纳米粉体水热制备机理的原位研究

水热合成法在制备纳米粉体材料方面具有许多独特的优势,但是由于反应在密闭容器中进行,很难研究清楚反应机理和动力学过程。利用原位检测技术,我们能够实时在线地监测反应过程,获得反应前驱体、相转变以及短寿命中间相的信息,更好地理解成核、结晶生长等动力学过程,进而为材料的可控制备提供依据。根据近年来国内外研究进展,本文全面介绍了基于同步辐射光源的能量色散分辨X射线衍射(EDXRD)、角度分辨X射线衍射(ADXRD)、X射线吸收精细结构谱(XAFS)、小角X射线散射(SAXS)、中子粉末衍射及小角散射(NPD和SANS)以及基于各种光谱(UV-Vis、Raman、FTIR)的原位检测技术和检测装置,以及纳米粉体水热制备机理的原位研究最新进展。     

聚丙烯复合材料老化数据集成学习

聚丙烯复合材料老化实验周期长, 且单次实验采集的数据样本少, 使用传统机器学习方法进行预测的准确度较低. 为了解决聚丙烯复合材料老化数据样本少与预测准确性低的问题, 提出了一种虚拟样本生成(virtual sample generation, VSG)的集成学习预测方法. 首先, 对聚丙烯复合材料老化数据使用高斯混合模型(Gaussian mixed model, GMM)虚拟样本生成方法平滑生成验证有效的虚拟样本; 然后, 使用生成后的数据集建立集成学习预测模型, 该模型包含随机森林(random forest, RF)、极端梯度提升(extreme gradient boosting, XGBoost)算法、轻量级梯度提升机(light gradient boosting machine, LightGBM)算法以及分类梯度提升(categorical boosting, CatBoost)算法. 实验表明: 集成学习模型的 LightGBM 算法与 CatBoost 算法性能最优, 在测试数据上均方误差为 0.001 3 与 0.000 1, 比 RF 算法与 XGBoost 算法分别高出 0.4 与 0.2. 聚丙烯复合材料老化虚拟样本生成与集成学习方法可以有效解决实验周期长、单次实验采集的数据样本少的问题, 并可取得比单一机器学习算法更优的性能.     

基于机器学习的低弹性模量钛合金建模和预测的研究

针对钛合金弹性模量快速预测的需要，采用合金设计公式对原始合金数据进行转换，利用转换所得的Mo当量、d-电子结合次数和d-电子结合能作为数据集；采用多层感知器、随机森林网络和卷积神经网络三种机器学习方法，基于数据驱动方式搭建钛合金成分与弹性模量的关系模型。结果表明，相比随机森林网络模型和卷积神经网络模型，多层感知器模型具有更优的预测性能和预测精度。此外，多层感知器模型的预测能力符合预期，其相关指数评分达到0.66，均方根误差为7.54 GPa；说明多层感知器适用于医用钛合金的数据挖掘和研发。