基于机器学习的稳定性分析,对铜基板上的环保超疏水性石墨烯基涂层进行了稳定性分析
Himanshu Prasad Mamgain1, Maria Vittoria Diamanti2, Pravat Ranjan Pati3
1Department of Physics, Applied Science, School of Advanced Engineering, UPES, Dehradun, 248007, Uttarakhand, India. himanshuhm1111@gmail.com.
Scientific reports
|October 3, 2025
概括
机器学习模型预测了铜上的超疏水性石墨烯涂层的耐用性. XGBoost和Random Forest擅长预测各种应力下的涂层稳定性,从而提高了材料设计.
科学领域:
- 材料科学 材料科学 材料科学
- 计算材料科学科学 计算材料科学
- 表面工程是什么?表面工程是什么?
背景情况:
- 开发耐用,环保的超性 (SHP) 涂层对于保护铜等材料至关重要.
- 石墨烯的结合提高了涂层的弹性和使用寿命.
- 在各种应力条件下预测涂层稳定性是使用传统方法具有挑战性的.
研究的目的:
- 将机器学习 (ML) 与材料科学相结合,用于预测SHP基于石墨烯的铜涂层的稳定性.
- 评估各种ML和回归模型在压力下预测接触角 (CA) 保持的性能.
- 通过减少实验测试,加快耐用SHP涂层的设计和分析.
主要方法:
- 应用了ML模型,包括XGBoost,多项式回归,随机森林 (RF),K-最近邻居 (KNN) 和支持向量回归 (SVR).
- 在应力条件下预测的接触角 (CA) 稳定性:NaCl浸泡,磨损,带剥离,沙子冲击和露天暴露.
- 对比了不同ML算法的预测准确度和概括能力.
主要成果:
- 与SVR和KNN相比,集体学习模型 (XGBoost,RF) 和高阶多项式回归显示出更高的预测准确性.
- ML模型准确地预测了长期的CA值,强调了石墨烯在机械应力下保持超性方面的好处.
- XGBoost和RF有效地捕获了应力参数和CA保留之间的非线性关系.
结论:
- 像XGBoost和更高度多项式回归这样的先进预测模型对于理解SHP涂层稳定性至关重要.
- ML的整合大大加快了耐用,环保的SHP涂料的开发周期.
- 基于石墨烯的涂层显示出增强的弹性和延长的使用寿命,由ML预测验证.
