CN112132177B - 基于机器学习快速预测abo3钙钛矿带隙的在线预报方法 - Google Patents

基于机器学习快速预测abo3钙钛矿带隙的在线预报方法 Download PDF

Info

Publication number
CN112132177B
CN112132177B CN202010821469.7A CN202010821469A CN112132177B CN 112132177 B CN112132177 B CN 112132177B CN 202010821469 A CN202010821469 A CN 202010821469A CN 112132177 B CN112132177 B CN 112132177B
Authority
CN
China
Prior art keywords
band gap
abo
perovskite
forecasting
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010821469.7A
Other languages
English (en)
Other versions
CN112132177A (zh
Inventor
陶秋伶
陆文聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202010821469.7A priority Critical patent/CN112132177B/zh
Publication of CN112132177A publication Critical patent/CN112132177A/zh
Application granted granted Critical
Publication of CN112132177B publication Critical patent/CN112132177B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于机器学习快速预测ABO3钙钛矿带隙的在线预报程序，步骤如下：从文献中收集ABO3钙钛矿材料的化学式和对应的带隙数值以及这些材料的部分实验条件，作为机器学习的数据集样本；再根据化学式生成对应的描述符；再划分训练集和测试集；用嵌入法结合梯度提升回归算法对特征变量进行筛选；利用材料数据挖掘在线计算平台上的梯度提升回归算法建立ABO3钙钛矿材料带隙的快速预报模型，预报测试集样本的带隙；将建立预报模型生成为在线预报应用程序。本发明建立了高效快捷的预报模型，生成了一个能公开使用的在线预报应用程序，帮助节约实验时间和成本，提高材料开发效率，具有快速方便、低成本、绿色环保的优点。

