|
|
|
|
تخمین دقیق خواص ساختاری و مغناطیسی نانو کامپوزیت‌های bife2o3-znfe2o4 با استفاده از روش‌های یادگیری ماشین
|
|
|
|
|
|
|
|
نویسنده
|
فلاحت نژاد شهرزاد ,کرمی اعظم
|
|
منبع
|
كنفرانس فيزيك ايران - 1399 - دوره : 36 - کنفرانس فیزیک ایران ۱۳۹۹ - کد همایش: 99200-93529 - صفحه:0 -0
|
|
چکیده
|
در بسیاری از کاربردهای عملی نانوذرات مولتی فروئیک از قبیل طراحی حسگرهای مغناطیسی-الکترونیکی، ذخیره اطلاعات، فوتوکاتالیست‌ها، ادوات اسپین‌ترونیک و فوتوولتاوئیک درک رفتار ساختاری و مغناطیسی آن‌ها بسیار مهم است. ولیکن، روش‌های موجود برای بررسی این خواص زمان‌بر می‌باشد و از دقت بالایی نیز برخوردار نیستند. در این مقاله، الگوریتم-های اتوماتیک بر اساس روش‌های یادگیری ماشین از قبیل بیز ساده (naive bayes)، درخت تصمیم (decision tree)، k نزدیکترین همسایه) (knn، جنگل تصادفی (random forest) و ماشین بردار پشتیبان (svm)بررسی شده‌اند. به منظور، تخمین ویژگی‌های نانوذرات در روش پیشنهاد شده، ابتدا مقدار ترکیبات فریت به کار رفته در شش نانوکامپوزیت 4o2 - znfe 3 bifeoتخمین زده شده و سپس خواص ساختاری و مغناطیسی این مواد مورد بررسی قرار گرفته است. نتایج به دست آمده نشان می‌دهد که svm بهترین عملکرد و بالاترین دقت را دارد.
|
|
کلیدواژه
|
مولتی‌فروئیک ,یادگیری ماشین ,پراش پرتوx ,مغناطیس سنج نمونه مرتعش ,multiferroic ,machine learning ,x ray diffraction ,vibrating-sample magnetometer ,81-89
|
|
آدرس
|
دانشکده فیزیک، دانشگاه شهید باهنر، کرمان، ایران. faculty of physics shahid bahonar university kerman iran, دانشکده فیزیک، دانشگاه شهید باهنر، کرمان، ایران. faculty of physics shahid bahonar university kerman iran
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Accurate estimation of structural and magnetic properties of BiFeO3-ZnFe2O4 nanocomposites using machine learning techniques
|
|
|
|
|
Authors
|
Falahat Nejad Shahrzad ,Karami Azam
|
|
Abstract
|
In many practical applications of multiferroic nanoparticles such as designing magneto-electric (ME) sensors, information storage, photocatalysts, spintronic and photovoltaic facilities, the fundamental understanding of their magnetic and structural behavior is extremely important. However, existing methods for investigating these properties are time consuming and inaccurate. In this paper, automatic algorithms based on machine learning methods such as naive Bayes, decision tree, k nearest neighbor (KNN), random forest and support vector machine (SVM) have been investigated. In order to estimate the nanoparticle’s properties in the proposed method, first the amount of bismuths in six BiFeO3-ZnFe2O4 nanocomposites have been estimated. After that, the structural and magnetic properties of these nanocomposites have been investigated. The obtained results demonstrated that SVM has the best performance and the accuracy is also significantly increased.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|