|
|||||
|
|
| 基于机器学习的BiFeO3-PbTiO3-BaTiO3固溶体居里温度预测 | |
| 引用本文： | 焦志翔,贾帆豪,王永晨,陈建国,任伟,程晋荣.基于机器学习的BiFeO3-PbTiO3-BaTiO3固溶体居里温度预测[J].无机材料学报,2022,37(12):1321-1328. |
| 作者姓名： | 焦志翔 贾帆豪 王永晨 陈建国 任伟 程晋荣 |
| 作者单位： | 1.上海大学 材料科学与工程学院, 上海 200444 2.上海大学 物理系, 量子与分子结构国际中心, 上海 200444 |
| 基金项目： | 水声对抗技术重点实验室开放基金(JCKY2020207CH02);国家自然科学基金(51872180);国家自然科学基金(51672169) |
| 摘 要： | 钙钛矿(ABO3)型压电陶瓷的发展已有几十年历史, 现存有大量数据, 从这些数据中寻找出材料结构与性能之间的关系很有意义。本工作收集了BiFeO3-PbTiO3-BaTiO3钙钛矿型压电陶瓷居里温度(Tc)实验数据, 通过机器学习，构建钙钛矿型压电陶瓷Tc的预测模型。热力学角度, Tc与约合质量符合二次多项式关系, 但偏差较大。选择元素信息、物理量、空间群编号等基础描述符, 利用基于压缩感知原理的SISSO(Sure Independence Screening and Sparsifying Operator)方法进行机器学习, 找出了Tc与成分之间的相关性。比较不同描述符在不同维度上的均方根误差RMSE (Root Mean Square Error), 发现描述符越多、越基础, 维数越大、RMSE越小。同时比较相同个数描述符在同一维度下的RMSE, 用约合质量、A位和B位的离子半径比、A位和B位的未填充电子数比和Ba、Pb、Bi的元素含量等六个描述符构建出最优的四维模型, 其RMSE为0.59 ℃, 最大绝对误差(MaxAE)为1.38 ℃, 外部测试的平均相对误差MRE (Mean Relative Error)为1.00%。结果表明，利用SISSO可以进行有限样本钙钛矿型压电陶瓷Tc的机器学习预测。 |
| 关 键 词： | 钙钛矿型压电陶瓷 机器学习 居里温度 SISSO |
| 收稿时间： | 2022-02-17 |
| 修稿时间： | 2022-03-29 |
Curie Temperature Prediction of BiFeO3-PbTiO3-BaTiO3 Solid Solution Based on Machine Learning |
|
| JIAO Zhixiang,JIA Fanhao,WANG Yongchen,CHEN Jianguo,REN Wei,CHENG Jinrong.Curie Temperature Prediction of BiFeO3-PbTiO3-BaTiO3 Solid Solution Based on Machine Learning[J].Journal of Inorganic Materials,2022,37(12):1321-1328. | |
| Authors: | JIAO Zhixiang JIA Fanhao WANG Yongchen CHEN Jianguo REN Wei CHENG Jinrong |
| Affiliation: | 1. School of Materials Science and Engineering, Shanghai University, Shanghai 200444, China 2. Department of Physics, International Center for Quantum and Molecular Structures, Shanghai University, Shanghai 200444, China |
| Abstract: | |
| Keywords: | perovskite piezoelectric ceramics machine learning Curie temperature SISSO |
| 点击此处可从《无机材料学报》浏览原始摘要信息 | |
| 点击此处可从《无机材料学报》下载全文 | |