使用混合GAPSO-LSSVM方法对金属化物的储容量进行连接主义技术估计

科学领域:

• 材料科学 材料科学 材料科学
• 计算化学计算化学
• 化学工程是化学工程的重要组成部分.

背景情况:

• AB2金属化物是储应用的有希望的材料.
• 准确预测储能容量对于加速开发这些材料至关重要.
• 机器学习 (ML) 提供了一种强大的方法,可以将材料组成与储存特性相关联.

研究的目的:

• 开发和评估机器学习模型,用于预测AB2金属化物中的储能.
• 确定影响储能能力的关键元素组成.
• 为了提高发现新储存材料的效率.

主要方法:

• 从现有的文献中编制了244个AB2合金组合物的数据集及其相应的储能.
• 使用了三个ML算法:基于遗传算法的最小平方支持矢量机 (GA-LSSVM),基于粒子群优化的最小平方支持矢量机 (PSO-LSSVM) 和混合模型 (HGAPSO-LSSVM).
• 模型性能使用统计指标进行评估,例如R平方 (R2),标准偏差 (STD),平均平方误差 (MSE),根平均平方误差 (RMSE) 和最大相对误差 (MRE).

主要成果:

• 所有使用的ML模型都在预测AB2金属化物的储容量方面表现出有效性.
• HGAPSO-LSSVM模型实现了最高的预测准确性,其中R2 = 0.980,STD = 0.043,MSE = 0.0020,RMSE = 0.045,MRE = 0.972%,其中R2 = 0.980,STD = 0.043,MSE = 0.0020,RMSE = 0.045,MRE = 0.972%.
• 灵敏度分析显示,锡 (Sn), (Co) 和 (Ni) 元素对AB2金属化物的储能能力产生最重要的影响.

结论:

• 机器学习,特别是HGAPSO-LSSVM模型,提供了一种可靠和准确的方法来预测AB2金属化物中的储能.
• 通过突出关键元素组成,这些发现有助于更快地选和开发先进的存材料.
• 这项研究强调了计算方法在能领域加速材料发现的潜力.