利用神经网络预测防冰性能
软凝聚态物质
2020-08-04 v1 材料科学
机器学习
摘要
受超疏水表面启发的防冰表面为结冰问题提供了被动解决方案。然而，防冰性建模具有挑战性，因为某些有助于超疏水性的材料特征会对防冰性能产生不利影响。本研究提出一种基于人工神经网络的防冰性建模新方法。开发了人工神经网络模型以预测混凝土的防冰性能。这些模型在实验数据上训练，以预测表面冰粘附强度以及水滴在冷冻条件下从表面弹跳的回弹系数(COR)。将材料与涂层组成以及环境条件用作模型输入变量。训练了一个多层感知机预测COR，其均方根误差为0.08，90%置信区间为[0.042, 0.151]。部署后该模型的决定系数为0.92。由于样品的冰粘附强度在较宽数值范围内变化，开发了混合密度网络模型以学习多模态数据中的潜在关系。该模型的决定系数为0.96。利用排列重要性计算了输入变量在防冰性能中的相对重要性。所开发的模型将有助于优化混凝土的防冰性。
引用
@article{arxiv.2008.00966,
title = {Using neural networks to predict icephobic performance},
author = {Rahul Ramachandran},
journal= {arXiv preprint arXiv:2008.00966},
year = {2020}
}