机器学习增强的超高真空系统,用于预测石墨烯增强基金属矩阵复合材料的野外排放性能
Sunil Kumar Pradhan1, Subhayu Kabiraj2, Shivin Kumar Gupta2
1School of Electronics Engineering, Vellore Institute of Technology, Chennai, 600127, India. sunilkumar.pradhan@vit.ac.in.
Scientific reports
|July 21, 2025
概括
用石墨烯增强的复合材料显示出有前途的场辐射特性. 机器学习模型准确地预测,2%重量的石墨烯 (AlGr2) 为先进的电子和阴极系统提供了最佳性能.
科学领域:
- 材料科学 材料科学 材料科学
- 纳米技术 纳米技术
- 电子工程 电子工程
背景情况:
- 基于的金属矩阵复合材料 (AlGr-MMCs) 对于先进的电子和阴极系统至关重要.
- 高功率微波设备和能源应用中,场辐射性能是关键.
- 材料组成显著影响AlGr-MMC的排放稳定性和效率.
研究的目的:
- 研究石墨烯结合对基金属矩阵复合材料 (AlGr-MMCs) 现场排放特性的影响.
- 使用机器学习 (ML) 模型预测具有不同石墨烯含量 (1.25-2.0 wt%) 的AlGr复合材料的排放电流密度和稳定性.
主要方法:
- 采用了两阶段的机器学习框架,利用来自纯和复合材料的数据集,其中含有0.5-1.0重量%的石墨烯.
- 根据R2,RMSE和调整的R2分数,训练和评估了各种ML模型.
- 先进的技术,如梯度基和合集方法被用于模型的改进.
主要成果:
- 分析了含有1.25-2.0重量%石墨烯的AlGr复合物.
- AlGr2 (2重%石墨烯) 显示了最低的启动电场,表明了优越的电场排放性能.
- 在AlGr2中优化的石墨烯分散和透有助于其增强的导电网络和场增强.
结论:
- 机器学习有效地预测了AlGr-MMC中的场辐射行为.
- 由于最佳的石墨烯集成,AlGr2表现出优越的场辐射特性.
- 这些发现为优化AlGr-MMC用于高性能电子应用提供了洞察力.
