亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

Machine-Learning-Enabled Prediction of Adiabatic Temperature Change in Lead-Free BaTiO3-Based Electrocaloric Ceramics

材料科学 绝热过程 电热效应 相变 机器学习 电场 陶瓷 相(物质) 四方晶系 铁电性 回归分析 人工智能 计算机科学 热力学 电介质 物理 光电子学 量子力学 复合材料
作者
Melody Su,Ryan Grimes,Sunidhi Garg,Dezhen Xue,Prasanna V. Balachandran
出处
期刊:ACS Applied Materials & Interfaces [American Chemical Society]
卷期号:13 (45): 53475-53484 被引量:8
标识
DOI:10.1021/acsami.1c15021
摘要

In this paper, we develop a data-driven machine learning (ML) approach to predict the adiabatic temperature change (ΔT) in BaTiO3-based ceramics as a function of chemical composition, temperature, and applied electric field. The data set was curated from a survey of published electrocaloric measurements. Each chemical composition was represented by elemental descriptors of A-site and B-site elements. Pair-wise statistical correlation analysis was used to remove linearly correlated descriptors. We trained two separate regression-based ML models for indirect and direct measurements and found that both are capable of capturing the general trend of the temperature vs ΔT curve for various applied electric fields. We then complemented the regression models with a classification learning model that predicts the expected phase as a function of chemical composition and temperature. The combined regression and classification learning ML models predict a global maxima in ΔT near rhombohedral to cubic or tetragonal to cubic phase transition regions. An interactive, open source web application is developed to enable interested users to query our trained models and accelerate the design of novel BaTiO3-based ceramics with targeted phase and ΔT properties for electrocaloric applications.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
无心的采萱完成签到,获得积分10
19秒前
22秒前
小蝶发布了新的文献求助10
26秒前
熊猫骑手应助小蝶采纳,获得10
30秒前
32秒前
老天师一巴掌完成签到 ,获得积分10
40秒前
1分钟前
orixero应助liyi2022采纳,获得10
1分钟前
1分钟前
1分钟前
1分钟前
liyi2022发布了新的文献求助10
1分钟前
wbs13521完成签到,获得积分10
2分钟前
zqq完成签到,获得积分0
2分钟前
lcs完成签到,获得积分10
2分钟前
Bo发布了新的文献求助10
2分钟前
吃葡萄不吐完成签到,获得积分10
2分钟前
这个手刹不太灵完成签到 ,获得积分10
2分钟前
无限的石头完成签到 ,获得积分10
2分钟前
Kevin完成签到,获得积分10
2分钟前
充电宝应助Bo采纳,获得30
2分钟前
ding应助babe采纳,获得10
2分钟前
英姑应助鲜艳的亦玉采纳,获得10
3分钟前
乐乐应助babe采纳,获得10
3分钟前
搜集达人应助科研通管家采纳,获得10
3分钟前
深情安青应助科研通管家采纳,获得10
3分钟前
领导范儿应助科研通管家采纳,获得10
3分钟前
迅速的巧曼完成签到 ,获得积分10
3分钟前
3分钟前
doctor完成签到,获得积分20
3分钟前
3分钟前
3分钟前
babe完成签到 ,获得积分10
3分钟前
鲜艳的亦玉完成签到,获得积分20
3分钟前
Bo发布了新的文献求助30
3分钟前
科研通AI2S应助稳重毛豆采纳,获得10
3分钟前
3分钟前
fengfenghao完成签到,获得积分10
3分钟前
3分钟前
4分钟前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Very-high-order BVD Schemes Using β-variable THINC Method 870
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3252974
求助须知:如何正确求助?哪些是违规求助? 2895497
关于积分的说明 8286911
捐赠科研通 2564337
什么是DOI,文献DOI怎么找? 1392302
科研通“疑难数据库(出版商)”最低求助积分说明 652122
邀请新用户注册赠送积分活动 629389