利用机器学习预测约化玻璃转变温度
材料科学
2020-05-19 v1
摘要
计算材料科学的出现为材料建模与制备的数据驱动方法铺平了道路。利用合金成分的变化来预测玻璃形成能力(GFA)等性质，仍是材料科学领域中的一个具有挑战性的问题，也给制造业带来了显著的财务顾虑。尽管存在各种用于预测GFA的经验准则，一个综合的预测模型仍然极为需要。本工作重点研究了一些流行的机器学习算法，用于预测材料组分的约化玻璃转变温度(Trg)。通过实验，我们得出结论：集成模型在预测Trg方面表现更优。这一结果可通过帮助我们开发具有优异性能的材料，而在材料科学分支中证明是有用的。
引用
@article{arxiv.2005.08872,
title = {Prediction of Reduced Glass Transition Temperature using Machine Learning},
author = {Akash Ravi and Prakash P and Kailashnath N},
journal= {arXiv preprint arXiv:2005.08872},
year = {2020}
}