返回
Harnessing Machine Learning to Predict MoS2 Solid Lubricant Performance
DOI:10.1007/s11249-024-01957-y.png)
摘要
En 中文
物理气相沉积(PVD)二硫化钼(MoS2)固体润滑涂层是机器学习方法的典型材料体系,因为工艺变量的微小变化通常会导致微观结构和力学/摩擦学性能的显著变化。在本工作中,采用梯度提升回归树机器学习方法应用于包含工艺、微观结构和性能信息的现有实验数据集,以深入了解二硫化钼(MoS2)固体润滑涂层的工艺-结构-性能关系。优化和交叉验证的模型显示出对密度、减模量、硬度、磨损率和初始摩擦系数的良好预测能力。通过特征重要性突出了各沉积变量(即氩气压力、沉积功率、靶材调节)对涂层性能的贡献。本文建立的工艺-性能关系展示了线性和非线性关系,并强调了未受控沉积变量(即靶材调节)对摩擦学性能的影响。
Keyword:
MoS2
Machine learning
Thin films
Deposition optimization
PVD
Tribology
Sputtering
期刊
IF:
3.3
论文数:
274
被引数:
7.9K
机构
引用论文
Evaluation of empirical models for predicting monthly mean horizontal diffuse solar radiation预测月平均水平散射太阳辐射的经验模型的评估
Artificial intelligence-based predictive model of nanoscale friction using experimental data
FRICTION
IF8.2

