Machine learning assisted insights into the mechanical strength of nanocrystalline graphene oxide

石墨烯 材料科学 极限抗拉强度 纳米晶材料 氧化物 机械强度 脆性 纳米技术 复合材料 冶金
作者
Yihua Xu,Qiao Shi,Ziyue Zhou,Ke Xu,Yan‐Wen Lin,Li Yang,Zhisen Zhang,Jianyang Wu
出处
期刊:2D materials [IOP Publishing]
卷期号:9 (3): 035002-035002 被引量:13
标识
DOI:10.1088/2053-1583/ac635d
摘要

Abstract The mechanical properties of graphene oxides (GOs) are of great importance for their practical applications. Herein, extensive first-principles-based ReaxFF molecular dynamics (MD) simulations predict the wrinkling morphology and mechanical properties of nanocrystalline GOs (NCGOs), with intricate effects of grain size, oxidation, hydroxylation, epoxidation, grain boundary (GB) hydroxylation, GB epoxidation, GB oxidation being considered. NCGOs show brittle failures initiating at GBs, obeying the weakest link principle. By training the MD data, four machine learning models are developed with capability in estimating the tensile strength of NCGOs, with sorting as eXtreme Gradient Boosting (XGboost) > multilayer perceptron > gradient boosting decision tree > random forest. In the XGboot model, it is revealed that the strength of NCGOs is greatly dictated by oxidation and grain size, and the hydroxyl group plays more critical role in the strength of NCGOs than the epoxy group. These results uncover the pivotal roles of structural signatures in the mechanical strength of NCGOs, and provide critical guidance for mechanical designs of chemically-functionalized nanostructures.
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
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
酷炫过客发布了新的文献求助10
刚刚
刚刚
深情凡灵发布了新的文献求助10
1秒前
马保国123发布了新的文献求助10
1秒前
胡须完成签到,获得积分10
2秒前
jjgod发布了新的文献求助10
2秒前
muomuo发布了新的文献求助10
3秒前
湘华完成签到,获得积分10
3秒前
渝州人发布了新的文献求助10
4秒前
4秒前
4秒前
4秒前
开放鸵鸟发布了新的文献求助10
5秒前
5秒前
温暖以蓝完成签到,获得积分20
5秒前
WTF完成签到,获得积分10
6秒前
花花花花完成签到,获得积分10
6秒前
franklvlei发布了新的文献求助10
7秒前
丘比特应助湘华采纳,获得10
8秒前
8秒前
AIA7完成签到,获得积分10
8秒前
towerman完成签到,获得积分10
9秒前
花花花花发布了新的文献求助10
10秒前
10秒前
xiaoziyi666发布了新的文献求助10
10秒前
muomuo完成签到,获得积分10
10秒前
10秒前
eli完成签到,获得积分10
11秒前
ZL发布了新的文献求助10
11秒前
Jason完成签到,获得积分10
11秒前
12秒前
12秒前
朴实的乐天完成签到,获得积分10
12秒前
13秒前
towerman发布了新的文献求助10
13秒前
科研通AI5应助愤怒的寄琴采纳,获得10
13秒前
搜集达人应助起司嗯采纳,获得30
13秒前
jjgod完成签到,获得积分10
14秒前
kilig完成签到 ,获得积分10
14秒前
14秒前
高分求助中
Continuum Thermodynamics and Material Modelling 3000
Production Logging: Theoretical and Interpretive Elements 2700
Social media impact on athlete mental health: #RealityCheck 1020
Ensartinib (Ensacove) for Non-Small Cell Lung Cancer 1000
Unseen Mendieta: The Unpublished Works of Ana Mendieta 1000
Bacterial collagenases and their clinical applications 800
El viaje de una vida: Memorias de María Lecea 800
热门求助领域 (近24小时)
化学 材料科学 生物 医学 工程类 有机化学 生物化学 物理 纳米技术 计算机科学 内科学 化学工程 复合材料 基因 遗传学 物理化学 催化作用 量子力学 光电子学 冶金
热门帖子
关注 科研通微信公众号,转发送积分 3527742
求助须知:如何正确求助?哪些是违规求助? 3107867
关于积分的说明 9286956
捐赠科研通 2805612
什么是DOI,文献DOI怎么找? 1540026
邀请新用户注册赠送积分活动 716884
科研通“疑难数据库(出版商)”最低求助积分说明 709762