Year 2021, Volume , Issue 23, Pages 817 - 826 2021-04-30

Comparison of Machine Learning Models for Estimation of Dielectric Properties of Basalt / PANI Composites
Bazalt/PANI Kompozitlerinin Dielektrik Özelliklerinin Tahmini için Makine Öğrenmesi Modellerinin Karşılaştırılması

Önder EYECİOGLU [1]


İletken polimer kompozit malzemeler, süper kapasitörler, varistörler veya sensörler gibi birçok teknolojik uygulamada kullanılır. Teknolojik uygulamalar için çok önemli olan bu malzemelerin dielektrik geçirgenlik gibi elektronik özellikleri, katkı oranı ve sıcaklık gibi temel parametrelere bağlı olarak doğrusal olmayan davranış göstermektedir. Olası paremetre konfigürasyonlarının fazlalığından dolayı bu özelliklerin istenen değerleri sağlaması için tüm uygun parametrelere setlerinin deneysel olarak belirlenmesi zahmetli ve maliyetlidir. Bu amaç için pratik bir yöntem önermek çok önemlidir. Bu çalışmada, CM1 ve KYZ13 bazalt katkılı PANI polimer kompozitlerinin kompleks dielektrik fonksiyonlarının gerçek ( ε' ) ve sanal bileşenlerinin (ε'' ), açısal frekansa (w) ve PANI konsantrasyonuna (wt) (%10, %25 ve %50) bağlı doğrusal olmayan değişimlerinin tahmini için üç farklı makine öğrenmesi algoritması uygulanmıştır. Bu algoritmalar, Doğrusal Regresyon (LR), k- En yakın komşu regresyonu (k-NN), Karar ağacı regresyonu (DT-R) makine öğrenmesi algoritmalarıdır. Bu algoritmaların eğitim süreçleri için gerekli olan veri seti, deneysel dielektrik ölçümleri kullanılarak oluşturulmuştur. Bu deneysel veriler, oda sıcaklığında 100 Hz ile 17.5 MHz arasında değişen frekans aralığında empedans analizör kullanılarak elde edilmiştir. Bu çalışmada lineer regresyon, k-en yakın komşu regresyon ve karar ağacı regresyon algoritmalarının tahmin performansı ayrıntılı olarak karşılaştırılmıştır. Karşılaştırma, istatistiksel fit, belirleme katsayısı ( R^2 ), ortalama karesel hata (OKH) ve ortalama mutlak hata (OMH) istatistiksel performans metriklerinin karşılaştırılması ile belirlenmiştir. Tahmin sonuçlarının performans karşılaştırması ile Lineer Regresyon algoritmasının uygun kararlı bir tahmin performansı gösterememesine karşın, karar ağacı regresyonu modelinin, hem gerçek (ε^') hem de sanal bileşenlerinin (ε^'') hesaplanmasında daha uygun model olduğu görülmüştür.
  • Alkan, Ü., Kılıç, M., Karabul, Y., & Güven, Z. (2020). Mechanical and dielectric behavior of LDPE/Bi-1212 films. Materials Testing, 62(9), 913-920. doi:10.3139/120.111556
  • Alpaydin, E. (2014). Introduction to Machine Learning Third Edition: MIT Press.
  • Ates, M. (2013). A review study of (bio)sensor systems based on conducting polymers. Materials Science and Engineering: C, 33(4), 1853-1859. doi:https://doi.org/10.1016/j.msec.2013.01.035
  • Bhadra, S., Khastgir, D., Singha, N. K., & Lee, J. H. (2009). Progress in preparation, processing and applications of polyaniline. Progress in Polymer Science, 34, 783–810.
  • Bidadi, H., Olad, A., Parhizkar, M., Mohammadi Aref, S., & Ghafouri, M. (2013). Nonlinear properties of ZnO-polymer composites prepared by solution-casting method. Vacuum, 87, 50-54. doi:https://doi.org/10.1016/j.vacuum.2012.07.003
  • Bishop, C. M. (2006). Pattern Recognition And Machine Learning: Springer Science+Business Media.
  • Boeva Z. A., S. V. G. (2014). Polyaniline: Synthesis, Properties, and Application. Polymer Science Series C, 56 (1), 144–153.
  • Chen, L., Kim, C., Batra, R., Lightstone, J. P., Wu, C., Li, Z., . . . Vashishta, P. J. n. C. M. (2020). Frequency-dependent dielectric constant prediction of polymers using machine learning. 6(1), 1-9.
  • Eyecioglu, O., Karabul, Y., Alkan, U., Kilic, M., & Icelli, O. (2016). Artificial Neural Networks Study on Prediction of Dielectric Permittivity of Basalt/PANI Composites. International Journal of Engineering Technologies, 2 42-48. doi:10.19072/ijet.27769