Description

基于机器学习快速预测ABO3钙钛矿带隙的在线预报方法
技术领域
本发明涉及钙钛矿的电学性能领域，是一种基于机器学习预测ABO3钙钛矿带隙的在线预报应用程序，应用于特定带隙的ABO3钙钛矿新材料设计和高通量筛选。
背景技术
钙钛矿由于其稳定的晶体结构、独特的理化性质而逐渐成为新材料开发研究的热点。 ABO3钙钛矿价格低廉，适应性和稳定性良好，且电子结构可调，是一种有前途的光催化材料。此外，它们还具有扩大光吸收范围，限制光诱导载流子重组和进一步改善可见光照射下光催化性能的潜在优势。在光催化分解水制氢及光催化降解有机污染物方面具有很好的应用前景。
带隙(Band Gap)是导带的最低点和价带的最高点的能量之差，也称能隙，符号为Eg。在光催化反应中，作为光催化剂的半导体，其带隙是光电转换效率的重要影响因素之一。因此，选择具有合适带隙的半导体是重要步骤。
嵌入式特征选择方法是特征筛选的一种较经典方法。它的主要思想是将特征选择过程与学习器训练过程相结合，利用算法本身的特性在学习器训练过程中自动选择特征。嵌入式特征选择方法对特征进行搜索时围绕学习算法展开，能够考虑学习算法所属的任意学习偏差。原理简单且效果好速度快。
材料数据挖掘在线计算平台(OCPMDM)是一个用于辅助材料设计的数据挖掘平台，是一个用于机器学习建模的非常便利的工具。其里面包含了多种机器学习算法，还具备了一个强大的模型分享功能，每一个建立的模型都可以通过此功能生成一个独立的在线应用程序。本工作使用材料数据挖掘在线计算平台(OCPMDM)进行建模，并生成在线预报应用程序。
梯度提升回归树(Gradient boosting regression tree，简称GBRT)是由斯坦福教授Friedman 提出的一种集成学习算法。GBRT主要包括两种算法：回归树算法和增强算法。回归树对异常值具有鲁棒性，并被用作原始模型，而增强算法则用于提高模型预测的准确性。GBRT的核心思想是添加新的回归树以最小化每次迭代中的目标函数，每棵新树都是在上一棵树的残差上进行学习，并且都沿着损失函数的负梯度方向进行训练，通过多次迭代，训练多个弱学习器，最终将这些弱学习器进行线性组合产生一个强学习器。它是一种功能强大的机器学习技术，具有很强的预测能力和良好的实际应用效果，已经广泛应用于各个领域。本工作应用梯度提升回归方算法进行建模。
ABO3钙钛矿带隙的获得通常基于实验“试错法”，该方法耗时长、成本高且存在盲目性。不利于快速获得所需带隙值的特定钙钛矿材料。而已有的ABO3钙钛矿带隙预测技术准确性不高，效果较差，方法不够便捷，且难以公开使用。目前还没有能够快速、精确预测ABO3钙钛矿带隙的公开且便捷的在线预报方法。
发明内容
为了解决现有技术问题，本发明的目的在于克服已有技术存在的不足，提供一种基于机器学习快速预测ABO3钙钛矿带隙的在线预报方法，尤其克服了实验“试错法”的盲目性，提供一种基于机器学习快速预测ABO3钙钛矿带隙的在线预报应用程序。通过嵌入法结合梯度提升回归算法，建立ABO3钙钛矿材料带隙预报模型，准确性高，效果好。开发的ABO3钙钛矿材料带隙在线预报应用程序仅需数秒就可以得到预报结果，操作简单快捷。
为达到上述发明创造目的，本发明采用如下技术方案：
一种基于机器学习快速预测ABO3钙钛矿带隙的在线预报方法，包括如下步骤：
1)从文献中收集ABO3钙钛矿材料的化学式和对应的带隙数值以及ABO3钙钛矿材料的部分实验条件，作为机器学习的数据集样本；
2)利用已收集到的数据，根据化学式生成对应的原子参数描述符，并在描述符生成过程中，对缺损数值的样本进行删除处理；
3)将在所述步骤1)中得到的数据集样本随机划分为训练集和测试集；
4)以在所述步骤1)中收集到的带隙为目标变量，部分实验条件及在所述步骤2)中生成的原子参数描述符为特征变量；利用嵌入法结合梯度提升回归算法，对在所述步骤3)中得到的训练集进行特征筛选，选出建模的最优特征，作为建模的最优特征子集；
5)利用材料数据挖掘在线计算平台(OCPMDM)上的梯度提升回归算法和在步骤4)中筛选好的特征变量，建立ABO3钙钛矿材料带隙的快速预报模型；
6)根据在所述步骤5)中建立的ABO3钙钛矿材料带隙的预报模型，预报在所述步骤3) 中得到的测试集样本的带隙；
7)将步骤5)中建立的ABO3钙钛矿材料带隙预报模型通过材料数据挖掘在线计算平台 (OCPMDM)的模型分享功能，生成快速预报ABO3钙钛矿材料带隙的在线预报应用程序，进行ABO3钙钛矿带隙的在线快速预报。
优选地，在所述步骤4)中，梯度提升回归算法如下：
梯度提升回归算法通过添加新的回归树以最小化每次迭代中的目标函数，每棵新树都是在上一棵树的残差上进行学习，并且都沿着损失函数的负梯度方向进行训练，通过多次迭代，训练多个弱学习器，最终将这些弱学习器进行线性组合产生一个强学习器。
