磁热减少:一个机器学习研究
Kai Tang1, Azam Rasouli2, Jafar Safarian2
1SINTEF AS, Industry Institute, N-7465 Trondheim, Norway.
Materials (Basel, Switzerland)
|June 10, 2023
概括
磁热降解二氧化是复杂的,传统的模型失败. 一个以物理为基础的高斯过程机器 (GPM) 使用混合数据有效地模拟了这种反应,并高精度地预测了结果.
科学领域:
- 材料科学 材料科学 材料科学
- 化学工程是化学工程的重要组成部分.
- 计算材料科学科学 计算材料科学
背景情况:
- 在生产材料时,热降解是至关重要的.
- 传统模型难以捕捉实验观察到的复杂动力学和产品封装.
- 现有的热化学软件不足以准确描述反应路径.
研究的目的:
- 开发一个更准确的模型,用于二氧化的热降解.
- 应用机器学习方法来描述复杂的反应动力学.
- 预测工艺参数对减少产品的影响.
主要方法:
- 用不同的Mg/SiO2比率,温度和时间进行磁热降解的实验研究.
- 使用混合数据集开发基于物理的高斯过程机器 (GPM).
- 纳入实验数据和热化学平衡计算作为GPM的边界条件.
主要成果:
- 开发的GPM在混合数据上获得了0.9665的高回归得分.
- GPM成功地预测了Mg-SiO2比率,温度和反应时间对还原产品的影响.
- 实验验证证证实了GPM对观察数据的插值的准确性.
结论:
- 基于物理学的高斯过程机器 (GPM) 为模拟复杂的热降解反应提供了有效的框架.
- GPM克服了传统模型和热化学软件的局限性.
- 这种方法可以准确预测反应产品,指导未来的材料设计和过程优化.
