Вышедшие номера
Home » Журнал технической физики » Год 2025, выпуск 5 » Статья стр. 879
<<<>>>
Применение методов машинного обучения для прогнозирования коэффициента оптического поглощения композитной керамики на основе гидроксиапатита
Резванова А.Е.1, Кудряшов Б.С.1, Пономарев А.Н.1,2
1Институт физики прочности и материаловедения СО РАН, Томск, Россия
2Томский государственный университет систем управления и радиоэлектроники, Томск, Россия
Email: ranast@ispms.ru
Поступила в редакцию: 15 января 2025 г.
В окончательной редакции: 15 января 2025 г.
Принята к печати: 15 января 2025 г.
Выставление онлайн: 24 апреля 2025 г.
PDF версия
На основе данных эксперимента методами машинного обучения построены модели для прогнозирования коэффициента оптического поглощения керамики на основе гидроксиапатита и композитов с добавками 0.1 mass% и 0.5 mass% многостенных углеродных нанотрубок в частотном диапазоне терагерцового излучения от 0.2 до 1.4 THz. Наименьшее значение средней абсолютной ошибки показало моделирование методами адаптивного бустинга (0.951 %), а также с помощью нейронных сетей (0.049 %). Результаты численного моделирования подтверждают, что применение методов машинного обучения позволяет с высокой точностью прогнозировать коэффициент поглощения для керамических материалов с концентрациями углеродных нанотрубок в интервале от 0 mass% до 0.5 mass%. Это открывает возможности для оптимизации состава композитов на основе гидроксиапатита для управления их оптическими характеристиками. Ключевые слова: прогнозирование, регрессионный анализ, машинное обучение, нейронные сети, гидроксиапатит, многостенные углеродные нанотрубки, коэффициент поглощения.
  1. K. Stergiou, C. Ntakolia, P. Varytis, E. Koumoulos, P. Karlsson, S. Moustakidis. Comput. Mater. Sci., 220, 112031 (2023). DOI: 10.1016/j.commatsci.2023.112031
  2. A. Stoll, P. Benner. GAMM Mitteilungen, 44 (1), E202100003 (2021). DOI: 10.1002/gamm.202100003
  3. M. Rahman, Y. Li, C. Wen. J. Magnes. Alloys., 8 (3), 929 (2020). DOI: 10.1016/j.jma.2020.05.003
  4. M.S. Barabashko, M.V. Tkachenko, A.A. Neiman, A.N. Ponomarev, A.E. Rezvanova. Appl. Nanosci., 10, 2601 (2020). DOI: 10.1007/s13204-019-01019-z
  5. C. Feng, K. Zhang, R. He, G. Ding, M. Xia, X. Jin, C. Xie. J. Adv. Ceram., 9, 360 (2020). DOI: 10.1007/s40145-020-0375-8
  6. P. Bawuah, D. Markl, D. Farrell, M. Evans, A. Portieri, A. Anderson, D. Goodwin, R. Lucas, J.A. Zeitler. J. Inf. Millim. Te. W., 41, 450 (2020). DOI: 10.1007/s10762-019-006590
  7. S. Cho, J. Kim, S.-B. Lee, M. Choi, D.-H. Kim, I. Jo, H. Kwon, Y. Kim. Compos. Part A Appl. Sci. Manuf., 139, 106138 (2020). DOI: 10.1016/j.compositesa.2020.106138
  8. S.M. Taromsari, M. Salari, R. Bagheri, M.A.F. Sani. Compos. B. Eng., 175, 107181 (2019). DOI: 10.1016/j.compositesb.2019.107181
  9. C. Gao, P. Feng, S. Peng, C. Shuai. Acta Biomater., 61, 1 (2017). DOI: 10.1016/j.actbio.2017.05.020
  10. С.А. Михайлов. Диффузное загрязнение водных экосистем. Методы оценки и математические модели (Экология, Барнаул, 2000)
  11. G. Genty, L. Salmela, J.M. Dudley, D. Brunner, A. Kokhanovskiy, S. Kobtsev, Sergei K. Turitsyn. Nat. Photonics, 15 (2), 91 (2021). DOI: 10.1038/s41566-020-00716-4
  12. I.A. Hodashinsky, I.V. Filimonenko, K.S. Sarin. Optoelectron. Instrument. Proc., 53, 379 (2017). DOI: 10.3103/S8756699017040100
  13. M. Liu, H. Li, H. Zhou, H. Zhang, G. Huang. Compos. Commun., 49, 101988 (2024). DOI: 10.1016/j.coco.2024.101988
  14. P. Xu, H. Chen, M. Li, W. Lu. Adv. Theory Simul., 5 (5), 2100565 (2022). DOI: 10.1002/adts.202100565
  15. S.V. Chaudhari, J. Sristi, R. Gopal, M. Amutha, V. Akshaya, P. Vijayalakshmi. Scientific Temper., 15 (01), 1619 (2024). DOI: 10.58414/SCIENTIFICTEMPER.2024.15.1.08
