An Innovative Classification Approach for Predicting Physical Properties in Nanoparticles

Abstract

Наночастинки (NP) оксиду цинку (ZnO) привертають значну увагу в багатьох областях завдяки відмінним структурним і молекулярним особливостям. Прогнозування та розуміння цих властивостей має вирішальне значення для розробки ефективних застосувань у таких сферах, як каталіз, датчики та біомедичні пристрої. Нанотехнології стали ключовою сферою, особливо в матеріалознавстві, де унікальні властивості наночастинок використовуються для різних застосувань. Розуміння та прогнозування фізичних властивостей наночастинок, таких як ZnO, має вирішальне значення для оптимізації їх продуктивності. Для класифікаційного підходу ми представили новий метод, який підвищує точність і ефективність прогнозування основних фізичних властивостей ZnO NP. У цьому дослідженні ми використовуємо відповідний набір даних, що охоплює різні фізичні властивості наночастинок ZnO. Модель налаштована для досягнення оптимальної продуктивності. Запропонований підхід до класифікації демонструє кращу ефективність прогнозування порівняно з традиційними методами. Наша модель досягає високої точності та надійності в прогнозуванні різноманітних фізичних властивостей наночастинок ZnO. Запропонований підхід перевершує інші методи з точки зору точності (92,8 %), чутливості (90,8 %) і специфічності (93,9 %). Це може сприяти покращенню загальної продуктивності та функціонування існуючої моделі кращим чином.

Zinc oxide (ZnO) nanoparticles (NP) are generating substantial attention across multiple areas due to the distinctive Structural and Molecular Features. Predicting and understanding these properties is crucial for designing effective applications in areas such as catalysis, sensors, and biomedical devices. Nanotechnology has emerged as a pivotal field, particularly in materials science, where the unique properties of NP are harnessed for various applications. Understanding and predicting the physical properties of NP, such as those in ZnO, is crucial for optimizing their performance. For the classification approach, we introduced a novel method, Bat based Random Forest (B-RF) to enhance the accuracy and efficiency of predicting major physical properties of ZnO NP. In this research, we utilize a relevant dataset encompassing various physical properties of ZnO NP. The model is fine-tuned to achieve optimal performance. The proposed Random Forest-based classification approach demonstrates superior predictive performance compared to traditional methods. Our model attains high accuracy and reliability in predicting diverse physical properties of ZnO NP. By the end of the study, our suggested approach outperforms other methods in terms of Accuracy (92.8%), Sensitivity (90.8%), and Specificity (93.9%). This can contribute to improve the overall performance and functioning of the existing model in a better way.