Please use this identifier to cite or link to this item: https://essuir.sumdu.edu.ua/handle/123456789/92398
Or use following links to share this resource in social networks: Recommend this item
Title Ensemble Approach for Capacitance Prediction of Heteroatom Doped Carbon Based Electrode Materials
Other Titles Ансамблевий підхід для прогнозування ємності електродних матеріалів на основі вуглецю, легованих гетероатомами
Authors Dubey, R.
Guruviah, V.
Dwivedi, R.P.
ORCID
Keywords електрод на основі карбону
зберігання енергії
легування гетероатомами
машинне навчання
легування азотом
суперконденсатор
carbon based electrode
energy storage
heteroatom-doped
machine learning
nitrogen doped
supercapacitor
Type Article
Date of Issue 2023
URI https://essuir.sumdu.edu.ua/handle/123456789/92398
Publisher Sumy State University
License In Copyright
Citation Richa Dubey, Velmathi Guruviah, Ravi Prakash Dwivedi, J. Nano- Electron. Phys. 15 No 3, 03011 (2023) DOI: https://doi.org/10.21272/jnep.15(3).03011
Abstract Моделювання машинного навчання на основі ансамблевого підходу використовується в поточному дослідженні для виявлення впливу різних параметрів електродів на електрохімічні характеристики нановуглеців, легованих гетероатомами. Це досягається за допомогою трьох метакласифікаторів у поєднанні з традиційними моделями багаторівневого персептрона та випадкового лісу. Використані три метакласифікатори, а саме (i) пакетування, (ii) класифікація за допомогою регресії (CVR) і (iii) мультикласовий класифікатор (MCC). Серед цих трьох моделей пакетування та класифікація за допомогою регресії забезпечили більшу точність з точки зору правильно класифікованих екземплярів (%) і площі під значеннями області конвергенції. Розроблені моделі використовуються для прогнозування класів питомих значень ємності. 94,5 % розглянутого набору даних класифіковано правильно, що підтверджує кращу точність розроблених моделей. Найменше середньоквадратичне значення 0,1787 було отримано для радіочастотної моделі. У порівнянні з моделями, визначеними в літературі, запропоновані моделі в цій роботі забезпечують найкращу відповідність експерименту та прогнозованих значень з найвищою точністю та найнижчими значеннями продуктивності похибок. Найменше значення похибки для моделей RF і MLP становить 0,18 і 0,19 відповідно.
An ensemble approach-based machine learning modeling is used in the current study for unveiling the effect of various electrode parameters on the electrochemical performance of hetero-atom doped nanocarbons. This is achieved using three meta-classifiers in combination with traditional Multi-Layer Perceptron and Random Forest models. The three meta-classifiers used are namely (i) bagging, (ii) classification via regression (CVR) and (iii) multi class classifier (MCC). Amongst these three models, bagging and classification via regression provided greater accuracy in terms of correctly classified instances (%) and area under region of convergence values. The designed models are used to predict class of specific capacitance values. 94.5 % of the considered dataset is classified correctly proving a better accuracy of the designed models. Lowest root mean square value of 0.1787 was obtained for RF model. Compared to the models defined in the literature, the suggested models in this work provide best fit of the experiment and predicted values with highest accuracy and lowest error performance values. The lowest error value for RF and MLP models are 0.18 and 0.19 respectively.
Appears in Collections: Журнал нано- та електронної фізики (Journal of nano- and electronic physics)

Views

Argentina Argentina
1
France France
1
India India
114063
Netherlands Netherlands
27
Singapore Singapore
1
Turkey Turkey
9969
Ukraine Ukraine
1
United Kingdom United Kingdom
328
United States United States
221368
Unknown Country Unknown Country
1769

Downloads

China China
57507
Hong Kong SAR China Hong Kong SAR China
1
India India
9968
Indonesia Indonesia
1
Italy Italy
1
Japan Japan
1
Singapore Singapore
1
Turkey Turkey
9970
Ukraine Ukraine
3536
United States United States
347529
Unknown Country Unknown Country
347529

Files

File Size Format Downloads
Dubey_jnep_3_2023.pdf 625.08 kB Adobe PDF 776044

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.