作者单位
摘要
钙钛矿(ABO3)型压电陶瓷的发展已有几十年历史, 现存有大量数据, 从这些数据中寻找出材料结构与性能之间的关系很有意义。本工作收集了BiFeO3-PbTiO3-BaTiO3钙钛矿型压电陶瓷居里温度(Tc)实验数据, 通过机器学习,构建钙钛矿型压电陶瓷Tc的预测模型。热力学角度, Tc与约合质量符合二次多项式关系, 但偏差较大。选择元素信息、物理量、空间群编号等基础描述符, 利用基于压缩感知原理的SISSO(Sure Independence Screening and Sparsifying Operator)方法进行机器学习, 找出了Tc与成分之间的相关性。比较不同描述符在不同维度上的均方根误差RMSE (Root Mean Square Error), 发现描述符越多、越基础, 维数越大、RMSE越小。同时比较相同个数描述符在同一维度下的RMSE, 用约合质量、A位和B位的离子半径比、A位和B位的未填充电子数比和Ba、Pb、Bi的元素含量等六个描述符构建出最优的四维模型, 其RMSE为0.59 ℃, 最大绝对误差(MaxAE)为1.38 ℃, 外部测试的平均相对误差MRE (Mean Relative Error)为1.00%。结果表明,利用SISSO可以进行有限样本钙钛矿型压电陶瓷Tc的机器学习预测。
钙钛矿型压电陶瓷 机器学习 居里温度 SISSO perovskite piezoelectric ceramics machine learning Curie temperature SISSO 
无机材料学报
2022, 37(12): 1321

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!