SavedAdd your journal

Journals / Avrupa Bilim ve Teknoloji Dergisi / 2026 / Sayı: 23

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 Eyecioglu(NİŞANTAŞI ÜNİVERSİTESİ)0000-0002-9735-5697
Pages
817–826
Publication Date
2021-04-30
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

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.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:İletken polimer kompozit malzemeler, süper kapasitörler, varistörler veya sensörler gibi birçok teknolojik uygulamada kullanılır.
📊
Key Findings & Data: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.
💡
Conclusion & Impact: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.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Bazalt/PANI polimer kompozitleri · kompleks dielektrik fonksiyonları · Doğrusal Regresyon

Özet

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.

🔖

Cite This Article

Eyecioglu, Ö. (2021). Comparison of Machine Learning Models for Estimation of Dielectric Properties of Basalt / PANI Composites. Avrupa Bilim ve Teknoloji Dergisi, Sayı: 23, 817–826. https://doi.org/10.31590/ejosat.876423

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (26)

  1. 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
  2. Alpaydin, E. (2014). Introduction to Machine Learning Third Edition: MIT Press.
  3. 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
  4. 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.
  5. 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
  6. Bishop, C. M. (2006). Pattern Recognition And Machine Learning: Springer Science+Business Media.
  7. Boeva Z. A., S. V. G. (2014). Polyaniline: Synthesis, Properties, and Application. Polymer Science Series C, 56 (1), 144–153.
  8. 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.
  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
  10. 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
  11. 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.
  12. H.S., N. (1997). Handbook of Organic Conductive Molecules and Polymers: New York: Wiley.
  13. 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
  14. 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
  15. 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
  16. 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
  17. 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.
  18. 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
  19. 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.
  20. Narayanankutty, S. J. P.-P. T., & Engineering. (2011). Polyaniline-coated short nylon fiber/natural rubber conducting composite. 50(5), 443-452.
  21. 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
  22. 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.
  23. 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
  24. 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
  25. 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.
  26. 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.