优选地，在所述步骤4)中，删除噪声大且重复性较高的特征变量，选出建模的最优特征，作为建模的最优特征子集，减少了数据噪音，提高了筛选精度。
优选地，在步骤7)中，通过材料数据挖掘在线计算平台(OCPMDM)的模型分享功能，生成了可以快速、精确预报ABO3钙钛矿材料带隙的公开、便捷、操作简单的在线预报应用程序。
本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：
1.本发明的在线预报方法克服传统的实验“试错法”的不足，节约资源和时间；基于机器学习建立ABO3钙钛矿材料带隙的快速预报模型，将数据导入模型，仅需数秒就能得到计算结果；开发的在线预报应用程序，只要输入所需的ABO3钙钛矿的化学式，点击“Predict”按钮，就可快速预报出带隙，效率高，使用无障碍性好；
2.本发明在线预报方法不仅可以通过网址进行访问使用，还能通过手机微信扫描摘要附图中的二维码进行使用，操作简单，快速便捷；
3.本发明在线预报方法在整个过程中不涉及实验和不使用化学用品，不产生化学污染，符合绿色环保理念；且易于实现，适合推广应用；
4.本发明的在线预报方法通过在线预报能提前预测ABO3钙钛矿材料的带隙，帮助实验研究人员挑选符合要求的样本进行实验验证，节约实验时间和资源，提高实验的效率，起指导作用，并避免盲目性；本发明方法简单易行，成本低，适合推广使用。
附图说明
图1为实施例一ABO3钙钛矿带隙的梯度提升回归模型建模结果图。
图2为实施例二ABO3钙钛矿带隙的梯度提升回归模型留一法交叉验证结果图。
图3为实施例三ABO3钙钛矿带隙的梯度提升回归模型独立测试集结果图。
图4为实施例四ABO3钙钛矿带隙的在线预报应用程序页面图示。
具体实施方式
以下结合具体的实施例子对上述方案做进一步说明，本发明的优选实施例详述如下：
实施例一：
在本实施例中，参见图1，一种基于机器学习快速预测ABO3钙钛矿带隙的在线预报方法，包括如下步骤：
1)从文献中收集ABO3钙钛矿材料的化学式和对应的带隙数值以及ABO3钙钛矿材料的部分实验条件，作为机器学习的数据集样本；
部分ABO3钙钛矿材料的带隙数值如表1所示：
表1.部分ABO3钙钛矿化学式及带隙数值的数据样本集
化学式 Eg(eV) 化学式 Eg(eV)
BaTiO3 3 LaFeO3 2.1
BaTi0.99Mo0.01O3 2.4 LaFeO3 2.09
BaTi0.98Mo0.02O3 2.2 LaFeO3 2.08
BaTi0.97Mo0.03O3 2.6 LaFeO3 2.07
LaFe0.85Ti0.15O3 2.1 CaZrO3 4.00
La0.925Sr0.075Fe0.925Ti0.075O3 2.1 CaTiO3 3.52
Bi0.5Na0.5TiO3 2.92 Ca0.95La0.05Ti0.95Cr0.05O3 2.49
SrTiO3 3.25 Ca0.9La0.1Ti0.9Cr0.1O3 2.48
SrTiO3 3.25 Ca0.8La0.2Ti0.8Cr0.2O3 2.5
SrTiO3 3.25 NaTaO3 3.91
AgTaO3 3.4 NaTa0.98Bi0.02O3 3.14
AgTa0.8Nb0.2O3 3.1 NaTa0.96Bi0.04O3 3.02
AgTa0.7Nb0.3O3 2.9 NaTa0.94Bi0.06O3 2.96
AgTa0.6Nb0.4O3 2.9 NaTa0.92Bi0.08O3 2.88
AgNbO3 2.8 NaTa0.9Bi0.1O3 2.9
CaTiO3 3.6 GaFeO3 2.185
2)利用已收集到的数据，根据化学式生成对应的原子参数描述符，并在描述符生成过程中，对缺损数值的样本进行删除处理；数据完整的样本数为124个；
3)将在所述步骤2)中得到的124个数据集样本按4:1的比例随机划分为训练集和测试集，训练集与测试集样本量分别为99和25；
表2.特征变量列表
4)以在所述步骤1)中收集到的带隙为目标变量，部分实验条件及在所述步骤2)中生成的原子参数描述符为特征变量，收集到的特征变量，共计20个，如表2所示；利用嵌入法结合梯度提升回归算法，对在所述步骤3)中得到的训练集进行特征筛选，选出建模的7个最优特征，作为建模的最优特征子集；
梯度提升回归算法具体步骤如下：
梯度提升回归算法的核心思想是添加新的回归树以最小化每次迭代中的目标函数，每棵新树都是在上一棵树的残差上进行学习，并且都沿着损失函数的负梯度方向进行训练，通过多次迭代，训练多个弱学习器，最终将这些弱学习器进行线性组合产生一个强学习器。
选出的最优特征如表3所示：
表3.嵌入法结合梯度提升回归所选择的的最优描述符列表
在本步骤中，删除噪声大且重复性较高的特征变量，选出建模的最优特征子集，减少了数据噪音，提高了筛选精度；
