فصلنامه سرامیک ایران
جلد 20، شماره 3 - ( ٌفصلنامه سرامیک ایران 1403 )
جلد 20 شماره 3 صفحات 0-0 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ghanbari H, Maleki M, Maroufi A. Examining the Effects of Factors on the Synthesis of MoS2 Nanosheets by chemical vapor deposition method using machine learning approach. Jicers 2024; 20 (3)
URL: http://jicers.ir/article-1-521-fa.html
URL: http://jicers.ir/article-1-521-fa.html
قنبری هاجر، ملکی مهدی، معروفی امیر علی. بررسی اثر عوامل موثر در سنتز نانوورقههای MoS2 به روش رسوب دهی شیمیایی بخار با کمک روش یادگیری ماشین. فصلنامه سرامیک ایران. 1403; 20 (3)
بررسی اثر عوامل موثر در سنتز نانوورقههای MoS2 به روش رسوب دهی شیمیایی بخار با کمک روش یادگیری ماشین
دانشگاه علم وصنعت ایران ، hajar_ghanbari@iust.ac.ir
چکیده: (20 مشاهده)
سنتز نانوورقههای MoS2، به عنوان یک ماده دوبعدی راهبردی در زمینههای الکترونیک و نانو فناوری، چالشی مهم در زمینه مهندسی مواد است. روشهای معمول سنتز MoS2 معمولاً با محدودیتهایی همچون مقیاسپذیری و پیچیدگیهای فرآیندی و چالش های فراوان برای دستیابی به شرایط بهینه مواجه هستند. در این پژوهش، روشهای نوینی با استفاده از رویکرد یادگیری ماشین برای بررسی اثر عوامل موثر بر سنتز نانوورقههای MoS2 به روش رسوب دهی شیمیایی بخار و دستیابی به ضخامت موردنظر، استفاده شده است. در این مقاله از تکنیک های یادگیری آماری و عمیق به همراه مجموعه دادههای آماده شده از منابع و مراجع معتبر و شبیه سازی داده (Data Simulation, Generation) به منظور رفع مشکل کمبود داده آزمایشگاهی استفاده شده است. در این پروژه، از مدلهای یادگیری نظارت شده برای مدلسازی روی نمونه های آموزشی استفاده شد. برای تفسیرپذیری بیشتر عوامل سنتز، از کتابخانه SHAP (SHapley Additive exPlanations) در مدل شبکه عصبی استفاده شد. نتایج نشان داد که عوامل سنتزی که بعد از عملیات یادگیری و تطبیق با مدلهای یادگیری نظارت شده، بیشترین تأثیر را بر ضخامت نانوورقههای سنتز شده دارند، میزان دمای کوره و پس از آن، نرخ جریان گاز حامل و با تأثیر کمتر، زمان ماندگاری در عملیات حرارتی است. برای دستیابی به مدل بهینه برای پیشبینی ضخامت لایههای نانوورقههای دیسولفید مولیبدن، از حدود 1200 داده شبیهسازی شده استفاده شد. پارامترهای الگوریتم های طبقه بندی به کمک ترکیب چهار شاخص درستی (accuracy)، دقت (precision)، فراخوانی (recall) ، امتیاز f1 (f1_score) ارزیابی شدند. از خروجی مدل طراحی شده همراه با انجام روشهای مختلف تنظیم ابرپارامتر (Hyperparameter Tuning) برای بهینه سازی پارامترهای مدلهای یادگیری ماشین استفاده شد که با توجه به شاخصهای مختلف الگوریتم های طبقه بندی (precision / recall ) به دقت در حدود 95 درصد رسید.
واژههای کلیدی: رسوب دهی شیمایی فاز بخار، یادگیری ماشین، یادگیری نظارت شده، نانوورقههای دی سولفید مولیبدن
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |