基于人工智能和机器学习的低温密封材料数据库和优化预测
Honghao Jia1, Zhongxu Tai2, Rui Lyu2
1Department of Information System, Saitama Institute of Technology, Fukaya 3690293, Japan.
Polymers
|May 14, 2025
概括
这项研究使用人工智能生成的数据和机器学习来优化低温密封材料,提高其性能和耐用性. 研究结果表明,人工智能数据对于预测材料特性和指导未来开发是有效的.
科学领域:
- 材料科学 材料科学 材料科学
- 化学工程是化学工程的重要组成部分.
- 人工智能的人工智能
背景情况:
- 优化低温密封材料对于在苛刻的环境中提高性能和耐用性至关重要.
- 传统的材料优化方法可能耗时且资源密集.
- 人工智能的整合提供了一种新的方法来加速材料发现和性能预测.
研究的目的:
- 研究使用人工智能生成的数据 (DeepSeek-v3和GPT) 来优化低温密封材料.
- 应用机器学习模型 (XGBoost,神经网络) 来进行3D预测和分析材料属性.
- 评估人工智能生成的数据在预测材料性能和增强优化策略方面的有效性.
主要方法:
- 利用DeepSeek-v3 (DS) 和GPT来生成合成材料数据.
- 采用数据扩展技术来提高数据质量和模型稳定性.
- 利用机器学习算法,特别是XGBoost和神经网络,用于预测建模.
- 对低温密封材料相关的关键性质进行3D预测和分析.
主要成果:
- 证明了机器学习模型在预测低温密封材料的关键性质方面的有效性.
- 展示了人工智能生成的数据用于材料性能预测的成功应用.
- 证实数据扩展技术显著提高模型的准确性和可靠性.
- 验证了人工智能驱动的材料优化方法的潜力.
结论:
- 由人工智能生成的数据驱动的机器学习是优化低温密封材料的高效工具.
- 人工智能生成的数据可以可靠地预测材料性能,减少了对广泛实验测试的需求.
- 这项研究为人工智能辅助材料科学和工程的未来研究提供了宝贵的见解和框架.