5)利用材料数据挖掘在线计算平台(OCPMDM)上的梯度提升回归算法和在步骤4)中筛选好的特征变量，建立ABO3钙钛矿材料带隙的快速预报模型；
6)根据在所述步骤5)中建立的ABO3钙钛矿材料带隙的预报模型，预报在所述步骤3) 中得到的测试集样本的带隙；
7)将步骤5)中建立的ABO3钙钛矿材料带隙预报模型通过材料数据挖掘在线计算平台 (OCPMDM)的模型分享功能，生成快速预报ABO3钙钛矿材料带隙的在线预报应用程序，进行ABO3钙钛矿带隙的在线快速预报。
本实施例基于99个ABO3钙钛矿样本结合梯度提升回归建立的带隙定量预报模型的建模结果，如图1所示。
本实施例利用梯度提升回归算法对99个钙钛矿样本数据进行回归建模，建立ABO3钙钛矿带隙的梯度提升回归定量模型。ABO3钙钛矿带隙模型预报值和文献实验值的皮尔逊相关系数(R)为0.9809，均方根误差(RSME)为0.1445。本实施例方法通过来源于文献中的实验样本数据，建立了高效快捷的预报模型，具有简单快捷、低成本、绿色环保的优点。本实施例基于机器学习预测ABO3钙钛矿带隙的在线预报方法，能应用于特定带隙的ABO3钙钛矿新材料设计和高通量筛选。
实施例二：
本实施例与实施例一基本相同，特别之处在于：
在本实施例中，将训练集中的99个样本进行编号A1，A2……A99。第一步以A1，A2……A98为训练集，采用与实施例一相同的最优特征子集，建立模型1并运用模型1预报A99的带隙。第二步以A1，A2……A97，A99为训练集，采用与实施例一相同的最优特征子集，建立模型2并运用模型2预报A98的带隙。以此类推，建立99个模型后，通过预报值与实验值的误差判断数据建模方法的稳定性和可靠性。
基于99个钙钛矿样本结合梯度提升回归建立的ABO3钙钛矿带隙定量预报模型的留一法内部交叉验证结果，如图2所示。
本实施例方法采用留一法对99个样本数据建立的ABO3钙钛矿带隙的梯度提升回归定量预报模型进行留一法内部交叉验证，留一法中钙钛矿带隙的模型预报值和文献实验值的皮尔逊相关系数(R)为0.9290，均方根误差(RSME)为0.2749。本实施例方法通过来源于文献的本数据，建立了训练集留一法交叉验证的预报模型，可以对数据建模方法的稳定性和可靠性做出评估。
实施例三：
本实施例与上述实施例基本相同，特别之处在于：
本实施例方法利用建立的ABO3钙钛矿带隙的梯度提升回归定量预报模型对独立测试集中的25个样本进行预报，得到了较好的结果。钙钛矿带隙的模型预报值和文献实验值的皮尔逊相关系数(R)为0.9207，均方根误差(RSME)为0.2877。独立测试集预报结果，如图3所示。
实施例四：
本实施例与上述实施例基本相同，特别之处在于：
在本实例中，通过材料数据挖掘在线计算平台(OCPMDM)上的模型分享功能将建立的 ABO3钙钛矿带隙模型预报模型生成为一个在线预报应用程序。参见图4，用户只需要打开在线预报应用程序的网址或使用微信扫描二维码，在应用程序页面的“MaterialFormula”后面方框内输入需要预报的ABO3钙钛矿的化学式，然后点击下面的“Predict”按钮，就可以快速得到该钙钛矿的带隙预报值。这种在线预报应用程序方便快捷，对于实验研究人员设计有针对性带隙的新的ABO3钙钛矿非常有帮助。
综上实施例所述，本发明上述实施例涉及一种基于机器学习快速预测ABO3钙钛矿带隙的在线预报方法，其步骤如下：1)从文献中收集ABO3钙钛矿材料的化学式和对应的带隙数值以及这些材料的部分实验条件，作为机器学习的数据集样本；2)根据化学式生成对应的描述符；3)将数据集随机分为训练集和测试集；4)用嵌入法结合梯度提升回归算法对特征变量进行筛选；5)以带隙为目标变量，部分实验条件和生成的描述符为特征变量，利用材料数据挖掘在线计算平台(OCPMDM)上的梯度提升回归算法建立ABO3钙钛矿材料带隙的快速预报模型；6)利用建立的ABO3钙钛矿材料带隙的预报模型预报测试集样本的带隙。7)将建立的ABO3钙钛矿材料带隙预报模型通过材料数据挖掘在线计算平台(OCPMDM)的模型分享功能生成一个可以快速预报ABO3钙钛矿材料带隙的在线预报应用程序。本发明上述实施例方法通过来源于文献中的实验样本数据，建立了高效快捷的预报模型，生成了一个可以快速预报ABO3钙钛矿材料带隙的在线预报应用程序。该应用程序不仅可以通过网址进行访问使用，还可以通过手机微信扫描二维码进行使用，具有快速方便、低成本、绿色环保的优点。使用本发明中的应用程序在线预报ABO3钙钛矿的带隙，可以帮助实验研究人员避免实验“试错法”的盲目性，节约实验时间和成本，提高材料开发效率。
上面对本发明实施例结合附图进行了说明，但本发明不限于上述实施例，还可以根据本发明的发明创造的目的做出多种变化，凡依据本发明技术方案的精神实质和原理下做的改变、修饰、替代、组合或简化，均应为等效的置换方式，只要符合本发明的发明目的，只要不背离本发明的技术原理和发明构思，都属于本发明的保护范围。

