Автори | Vaibhav D. Dabhade1, Bhagyashree Ashok Tingare2, Sandip R. Thorat3, R.A. Kapgate4, Tarun Dhar Diwan5, Laxmikant S Dhamande3, P. William6 |
Афіліація |
1MET Institute of Engineering, Nashik, MH, India 2Department of Artificial Intelligence and Data Science, D Y Patil College of Engineering, Akurdi, Pune, India 3Department of Mechanical Engineering, Sanjivani College of Engineering, Kopargaon, MH, India 4Department of Mechatronics Engineering, Sanjivani College of Engineering, Kopargaon, MH, India 5Controller of Examination (COE), Atal Bihari Vajpayee University, Bilaspur, India 6Department of Information Technology, Sanjivani College of Engineering, Kopargaon, MH, India |
Е-mail | vaibhavd_ioe@bkc.met.edu |
Випуск | Том 17, Рік 2025, Номер 3 |
Дати | Одержано 08 квітня 2025; у відредагованій формі 20 червня 2025; опубліковано online 27 червня 2025 |
Цитування | Vaibhav D. Dabhade, Bhagyashree Ashok Tingare, Sandip R. Thorat, та ін., Ж. нано- електрон. фіз. 17 № 3, 03023 (2025) |
DOI | https://doi.org/10.21272/jnep.17(3).03023 |
PACS Number(s) | 07.05.Mh, 77.55. + f |
Ключові слова | Діелектрична поведінка, Наноепоксидні матеріали, Штучний інтелект (4) , Моделі машинного навчання, FSS-MAdaBoost. |
Анотація |
Для прогнозування діелектричної поведінки наноепоксидних композитів було запропоновано складні алгоритми машинного навчання. Діелектричні характеристики були точно оцінені для максимізації використання наноепоксидного композиту в електроніці. Використовуючи моделі штучного інтелекту та дані про їхні електричні властивості, метою є прогнозування діелектричної поведінки наноепоксидних матеріалів. Для досягнення узгодженого внеску характеристик набір даних був попередньо оброблений за допомогою нормалізації min-max, яка нормалізувала діапазон вхідних характеристик. Тому представлена модель Malleable AdaBoost, керована алгоритмом пошуку білки (FSS-MAdaBoost), яка поєднує MAdaBoost з FSS. Ця гібридна модель може подолати типові недоліки покращеної точності прогнозування та успішної обробки складних та нелінійних зв'язків між характеристиками. Запропонована модель порівнюється з існуючою моделлю. Продуктивність була оцінена за допомогою вимірювань RMSE (0,018) та MAE (0,01). Згідно з вищезазначеними результатами, модель на основі FSS-MAdaBoost перевершує попередні підходи зі значно нижчими значеннями RMSE та MAE, що свідчить про кращі прогнози та надійність. Результати вказали на перспективні напрямки прогнозування діелектричних властивостей за допомогою моделі FSS-MAdaBoost для наноепоксидних матеріалів, надаючи цінну інформацію, яку вчені-матеріалознавці та інженери можуть використовувати для оптимізації дизайну матеріалів, тим самим покращуючи електронні застосування. |
Перелік посилань |