莱斯大学AM: 机器学习指导闪速焦耳加热法合成石墨烯

纳米科学的进步使得能够通过闪速焦耳加热从低价值或废料中合成纳米材料，例如石墨烯。尽管这种方法很有发展前景，但目前对焦耳加热过程中控制纳米晶体形成的复杂变量仍然知之甚少。

在此，美国莱斯大学James M. Tour等人构建了机器学习（ML）模型，以探索在闪速焦耳加热过程中驱动无定形碳转化为石墨烯纳米晶体的因素。这些反应中使用的起始材料是：炭黑、塑料废料衍生的热解灰、热解橡胶轮胎和冶金焦。然后，作者通过广域拉曼映射评估了每个样品的结构特征。接下来，作者构建ML 回归模型以预测源自拉曼光谱映射的石墨烯产率指标。

首先，从用于预测石墨烯产率的可用参数中凭经验选择了总共5个特征。然后，使用5个选定的特征来训练6个ML回归模型来预测石墨烯产量，包括线性回归（LR-R）、贝叶斯回归（BR-R）、多层感知器（MLP-R）、决策树（DT-R）、随机森林（RF-R）、和极端梯度提升（XGB-R），所有回归模型使用5折交叉验证进行训练。

图1. 预测石墨烯产量的6种回归模型的性能

结果显示，结晶度的XGBoost回归模型（XGB-R）具有最佳的预测性能，R²为0.8051 ± 0.054，提取的特征重要性分析和决策树揭示了选择起始材料的关键考虑因素及随机电流波动在闪速焦耳热合成中的作用。此外，部分依赖性分析证明了电荷和电流密度作为结晶度预测指标的重要性，这意味着随着闪速焦耳加热参数的变化，从反应受限动力学到扩散受限动力学的进展。

最后，作者展示了ML模型的实际应用，通过使用贝叶斯元学习算法在许多焦耳加热反应中自动提高体积结晶度。这些结果说明了ML作为分析复杂纳米制造过程的工具的强大功能，并能够通过闪速焦耳加热合成具有所需特性的二维晶体。

图2. XGB-R模型预测石墨烯产率的特征分析

Machine Learning Guided Synthesis of Flash Graphene, Advanced Materials 2022. DOI: 10.1002/adma.202106506

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/15/a47ec6941a/

莱斯大学AM: 机器学习指导闪速焦耳加热法合成石墨烯

相关推荐