技能介绍

解决什么问题

拿到一份软膏剂流变数据，多数人只做两件事：挑一个模型拟合、看 R² 差不多就下结论。结果是参数物理意义没人追问，外推出来的屈服应力或零切粘度也和实际涂抹体验脱节。另一个痛点是，τ₀、K、n 这些原始数字对配方工程师来说过于抽象，很难直接回答“这块膏好不好涂、会不会分层、挤出来费力不费力”。本技能要填的就是这个缺口。

技能如何工作

数据接入：识别七类常见测试模式——稳态流动、频率扫描、振幅扫描、温度扫描、蠕变回复、触变迟滞环、三段触变（3ITT）。单位陷阱（Hz 与 rad/s、Pa 与 kPa、应力与粘度）是首要检查项，引擎不做猜测性换算。截图数据先转写 CSV，关键数值请用户复核后再建模。

多模型拟合：所有拟合通过 scripts/rheology_fit.py 用 scipy 真实求解，而非肉眼估参。稳态流动同时跑 Herschel-Bulkley、Bingham、Casson、幂律和 Cross，对比 R²/SSE 与参数物理意义；频率扫描用广义 Maxwell 离散松弛谱并计算 tanδ 与交叉频率；振幅扫描给出 LVE 临界应变和流动点应变；温度扫描用 tanδ 峰值或 G′ onset 定软化点，多温频率块走 TTS+WLF 主曲线；蠕变回复用 Burgers 四参数计算回复率；触变性用迟滞环面积和 3ITT 恢复率表征。

应用性能映射：拟合结果被翻译成涂展性、稳定性（抗沉降/分层）、皮肤滞留/附着、药物释放、挤出性和使用感六项诊断，判读框架对齐《中国药典》通则 0115。每条结论都保留模型名、方程、参数表和拟合优度，结尾生成五条要点的“AI 流变诊断总结”，并可通过 scripts/make_report.py 一键输出无外部依赖的离线 HTML 报告。

适用边界

几个必须知道的诚实性约束：R² 高不等于模型正确，平台区偏离和过参数化都会误导，应优先对比物理可比量（τ₀、n、η_app）；广义 Maxwell 和 WLF 的参数仅供定性趋势，不要当成精确物性常数；只有 3–4 个数据点时引擎会明确警告并降级为定性描述；本技能提供的是流变诊断线索，不替代药典 0115 的法定检验（锥入度、粒度、无菌等）；配方与工艺建议属经验参考，正式放行仍以企业内控标准为准。