Claims (2)

1.一种基于机器学习快速预测ABO3钙钛矿带隙的在线预报方法，其特征在于：包括如下步骤：
1）从文献中收集ABO3钙钛矿材料的化学式和对应的带隙数值以及ABO3钙钛矿材料的部分实验条件，作为机器学习的数据集样本；
2）利用已收集到的数据，根据化学式生成对应的原子参数描述符，并在描述符生成过程中，对缺损数值的样本进行删除处理；
3）将在所述步骤1）中得到的数据集样本随机划分为训练集和测试集；
4）以在所述步骤1）中收集到的带隙为目标变量，部分实验条件及在所述步骤2）中生成的原子参数描述符为特征变量；利用嵌入法结合梯度提升回归算法，对在所述步骤3）中得到的训练集进行特征筛选，选出建模的最优特征，作为建模的最优特征子集；
5）利用材料数据挖掘在线计算平台上的梯度提升回归算法和在步骤4）中筛选好的特征变量，建立ABO3钙钛矿材料带隙的快速预报模型；
6）根据在所述步骤5）中建立的ABO3钙钛矿材料带隙的预报模型，预报在所述步骤3）中得到的测试集样本的带隙；
7）将步骤5）中建立的ABO3钙钛矿材料带隙预报模型通过材料数据挖掘在线计算平台的模型分享功能，生成快速预报ABO3钙钛矿材料带隙的在线预报应用程序，进行ABO3钙钛矿带隙的在线快速预报；
在所述步骤4）中，删除噪声大且重复性较高的特征变量，选出建模的最优特征，作为建模的最优特征子集，减少了数据噪音，提高了筛选精度。
2.根据权利要求1所述基于机器学习快速预测ABO3钙钛矿带隙的在线预报方法，其特征在于，在所述步骤4）中，梯度提升回归算法如下：
梯度提升回归算法通过添加新的回归树以最小化每次迭代中的目标函数，每棵新树都是在上一棵树的残差上进行学习，并且都沿着损失函数的负梯度方向进行训练，通过多次迭代，训练多个弱学习器，最终将这些弱学习器进行线性组合产生一个强学习器。
CN202010821469.7A 2020-08-14 2020-08-14 基于机器学习快速预测abo3钙钛矿带隙的在线预报方法 Active CN112132177B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010821469.7A CN112132177B (zh) 2020-08-14 2020-08-14 基于机器学习快速预测abo3钙钛矿带隙的在线预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010821469.7A CN112132177B (zh) 2020-08-14 2020-08-14 基于机器学习快速预测abo3钙钛矿带隙的在线预报方法

Publications (2)

Publication Number Publication Date
CN112132177A CN112132177A (zh) 2020-12-25
CN112132177B true CN112132177B (zh) 2023-07-18

Family

ID=73851319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010821469.7A Active CN112132177B (zh) 2020-08-14 2020-08-14 基于机器学习快速预测abo3钙钛矿带隙的在线预报方法

Country Status (1)

