Journal of Iranian Ceramic Society

fa بررسی اثر عوامل موثر در سنتز نانوورقه‌های MoS2 به روش رسوب دهی شیمیایی بخار با کمک روش یادگیری ماشین Examining the Effects of Factors on the Synthesis of MoS2 Nanosheets by chemical vapor deposition method using machine learning approach نانو ساختار Nano structure پژوهشي Research 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. The synthesis of MoS2 nanosheets, as a strategic two-dimensional material in the fields of electronics and nanotechnology, presents a significant challenge in materials engineering. Conventional methods for synthesizing MoS2 often face limitations such as scalability, process complexities, and numerous challenges in achieving optimal conditions. In this research, novel methods utilizing machine learning approaches have been employed to investigate the effects of key factors on the synthesis of MoS2 nanosheets via chemical vapor deposition (CVD). This study incorporates statistical and deep learning techniques, along with datasets prepared from reliable sources and data simulation and generation to address the issue of limited experimental data. Supervised learning models were used for modeling on training samples. To enhance the interpretability of synthesis factors, the SHAP (SHapley Additive exPlanations) library was applied within the neural network model. The results revealed that the synthesis factors with the most significant impact on the thickness of the synthesized nanosheets, after the learning and adaptation processes with supervised learning models, are the furnace temperature, followed by the carrier gas flow rate, and to a lesser extent, the durability time during thermal operations. Approximately 1200 simulated data points were used to achieve the optimal model for predicting the thickness of MoS2 nanosheet layers. The parameters of the classification algorithms were evaluated using a combination of four metrics: accuracy, precision, F1 score, and recall. The output of the designed model, along with various hyperparameter tuning methods, was used to optimize the parameters of the machine learning models, achieving an accuracy of approximately 95% based on different classification algorithm metrics (precision/recall). رسوب دهی شیمایی فاز بخار, یادگیری ماشین, یادگیری نظارت شده, نانوورقه‌های دی سولفید مولیبدن Chemical Vapor Deposition , Machine Learning, Optimization, Energy Storage, Molybdenum Disulfide 0 0 http://jicers.ir/browse.php?a_code=A-10-1775-2&slc_lang=fa&sid=1 Hajar Ghanbari هاجر قنبری hajar_ghanbari@iust.ac.ir 10031947532846004031 10031947532846004031 Yes Iran university of science & Technology دانشگاه علم وصنعت ایران Mahdi Maleki مهدی ملکی Malekim@iust.ac.ir 10031947532846004032 10031947532846004032 No Iran university of science & Technology دانشگاه علم وصنعت ایران Amirali Maroufi امیر علی معروفی amiralimaroufi82@gmail.com 10031947532846004033 10031947532846004033 No Iran university of science & Technology دانشگاه علم وصنعت ایران