  • Eyecioglu, Ö., Kılıç, M., & Özdemir, Z. G. (2018). Polipropilen/Polianilin Kompozit Filmlerin Dielektrik Özelliklerinin Yapay Sinir Ağları Modeli İle Tahmini Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, 6(4), 787-802. doi:10.29109/gujsc.398275
  • H. Tang, Y. D., C. Zang, J. Gu, Q. Shen and J. Kan. (2014). Effect of Temperature on Electrochemical Degradation of Polyaniline. Int. J. Electrochem. Sci, 9, 7252–7239.
  • H.S., N. (1997). Handbook of Organic Conductive Molecules and Polymers: New York: Wiley.
  • Kılıç, M. (2020). Natural additive material for desirable dielectric properties of polypyrrole: Limestone. Synthetic Metals, 260, 116297. doi:https://doi.org/10.1016/j.synthmet.2020.116297
  • Kılıç, M., Ergin, Y., Karabul, Y., & Özdemir, Z. G. (2019). Experimental Comparison of PbO and BaO Addition Effect on Gamma Ray Shielding Performance of Epoxy Polymer. Avrupa Bilim ve Teknoloji Dergisi, 16, 256-266. doi:10.31590/ejosat.553952
  • Kılıç, M., Eyeci̇oglu, O., Özdemi̇r, Z. G., & Alkan, Ü. (2019). DYPE/PANI kompozit filmlerin sıcaklığa ve PANI katkı konsantrasyonuna bağlı olarak dielektrik parametrelerinin GRSA ile tahmini Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 35 (2), 1077-1088. doi:10.17341/gazimmfd.422448
  • Kılıç, M., Özdemir, Z. G., Karabul, Y., Karataş, Ö., & Çataltepe, Ö. A. (2020). Negative real permittivity in (Bi0.3Eu0.7)Sr2CaCu2O6.5 ceramic. Physica B: Condensed Matter, 584, 412080. doi:https://doi.org/10.1016/j.physb.2020.412080
  • Mannodi-Kanakkithodi, A., Pilania, G., Huan, T. D., Lookman, T., & Ramprasad, R. J. S. r. (2016). Machine learning strategy for accelerated design of polymer dielectrics. 6, 20952.
  • Mannodi-Kanakkithodi, A., Pilania, G., & Ramprasad, R. (2016). Critical assessment of regression-based machine learning methods for polymer dielectrics. Computational Materials Science, 125, 123-135. doi:https://doi.org/10.1016/j.commatsci.2016.08.039
  • Moez A. A., A. S. S., Elshaer Y.H. (2012). Effect of gamma radiation on low density polyethylene (LDPE) films: Optical, dielectric and FTIR studies. Spectrochimica Acta Part A, 93, 203–207.
  • Narayanankutty, S. J. P.-P. T., & Engineering. (2011). Polyaniline-coated short nylon fiber/natural rubber conducting composite. 50(5), 443-452.
  • Scott, D. J., Coveney, P. V., Kilner, J. A., Rossiny, J. C. H., & Alford, N. M. N. (2007). Prediction of the functional properties of ceramic materials from composition using artificial neural networks. Journal of the European Ceramic Society, 27(16), 4425-4435. doi:https://doi.org/10.1016/j.jeurceramsoc.2007.02.212
  • Shen, Z.-H., Wang, J.-J., Jiang, J.-Y., Huang, S. X., Lin, Y.-H., Nan, C.-W., . . . Shen, Y. J. N. c. (2019). Phase-field modeling and machine learning of electric-thermal-mechanical breakdown of polymer-based dielectrics. 10(1), 1-10.
  • Sukitpaneenit, P., Thanpitcha, T., Sirivat, A., Weder, C., & Rujiravanit, R. (2007). Electrical conductivity and mechanical properties of polyaniline/natural rubber composite fibers. 106(6), 4038-4046. doi:https://doi.org/10.1002/app.27101
  • Wen-Zhi, Z., Xian-Wen, K., Shou-Feng, J., Jin-Gao, S., Dong-Sheng, Y., & Bin, F. (2006). Electrochemical characteristics and catalytic activity of polyaniline doped with ferrocene perchlorate. Journal of Applied Polymer Science, 102(6), 5633-5639. doi:https://doi.org/10.1002/app.24961
Primary Language tr
Subjects Engineering
Journal Section Articles
Authors

Orcid: 0000-0002-9735-5697
Author: Önder EYECİOGLU (Primary Author)
Institution: NİŞANTAŞI ÜNİVERSİTESİ
Country: Turkey


Dates

Publication Date : April 30, 2021

APA Eyecioglu, Ö . (2021). Bazalt/PANI Kompozitlerinin Dielektrik Özelliklerinin Tahmini için Makine Öğrenmesi Modellerinin Karşılaştırılması . Avrupa Bilim ve Teknoloji Dergisi , (23) , 817-826 . DOI: 10.31590/ejosat.876423