Country Link
CN (1) CN112132177B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112992290B (zh) * 2021-03-17 2024-02-23 华北电力大学 一种基于机器学习和团簇模型的钙钛矿带隙预测方法
CN115308603A (zh) * 2022-07-13 2022-11-08 中国长江三峡集团有限公司 基于多维度特征和机器学习的电池寿命预测方法
CN115547425B (zh) * 2022-11-25 2023-04-07 安徽大学 一种基于原子尺度特征描述符预测钙钛矿晶格常数的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038539A (zh) * 2017-10-26 2018-05-15 中山大学 一种集成长短记忆循环神经网络与梯度提升决策树的方法
CN111091878A (zh) * 2019-11-07 2020-05-01 上海大学 一种快速预测钙钛矿介电常数的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190295684A1 (en) * 2018-03-22 2019-09-26 The Regents Of The University Of Michigan Method and apparatus for analysis of chromatin interaction data
CN110516701A (zh) * 2019-07-12 2019-11-29 上海大学 基于数据挖掘快速预测钙钛矿居里温度的方法
CN111429980A (zh) * 2020-04-14 2020-07-17 北京迈高材云科技有限公司 一种材料晶体结构特征的自动化获取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038539A (zh) * 2017-10-26 2018-05-15 中山大学 一种集成长短记忆循环神经网络与梯度提升决策树的方法
CN111091878A (zh) * 2019-11-07 2020-05-01 上海大学 一种快速预测钙钛矿介电常数的方法

Also Published As

Publication number Publication date
CN112132177A (zh) 2020-12-25

Similar Documents

Publication Publication Date Title
CN112132177B (zh) 基于机器学习快速预测abo3钙钛矿带隙的在线预报方法
Guo et al. Exploring interpretable LSTM neural networks over multi-variable data
Maffettone et al. Crystallography companion agent for high-throughput materials discovery
Yosipof et al. Data Mining and Machine Learning Tools for Combinatorial Material Science of All‐Oxide Photovoltaic Cells
CN113988477A (zh) 基于机器学习的光伏功率短期预测方法、装置及存储介质
Karka et al. Digitizing sustainable process development: From ex-post to ex-ante LCA using machine-learning to evaluate bio-based process technologies ahead of detailed design
Zhou et al. A hybrid grey prediction model for small oscillation sequence based on information decomposition
CN112116091B (zh) 一种基于机器学习快速预测有机无机杂化钙钛矿带隙的在线预报方法
CN113052367A (zh) 一种基于集成机器学习高效预测钙钛矿的稳定性的方法
Singla et al. A point and interval forecasting of solar irradiance using different decomposition based hybrid models
Salman et al. Hybrid deep learning models for time series forecasting of solar power
Zhang et al. Accurate and efficient machine learning models for predicting hydrogen evolution reaction catalysts based on structural and electronic feature engineering in alloys
Liu et al. Ultra-short-term photovoltaic power prediction based on modal reconstruction and BiLSTM-CNN-Attention model
SubLaban et al. Artificial neural network models for octane number and octane sensitivity: a quantitative structure property relationship approach to fuel design
CN112133383A (zh) 基于遗传符号回归预测钙钛矿比表面积的方法
CN112132185B (zh) 一种基于数据挖掘快速预测双钙钛矿氧化物带隙的方法
Mazumdar et al. Optimized machine learning model for predicting groundwater contamination
Aldarraji et al. Addressing energy challenges in Iraq: Forecasting power supply and demand using artificial intelligence models
CN113223639A (zh) 一种用来探索钙钛矿氧化物的结构，组分和性质的方法
Wenjing et al. LSSVM network flow prediction based on the self-adaptive genetic algorithm optimization
CN110750858B (zh) 一种基于ecsa的高斯过程回归的4-np还原催化剂建模预测方法
Chen et al. Parameter Identification of the 2‐Chlorophenol Oxidation Model Using Improved Differential Search Algorithm
Dong et al. Short-term air quality prediction based on EMD-transformer-BiLSTM
Yang et al. Applicability of genetic algorithm in biochar combustion kinetics with double distributed activation energy model
Belletreche et al. Hybrid attention-based deep neural networks for short-term wind power forecasting using meteorological data in desert regions

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant