模拟稀土过渡的磁转变温度 基于金属的双矿陶用于冷制冷应用,使用智能计算方法
1Department of Mechanical Engineering, College of Engineering, University of Hafr Al Batin, P.O. Box 1803, Hafr Al Batin 31991, Saudi Arabia.
Materials (Basel, Switzerland)
|October 16, 2025
概括
本研究介绍了一种智能极端学习机器 (ELM) 方法,用于预测用于冷应用的稀土过渡金属双矿陶的磁过渡温度. 与其他方法相比,正弦激活函数ELM模型显示出更高的预测准确性.
科学领域:
- 材料科学 材料科学 材料科学
- 凝聚物质物理学 凝聚物质物理学
- 计算材料科学科学 计算材料科学
背景情况:
- 稀土过渡金属双矿 (E2TMO6) 由于其多铁性和可调节的磁性特性,对冷应用具有前景.
- 实验确定这些陶中的磁过渡温度是具有挑战性和劳动密集的.
- 开发高效的预测模型对于优化E2TMO6陶用于冷用途至关重要.
研究的目的:
- 开发和评估基于智能极端学习机器 (ELM) 的方法,用于预测E2TMO6陶的磁过渡温度.
- 将具有不同激活函数 (sigmoid 和 sine) 的 ELM 模型的性能与基因优化的支向量回归 (GEN-SVR) 模型进行比较.
- 评估这些预测模型在推进用于低温应用的E2TMO6陶的探索方面的潜力.
主要方法:
- 实现极端学习机器 (ELM) 模型,具有西格形 (SM-ELM) 和正弦 (SE-ELM) 激活函数.
- 使用基因优化的支持向量回归 (GEN-SVR) 作为基准预测模型.
- 在测试和训练样本上使用诸如根平均平方误差 (RMSE),相关系数 (CC) 和平均绝对误差 (MAE) 等指标评估模型性能.
主要成果:
- 在测试样本上,SE-ELM模型显著优于GEN-SVR模型,在RMSE上表现出6.3%的改善,在MAE上表现出15.7%的改善.
- 此外,SE-ELM模型也表现出优于SM-ELM模型的性能,在培训样本上,CC提高了5.3%.
- 开发的ELM模型表现出高预测准确度与简单的描述符.
结论:
- 拟议的SE-ELM模型提供了一个高度准确和高效的方法来确定E2TMO6陶的磁过渡温度.
- 这种智能方法简化了E2TMO6陶的探索,可能加速它们在低温冷技术中的应用.
- 这些发现可以通过更好地利用先进的陶材料来帮助克服各种行业的能源挑战.
