基于GNBoost的集体机器学习用于预测液晶滑剂的tribological特性
Hongfei Shi1,2, Hanglin Li2,3, Zhaoyang Guo2,4
1College of Mechanical Engineering, Donghua University, Shanghai 201620, China.
Langmuir : the ACS journal of surfaces and colloids
|May 13, 2024
概括
这项研究引入了高斯噪声极端梯度增强 (GNBoost) 模型,以预测液晶滑剂的 Tribological 性能. 该模型准确预测摩擦系数,有助于滑剂的开发和优化.
科学领域:
- 材料科学 材料科学 材料科学
- 部落学 (tribology) 是一个学科.
- 机器学习 机器学习
背景情况:
- 准确预测液晶滑剂的 Tribological 性能对于它们的发展至关重要.
- 了解各种参数对滑剂行为的影响对于优化配方至关重要.
研究的目的:
- 提出一个分类模型来预测液晶滑剂的三元学性能.
- 评估聚酸盐-85,聚酸盐-80和石墨烯氧化物作为液晶滑剂中的添加剂的有效性.
- 通过预测建模来优化滑剂配方和性能评估.
主要方法:
- 使用三个添加剂制造液晶滑剂:聚酸盐-85,聚酸盐-80和石墨烯氧化物.
- 使用通用机械测试仪在旋转模式下测试滑剂的摩擦系数.
- 开发一个数据增强模型来预测摩擦系数,通过粒子群优化优化参数.
主要成果:
- 一个高斯噪声极端梯度增强 (GNBoost) 模型成功地开发出来,用于预测三元学性能.
- 该模型在预测测试用的液晶滑油的摩擦系数方面表现出有效性.
- 粒子群集优化提高了开发模型的预测准确度.
结论:
- 拟议的GNBoost模型为评估滑油性能提供了一种有效的方法.
- 这项研究为优化液晶滑剂配方提供了有价值的框架.
- 预测建模显著有助于及时准确评估滑剂的行为.


