持续解决方案来应对塑料挑战。改进现有塑料并开发创新的聚合物和聚合物纳米复合材料需要了解原子间相互作用及其对宏观性能的影响。粗粒度 (CG) 模型为其全原子模型提供了一种计算效率更高的替代方案，用于模拟这些材料的更大、更具代表性的模型。然而，CG 力场 (CG-FFs) 的参数化和校准过程通常需要解决涉及大量局部最小值的非凸优化问题，使传统的优化技术变得不切实际，并且基于有根据的猜测的迭代效率低下。在这里，我们开发了一种通过将元启发式算法作为校准器（优化器）与使用分子动力学数据训练的基于支持向量回归的代理模型耦合来有效参数化 CG-FF 的方法。该方法的优点通过参数化聚氯乙烯 (PVC) 的 CG-FF 潜力来证明，该聚氯乙烯 (PVC) 作为具有代表性的通用塑料，在建筑行业有许多应用。展示了 CG-FF 对原始和碳纳米管填充复合材料形式的大型 PVC 模型的普遍性。CG-FF 还准确地再现了玻璃化转变温度和热导率作为 PVC 的不可见特性。我们开发了一种通过将元启发式算法作为校准器（优化器）与使用分子动力学数据训练的基于支持向量回归的代理模型耦合来有效参数化 CG-FF 的方法。该方法的优点通过参数化聚氯乙烯 (PVC) 的 CG-FF 潜力来证明，该聚氯乙烯 (PVC) 作为具有代表性的通用塑料，在建筑行业有许多应用。展示了 CG-FF 对原始和碳纳米管填充复合材料形式的大型 PVC 模型的普遍性。CG-FF 还准确地再现了玻璃化转变温度和热导率作为 PVC 的不可见特性。我们开发了一种通过将元启发式算法作为校准器（优化器）与使用分子动力学数据训练的基于支持向量回归的代理模型耦合来有效参数化 CG-FF 的方法。该方法的优点通过参数化聚氯乙烯 (PVC) 的 CG-FF 潜力来证明，该聚氯乙烯 (PVC) 作为具有代表性的通用塑料，在建筑行业有许多应用。展示了 CG-FF 对原始和碳纳米管填充复合材料形式的大型 PVC 模型的普遍性。CG-FF 还准确地再现了玻璃化转变温度和热导率作为 PVC 的不可见特性。该方法的优点通过参数化聚氯乙烯 (PVC) 的 CG-FF 潜力来证明，该聚氯乙烯 (PVC) 作为具有代表性的通用塑料，在建筑行业有许多应用。展示了 CG-FF 对原始和碳纳米管填充复合材料形式的大型 PVC 模型的普遍性。CG-FF 还准确地再现了玻璃化转变温度和热导率作为 PVC 的不可见特性。该方法的优点通过参数化聚氯乙烯 (PVC) 的 CG-FF 潜力来证明，该聚氯乙烯 (PVC) 作为具有代表性的通用塑料，在建筑行业有许多应用。展示了 CG-FF 对原始和碳纳米管填充复合材料形式的大型 PVC 模型的普遍性。CG-FF 还准确地再现了玻璃化转变温度和热导率作为 PVC 的不可见特性。