午夜福利在线观看午夜电影街BT,色综合,久久久久无码中

趙仕俊/吳正剛npj Comput. Mater.: 機器學習指導設計高熵碳化物陶瓷

高熵陶瓷（HEC）在高應力和高溫等苛刻條件下顯示出巨大的應用潛力。然而，巨大的相空間對新型高性能HEC的合理設計提出了巨大挑戰(zhàn)。

在此，香港城市大學趙仕俊教授、湖南大學吳正剛教授等人開發(fā)了機器學習（ML）模型來發(fā)現(xiàn)高熵碳化物陶瓷（HECC），以基于HECC候選物及其組成二元過渡金屬碳化物（TMC）的化學屬性來預測HECC的單相概率。

利用從DFT計算中獲得的前兆信息和參數(shù)，訓練有素的支持向量機（SVM）和人工神經(jīng)網(wǎng)絡（ANN）模型可以預測其中陽離子來自IV、V或VI族的單相HECC。IV族和V族TMC可以很容易地形成具有改善機械性能的單相HECC，由于VI族金屬中的更高價填充，作者預計這些元素的加入可以進一步提高HECC的性能。

圖1. ML模型的性能

研究表明，ML模型展示了很高的預測準確度（SVM和ANN模型分別為0.982和0.944）。使用這些訓練有素的模型，作者研究了約90個未合成的HECC的單相概率并預測了38個單相 HECC，其中包含來自IV、V和VI族金屬的五種陽離子，這些預測與當前的實驗結(jié)果非常吻合。通過僅對組成前體的特性進行訓練，該ML模型能夠預測非等原子HECC的相形成概率。

作者進一步建立了跨越整個成分空間的非等原子HECC的相圖，通過該相圖可以輕松識別單相狀態(tài)。因此，該研究開發(fā)的ML模型可以加速等原子和非等原子HECC的發(fā)現(xiàn)，這為沉浸式相空間內(nèi)的合理HECC設計開辟了道路，從而可以有效地調(diào)整HECC的特性。

圖2. 不同特征的相對重要性分析

Design high-entropy carbide ceramics from machine learning, npj Computational Materials 2022. DOI: 10.1038/s41524-021-00678-3

原創(chuàng)文章，作者：v-suan，如若轉(zhuǎn)載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/10/15/aeb3d428a5/

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

趙仕俊/吳正剛npj Comput. Mater.: 機器學習指導設計高熵碳化物陶瓷

相關推薦