奇米影视777四色米奇影院,无码人妻丰满熟妇奶水区码 ,在线

弗吉尼亞大學ACS Nano：機械拉伸石墨烯薄片熱傳輸的可轉移、深度學習驅動的快速預測和設計

將石墨烯片堆積成塊狀對于實現石墨烯在柔性結構和設備中的大規模應用至關重要，而石墨烯片的任意形狀、隨機分布和相鄰重疊仍對其基本性質的預測提出挑戰，這些基本性質與機械強度和熱或電子傳輸密切相關。

圖1. 用于深度神經網絡 (DNN) 的堆積石墨烯結構的模型和表征

在此，美國弗吉尼亞大學Baoxing Xu等人提出了一種基于深度神經網絡 (DNN) 的機器學習 (ML) 方法，該方法與分子動力學模擬（MD）相結合能夠預測具有廣泛幾何配置和尺寸的堆積石墨烯結構的熱導率，以響應外部機械載荷。

此外，作者開發了一個基于物理的像素值矩陣來捕獲堆積石墨烯結構的關鍵幾何特征，并將其合并到DNN中以訓練ML模型，該模型的唯一訓練數據比率為12.5%，但預測精度為94%。ML模型進一步擴展了從原始訓練數據集中轉移的知識，以預測自定義數據集中堆積石墨烯的熱傳輸。

圖2. 基于DNN的ML框架預測堆積石墨烯結構中的熱導率時的工作流程

此外，可轉移的ML模型以及構建的數據庫證明了在快速預測堆積石墨烯結構的熱導率和加速搜索具有理想熱導率的堆積石墨烯結構方面的魯棒性和準確性。

更重要的是，作者證明了機械載荷引起的堆積石墨烯結構的配置變化可以通過訓練的DNN來識別，ML模型很好地預測了對機械載荷的熱響應，與地面實況模擬具有良好的一致性。

這項工作為通過ML模型定量評估石墨烯在機械載荷作用下的熱導率奠定了基礎，也為探索基于納米材料的塊體形式的機械可調熱性能提供了合理途徑，可用于設計具有可控熱管理性能的柔性熱結構和器件。

圖3. ML模型用于從自定義數據集預測堆積石墨烯結構的熱導率的可遷移性

Transferable, Deep-Learning-Driven Fast Prediction and Design of Thermal Transport in Mechanically Stretched Graphene Flakes, ACS Nano 2021. DOI: 10.1021/acsnano.1c06340

原創文章，作者：科研小搬磚，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/10/14/517bec9581/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

弗吉尼亞大學ACS Nano：機械拉伸石墨烯薄片熱傳輸的可轉移、深度學習驅動的快速預測和設計

相關推薦