机器学习启用纳米级阶段预测在工程化聚乙烯化物中)
Anand Babu1, B Moses Abraham2, Sudip Naskar1
1Quantum Materials and Devices Unit, Institute of Nano Science and Technology, Knowledge City, Sector 81, Mohali, 140306, India.
Small (Weinheim an der Bergstrasse, Germany)
|October 15, 2024
概括
本研究引入了一种机器学习方法,以准确区分聚乙烯化物 (PVDF) 阶段,这对于先进的材料应用至关重要. 该方法提高了相位识别的准确性和弹性,加速了材料选择.
科学领域:
- 材料科学 材料科学 材料科学
- 聚合物科学 聚合物科学
- 机器学习应用 机器学习应用
背景情况:
- 工程化聚乙烯化物 (PVDF) 呈现出各种晶体相,这些相对于压电器,火电器,铁电器和电压电器设备至关重要.
- 精确的相位检测对于理解PVDF材料中的结构属性关系至关重要.
- 传统的表征方法在有效区分PVDF相方面存在局限性.
研究的目的:
- 开发和验证一种多式数据驱动的机器学习 (ML) 方法,用于区分PVDF晶相.
- 克服PVDF相位识别中的传统表征技术的局限性.
- 通过提供自主相区分方法来加速基于PVDF的设备的材料选择.
主要方法:
- 采用多式联运数据驱动技术与机器学习 (ML) 模型相结合.
- 使用经验和理论数据的组合训练了ML模型.
- 评估了模型在分类不同PVDF阶段的性能.
主要成果:
- 实现了超过94%的分类准确性,用于区分PVDF相.
- 与单模方法相比,噪声抗性得到了15%的改善.
- 在使用多式联运数据时,准确度增加了11%.
结论:
- 开发的多式联机模型为自主PVDF相位区分提供了有效的替代方案.
- 这种方法大大减少了对重复实验的需求,节省了资源和时间.
- 这些发现加速了用于各种PVDF应用的材料选择过程.
