Дослідження зв’язків між фазовим складом та мікроструктурою в полімерних нанокомпозитах: інтелектуальний підхід

Автори A.B. Pawar1 , P. William2 , M.V. Kulkarni3, Sharmila4 , D.K. Roy5, N. Yogeesh6
Афіліація

1Department of Computer Engineering, Sanjivani College Engineering, Kopargaon, SPPU, Pune, India

2Department of Information Technology, Sanjivani College Engineering, Kopargaon, SPPU, Pune, India

3Engineering Science and Humanities, Sanjivani College of Engineering, Kopargaon, SPPU, Pune, India

4Department of ECE, Raj Kumar Goel Institute of Technology, Ghaziabad, India

5Hyderabad Institute of Technology and Management, Gowdavelli Village, Medchal, Hyderabad

6Department of Mathematics, Government First Grade College, Tumkur, Karnataka, India

Е-mail william160891@gmail.com
Випуск Том 16, Рік 2024, Номер 4
Дати Одержано 10 квітня 2024; у відредагованій формі 15 серпня 2024; опубліковано online 27 серпня 2024
Цитування A.B. Pawar, P. William, та ін., Ж. нано- електрон. фіз. 16 №4, 04004 (2024)
DOI https://doi.org/10.21272/jnep.16(4).04004
PACS Number(s) 81.05.Qk
Ключові слова Полімерні нанокомпозити (PNC), наночастинки (NP), функція радіального розподілу (RDF), інтелекту-альний динамічний випадковий ліс, злитий медоносними бджолами (IHB-FDRF), середньоквадратична помилка (MSE).
Анотація

У полімерних нанокомпозитах (PNCs) взаємозв’язки між мікроструктурою охоплюють складні зв’язки між розміщенням нанонаповнювача в полімерній матриці та кінцевими характеристиками композиту. Дисперсія, розмір, форма та хімічні взаємодії нанонаповнювачів впливають на продуктивність PNCs, причому теплофізичні властивості змінюються залежно від складу. Встановлення універсального зв’язку між складом і властивостями PNCs є складним завданням через їхню величезну хімічну різноманітність. У цьому дослідженні пропонується інноваційний підхід машинного навчання (ML), інтелектуальний динамічний випадковий ліс, об’єднаний медоносними бджолами (IHB-FDRF), для прогнозування зв’язку складу та мікроструктури PNCs. Використовуючи обчислювальне бачення та розпізнавання зображень, IHB-FDRF прогнозує дисперсію наночастинок (NP), перевірену за допомогою симуляції грубої молекулярної динаміки. Модель прогнозує розміщення NP у PNCs у латентному просторі, перекладаючи на функцію радіального розподілу (RDF) за допомогою алгоритму IHB-FDRF. Середня квадратична помилка (MSE) у прогнозах, яка кількісно визначає середню квадратну різницю між прогнозованими та фактичними значеннями, є вражаюче низькою і становить 0,005 під час фази навчання, що підтверджує точність моделі. Надійність дослідження додатково підтверджується перекриттям прихованих значень в обох областях, що означає конвергенцію між прихованими характеристиками та забезпечення надійності в різних контекстах. Підсумовуючи, це дослідження дає значні висновки щодо взаємозв’язків мікроструктури PNCs.Kлючові слова: Полімерні нанокомпозити (PNC), наночастинки (NP), функція радіального розподілу (RDF), інтелектуальний динамічний випадковий ліс, злитий медоносними бджолами (IHB-FDRF), середньоквадратична помилка (MSE).

Перелік посилань