在多层薄膜中的层级可塑性和界面凝聚性参数的机器学习反转
Baorui Liu1, Shuyue Liu2, Kaiwei Xing2
1Science and Technology on Reliability and Environment Engineering Laboratory, Beijing Institute of Structure and Environment Engineering, Beijing 100076, China.
本研究介绍了一种机器学习方法,用于在多层薄膜中快速评估材料参数. 与传统技术相比,它显著提高了塑料参数和接口特性的效率和准确性.
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
- 机器学习应用 机器学习应用
背景情况:
- 对于薄膜来说,传统的材料参数反转是耗时且低效的.
- 多层薄膜结构需要准确地描述层 wise 属性和接口.
研究的目的:
- 开发一种基于机器学习的快速有效的方法,用于评估多层薄膜中的材料参数.
- 为了克服传统参数逆转技术的局限性.
主要方法:
- 进行纳米沉积实验,以收集多层薄膜的数据.
- 构建一个 2D 弹性塑料模型来生成用于机器学习训练的负载深度曲线.
- 使用模拟和实验数据进行机器学习模型的训练和验证.
主要成果:
- 机器学习模型准确地识别了层 wise 的塑料参数和界面凝聚性质.
- 在反转层间凝聚力参数时获得高精度,相关系数R2 ≥ 0.99.
- 将参数估计时间缩短到不到1小时的批量分析,显著提高效率.
结论:
- 拟议的方法为在多层薄膜中进行材料参数评估提供了一个高度准确和高效的替代方案.
- 这种方法为薄膜材料的性能评估和优化设计提供了有价值的工具.
- 该方法证明了广泛的适用性和促进薄膜材料表征的潜力.
更多相关视频
12:54Density Gradient Multilayered Polymerization DGMP: A Novel Technique for Creating Multi-compartment, Customizable Scaffolds for Tissue Engineering
Published on: February 12, 2013
09:09Layer-by-layer Synthesis and Transfer of Freestanding Conjugated Microporous Polymer Nanomembranes
Published on: December 15, 2015
相关概念视频
Plastic Behavior
Plastic Deformations
Plastic Deformations
Plasticity
Plastic Deformations of Members with a Single Plane of Symmetry
Generalized Hooke's Law
