危险废物转化为导热聚合物:机器学习的预测和指导
Zhiyi Wang1, Jiming Su2, Yijin Feng1
1College of Chemistry and Chemical Engineering, Central South University, Changsha, 410083, Hunan, PR China.
Journal of environmental management
|October 15, 2024
概括
这项研究开发了一种增强的机器学习模型 (XGBoost-Exp),用于预测聚合物中的导热率 (TC). 结合实验数据显著提高了导热材料的预测准确度.
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
- 计算材料科学科学 计算材料科学
背景情况:
- 报告的热导电性 (TC) 制备方法和热导电性聚合物的值存在显著的变化.
- 需要采用统一的方法来理解TC与其影响因素之间的关系,以便得出一致的结论.
研究的目的:
- 开发一个聚合物的导热率的预测模型.
- 确定影响聚合物导热性的关键特征.
- 探索危险的硫化物矿物质在导热聚合物中的利用.
主要方法:
- 从有关导热聚合物的文献中编制了403个数据集.
- 选择和优化了六个功能和三个机器学习 (ML) 算法,XGBoost 显示了最初的承诺.
- 采用了夏普利添加式解释 (SHAP) 分析来了解特征的影响.
- 开发了一个优化的模型 (XGBoost-Exp),结合实验数据进行增强的预测.
主要成果:
- 优化的XGBoost算法在从文献数据中预测TC时实现了0.855的相关系数.
- 皮罗矿尾矿被确定为一种合适的填充材料,具有确定的工艺参数.
- 使用23%的实验数据的XGBoost-Exp模型实现了0.815的无视数据相关系数,证明了更好的预测能力.
结论:
- XGBoost-Exp模型在未见的导热聚合物数据上表现出卓越的预测性能.
- 这项研究为影响聚合物TC的特征提供了宝贵的见解,并为利用危险的硫化物矿物提供了一种新的方法.
