机器学习引导的2D电支架的形态性质预测:聚合物的化学组成和处理参数的影响
Mohammad Hossein Golbabaei1, Mohammadreza Saeidi Varnoosfaderani2, Farshid Hemmati1
1School of Metallurgy and Materials Engineering, College of Engineering, University of Tehran Tehran Iran fspishbin@ut.ac.ir +98 21 88006076 +98 21 61114065.
RSC advances
|May 13, 2024
概括
这项研究使用机器学习和简化分子输入线输入系统 (SMILES) 来预测电过程中聚合物纳米纤维的特性. 数据驱动的模型准确地预测了纤维直径,优化了用于组织工程应用的支架制造.
科学领域:
- 材料科学与工程 材料科学与工程
- 生物医学工程 生物医学工程
- 计算科学 计算科学
背景情况:
- 电是一种常见的方法,用于创建聚合物组织工程支架.
- 了解电参数,材料特性和脚手架特性之间的复杂关系是具有挑战性的.
- 现有的方法缺乏优化脚手架制造的确切方法.
研究的目的:
- 开发一个数据驱动的模型,用于预测电旋转中的支架特性.
- 使用简化分子输入线输入系统 (SMILES) 编码和机器学习来进行材料表示.
- 使用这种综合方法首次预测聚合物纳米纤维直径和导电性.
主要方法:
- 采用简化的分子输入线输入系统 (SMILES) 来编码材料属性.
- 利用机器学习算法,包括投票分类器和神经网络回归器,以建模关系.
- 通过对聚乙烯醇和聚乙烯醇/聚烯醇的实验电进行验证的模型预测,用场发射扫描电子显微镜 (FE-SEM) 分析.
主要成果:
- 投票分类器实现了0.9478的平衡精度来预测纤维直径.
- 神经网络回归器为纤维直径预测产生了0.723的R平方值.
- 由于数据限制,光纤导电性预测性能是可变的.
结论:
- 拟议的数据驱动模型有效地预测了电中聚合物纳米纤维直径.
- 这种方法可以显著减少脚手架制造所需的参数空间探索.
- 该模型可适应组织工程中各种生物聚合物的电.
