基于多式数据融合神经网络的深度学习方法,开发基于多式数据融合神经网络的双层电磁干扰屏蔽复合气凝
Chenglei He1, Liya Yu1, Yun Jiang1
1College of Mechanical Engineering, Guizhou University, Guiyang 550025, China.
Journal of colloid and interface science
|February 23, 2025
概括
一个新的多式联络神经网络模型准确地预测了先进的气凝材料中的电磁干扰 (EMI) 屏蔽性能. 这种方法加速了高性能EMI屏蔽材料的开发,减少了实验成本和时间.
科学领域:
- 材料科学 材料科学 材料科学
- 纳米技术纳米技术
- 人工智能的人工智能
背景情况:
- 开发高性能电磁干扰 (EMI) 屏蔽材料需要具有成本效益和高效的方法.
- 传统的实验方法耗时且资源密集.
- 预测建模为加速材料发现提供了一个有希望的替代方案.
研究的目的:
- 提出一个多式联网数据融合神经网络模型,用于预测EMI屏蔽性能.
- 为了评估模型的准确性和概括能力,对银修饰的四角氧化/水中聚氨/铁 (Ag@F-ZnO/WPU/BF) 气凝进行了评估.
- 展示一种非实验性的方法来开发先进的EMI屏蔽材料.
主要方法:
- 使用预造和定向冷制备16个Ag@F-ZnO/WPU/BF气凝样本,其成分各不相同.
- 开发一个多式联络神经网络模型,集成复合材料和微观结构图像.
- 使用完全连接的神经网络 (FCNN) 和残余神经网络 (ResNet) 结合GatedFusion进行预测.
主要成果:
- 准备好的气凝显示出高达78.6dB的EMI屏蔽效率 (SET) 和0.96.6的吸收系数.
- 多式联网FCNN-ResNet模型实现了高预测准确度,RMSE为0.7626,MAE为0.4918,R为0.9885.5,其中R值为0.7626.
- 该模型表现出强烈的概括性,预测了新型气凝的EMI性能,平均误差低于5%.
结论:
- 多式联络神经网络模型有效地预测了Ag@F-ZnO/WPU/BF气凝的EMI屏蔽性能.
- 这种数据驱动的方法显著提高了材料性质预测的准确性和效率.
- 该研究为减少实验负担和加速开发新型EMI屏蔽材料提供了一条途径.
