.png){kind=icon}
返回
Absorbent material composition prediction based on multi-objective regression with value stacking and selection
.png){kind=icon}
OA
AI
DOI：10.3389/fmats.2025.1610601.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
引言：电磁波吸收材料能够减少入射波能量；机器学习则专注于数据驱动的材料设计方法。传统的多目标回归方法往往无法提供准确的组分预测，限制了其性能。
方法：我们提出了一种用于吸收体组分的多目标预测模型。通过在回归链中使用单变量预测作为累积特征，提升了特征表示能力。性能指标用于识别材料组分的最优预测变量，并有助于根据所需性能和预测值对碳纳米管进行分类。
结果与讨论：实验结果表明，该模型在碳纳米管、碳黑和碳纤维上取得了比其他方法更好的R2值和均方误差；在碳纳米管分类方面达到了最优的准确率和马修斯相关系数，验证了该方法在材料组分设计中的有效性。
Keyword:
electromagnetic wave absorption materials
machine learning
multi-objective predictive model
carbon nanotubes
material composition design
期刊
IF:
6.9
论文数:
1.1K
被引数:
2.4K
机构
引用论文
Multi-output ensemble deep learning: A framework for simultaneous prediction of multiple electrode material properties多输出集成深度学习: 一种同时预测多种电极材料特性的框架
PREAI
分享收藏Multi-target regression via input space expansion: treating targets as inputs.png)
MACHINE LEARNING
OAAI
MACHINE LEARNINGIF2.9
OAAI分享收藏Electromagnetic microwave absorption theory and recent achievements in microwave absorbers电磁微波吸收理论和微波吸收剂的最新成就CARBON
CARBONIF11.6
PREAI
分享收藏Prediction Network of Metamaterial with Split Ring Resonator Based on Deep Learning基于深度学习的裂环谐振器超材料预测网络OAAI
OAAI分享收藏“Predicting the surface elastic parameters of soft solids using multi-output decision tree regressor,” in AIP conference proceedings, 3168. Melville, NY: AIP Publishing, 020024“使用多输出决策树回归器预测软固体的表面弹性参数,” 载于《AIP会议录》, 3168卷。Melville, NY: AIP Publishing, 020024。
IF0
PREAI
分享收藏Deep learning for accelerated all-dielectric metasurface design用于加速全电介质超表面设计的深度学习OPTICS EXPRESSOAAI
OPTICS EXPRESSIF3.3
OAAI分享收藏
查看更多内容