  16. R. Ghosh, S. Chanda, D. Chakraborty. MEP, 95, 64 (2021). DOI: 10.1016/j.medengphy.2021.08.002
  17. A. Zarei, A. Farazin. J. Aust. Ceram. Soc., 1 (2024). DOI: 10.1007/s41779-024-01084-w
  18. K. Guo, Z. Yang, C.H. Yu, M.J. Buehle. Mater. Horizon, 8 (4), 1153 (2021). DOI: 10.1039/D0MH01451F
  19. W.B. Chaabene, M. Flah, M.L. Nehdi. Constr. Build. Mater., 260, 119889 (2020). DOI: 10.1016/j.conbuildmat.2020.119889
  20. Е.О. Хазиева, Н.М. Щелкачев, А.О. Типеев, Р.Е. Рыльцев. ЖЭТФ, 164 (6), 980 (2023). DOI: 10.31857/S004445102312012X
  21. D.M. Liu. Ceram. Int., 23 (2), 135 (1997). DOI: 10.1016/S0272-8842(96)00009-0
  22. L.A. Golovan, V.Y. Timoshenko, P.K. Kashkarov. Phys. Usp., 50 (6), 595 (2007). DOI: 10.1070/PU2007v050n06ABEH006257
  23. E.A. Abdel Wahab, K.S. Shaaban, E.S. Yousef. OQE, 52, 1 (2020). DOI: 10.1007/s11082-020-02575-3
  24. A.E. Rezvanova, B.S. Kudryashov, A.N. Ponomarev, A.I. Knyazkova, V.V. Nikolaev, Y.V. Kistenev. Nanosystems: Phys. Chem. Math., 14 (5), 530 (2023). DOI: 10.17586/2220-8054-2023-14-5-530-538
  25. Н.Р. Дрейпер. Прикладной регрессионный анализ (Рипол Классик, 1973)
  26. Электронный ресурс. TensorFlow. Режим доступа: https://www.tensorflow.org/?hl=ru (дата обращения: 14.11.2024)
  27. Электронный ресурс. Keras. Режим доступа: https://keras.io/ (дата обращения: 14.11.2024)
  28. С.Г. Сандомирский. Актуальные вопросы машиноведения, 7, 339 (2018)
  29. Z. Du, Y. Hu, N.A. Buttar. Sci. Hortic., 260, 108886 (2020). DOI: 10.1016/j.scienta.2019.108886
  30. Электронный ресурс. Scikit-learn Machine Learning in Python. Scikit-learn, Режим доступа: https://scikit-learn.org/stable/index.html (дата обращения: 14.11.2024)
  31. W.C. Yang, J.Y. Yang, R.C. Kim. Adv. Mater. Sci. Eng., 2023 (1), 7069987 (2023). DOI: 10.1155/2023/7069987
  32. S. Kwak, J. Kim, H. Ding, X. Xu, R. Chen, J. Guo, H. Fu. J. Mater. Res. Technol., 18, 520 (2022). DOI: 10.1016/j.jmrt.2022.02.108
  33. A.G. Priya Varshini, K. Anitha Kumari, V. Vijayakumar. Electronics, 10 (10), 1195 (2021). DOI: 10.3390/electronics10101195
  34. C. Zhang, Y. Ma. Ensemble machine learning (Springer, NY., 2012), v. 144
  35. F. Kibrete, T. Trzepiecinski, H.S. Gebremedhen, D.E. Woldemichael. J. Compos. Sci., 7, 364 (2023). DOI: 10.3390/jcs7090364
  36. Н.Е. Бабушкина, А.А. Рачев. Инновационные технологии в машиностроении, образовании и экономике, 27 (2), 12 (2020)
  37. Д.В. Ширшова, А.Т. Хананова, Э.Ф. Хидиятуллина. Фундаментальная и прикладная наука: состояние и тенденции развития. Сб. статей V Междунар. научно-практической конф., 60 (2020)
  38. С. Хайкин. Нейронные сети: полный курс, 2-е издание (Издат. дом Вильямс, 2008)
  39. Ю.В. Андронов, В.Н. Мельников, А.В. Стрекалов. Геология, геофизика и разработка нефтяных и газовых месторождений, 9, 18 (2015)
  40. А.С. Балыков, Е.А. Каледина, С.В. Володин. Нанотехнологии в строительстве: научный интернет-журнал, 15 (2), 171 (2023). DOI: 10.15828/2075-8545-2023-15-2-171-186
  41. А.М. Колесников, И.И. Митричев. Успехи в химии и химической технологии, 37 (4 (266)), 10 (2023)
  42. D.A. Swanson. IREF, 5 (1), 1 (2015)
  43. S. Kumar, T. Kaur. Energy Proced., 90, 587 (2016). DOI: 10.1016/j.egypro.2016.11.227

Подсчитывается количество просмотров абстрактов ("html" на диаграммах) и полных версий статей ("pdf"). Просмотры с одинаковых IP-адресов засчитываются, если происходят с интервалом не менее 2-х часов.

Дата начала обработки статистических данных - 27 января 2016 г.

Учредители

Издатель

© 2025 Физико-технический институт им. А.Ф. Иоффе Российской академии наук
Powered by webapplicationthemes.com - High quality HTML Theme