电纳米纤维膜直径预测使用联合响应表面方法和机器学习方法
Md Nahid Pervez1,2, Wan Sieng Yeo3, Mst Monira Rahman Mishu4
1Hubei Provincial Engineering Laboratory for Clean Production and High Value Utilization of Bio-Based Textile Materials, Wuhan Textile University, Wuhan, 430200, China.
Scientific reports
|June 15, 2023
概括
这项研究引入了一种机器学习方法,以优化电,准确预测纳米纤维膜直径. 开发的局部加权内核部分最小方程回归模型为电过程提供了可持续和有效的解决方案.
科学领域:
- 材料科学与工程 材料科学与工程
- 化学工程是化学工程的重要组成部分.
- 计算机建模 计算建模
背景情况:
- 电是一种广泛研究的纳米纤维生产技术,但模拟研究仍然很少.
- 优化电参数对于控制纳米纤维特征至关重要,例如直径.
- 现有的模拟方法往往缺乏有效的过程设计所需的预测准确性.
研究的目的:
- 利用实验设计和机器学习的结合,开发一种可持续和有效的电过程.
- 为了准确预测电纳米纤维膜的直径.
- 为了比较一个新的局部加权内核部分最小平方回归 (LW-KPLSR) 模型与其他回归技术的性能.
主要方法:
- 开发了与响应表面方法 (RSM) 集成的局部加权内核部分最小平方回归 (LW-KPLSR) 模型.
- 使用根平均平方误差 (RMSE),平均绝对误差 (MAE) 和确定系数 (R2) 评估模型准确性.
- 将LW-KPLSR与主要组件回归 (PCR),局部加权部分最小平方回归 (LW-PLSR),部分最小平方回归 (PLSR),模糊建模和最小平方支向量回归 (LSSVR) 进行比较.
主要成果:
- 与所有其他测试模型相比,LW-KPLSR模型在预测电纳米纤维膜直径方面表现出卓越的性能.
- LW-KPLSR实现了显著较低的RMSE和MAE值,表明更高的预测准确度.
- 该模型获得了0.9989的高确定系数 (R2),这意味着它非常适合模型.
结论:
- 开发的LW-KPLSR模型提供了一种高度准确和可靠的方法,用于预测电中纳米纤维直径.
- 这种机器学习方法提高了电过程的可持续性和有效性.
- 这些发现为优化电材料生产和设计提供了有价值的工具.
