替代辅助优化卷对卷槽模具涂层的替代辅助优化
Christopher Passmore1, Kai E Wu2, Jonathan R Howse3
1School of Chemical Materials and Biological Engineering, The University of Sheffield, S1 3JD, Sheffield, UK. cgpassmore1@sheffield.ac.uk.
Scientific reports
|August 9, 2025
概括
机器学习通过使用神经网络来预测厚度和均性来优化滚滚槽模板涂层. 这种方法显著提高了涂层的质量和效率,为更广泛的工业采用铺平了道路.
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.
- 制造过程 制造过程 制造过程
背景情况:
- 卷对卷槽模具涂层对于精确的薄膜沉积至关重要,但复杂的优化.
- 目前的优化方法未得到充分利用,阻碍了这一关键的湿处理技术的性能改进.
研究的目的:
- 应用机器学习,特别是辐射基函数神经网络,以优化卷对卷槽模具涂层.
- 确定影响涂层厚度和均性的关键工艺参数.
主要方法:
- 使用在实验数据上训练的辐射基函数神经网络开发了代孕模型.
- 采用进化优化算法来识别最佳操作参数.
- 通过实验试验验证优化参数.
主要成果:
- 在涂层厚度和均性 (平均绝对误差<11.5%) 方面实现了高预测准确度.
- 确定了遮光厚度和基板速度作为统一性的关键参数.
- 优化条件改善了涂层的均性,将超体积分数从0.68增加到0.84.
结论:
- 机器学习提供了一种强大,数据驱动的方法来优化复杂的涂层过程.
- 该研究表明,使用ML引导的优化方法,涂层质量和效率得到了显著改善.
- 这项工作支持将机器学习和计量学整合到工业槽模涂层应用中.
