Алгоритми машинного навчання для прогнозування властивостей сегнетоелектриків

Скорочена інформація про документ
dc.contributor.advisorШевлякова, Ганна Вікторівна
dc.contributor.authorДрузь, Дмитро Андрійович
dc.date.accessioned2025-07-24T06:55:44Z
dc.date.available2025-07-24T06:55:44Z
dc.date.issued2025
dc.description.abstractОб’єкт дослідження: сегнетоелектричні матеріали та їхні фізико-хімічні властивості. Предмет дослідження: математичні моделі машинного навчання та їх застосування до задач прогнозування параметрів сегнетоелектриків. Мета роботи: розробка, навчання та аналіз ефективності моделей машинного навчання для прогнозування фізичних властивостей сегнетоелектричних матеріалів на основі структурних та хімічних характеристик. Методи дослідження: аналітичні та емпіричні методи, які включають математичне моделювання на основі алгоритмів машинного навчання, таких як регресія, метод опорних векторів, випадковий ліс і штучні нейронні мережі. При написанні роботи було досліджено літературні джерела, властивості сегнетоелектричних матеріалів, їх класифікація; відкриті бази даних, такі як Materials Project, AFLOW, NOMAD; сучасні алгоритми машинного навчання, такі як RandomForest, SVM, штучні нейронні мережі. Були проведені тренування відповідних моделей, а також проведено аналіз процесу тренування та аналіз результатів роботи моделей. Результат роботи: набір предиктивних моделей, що дозволяють по набору вхідних ознак сегнетоелектрика дізнатися приблизну температуру Кюрі.
dc.description.abstractotherResearch object: ferroelectric materials and their physical and chemical properties. Research subject: mathematical models of machine learning and their application to parameter prediction problems of ferroelectrics. Work objective: development, training and analysis of the effectiveness of machine learning models for predicting the physical properties of ferroelectric materials based on structural and chemical characteristics. Research methods: analytical and empirical methods, which include mathematical modeling based on machine learning algorithms such as regression, support vector machine, random forest, and artificial neural networks. When writing the work, the following were researched: literary sources, properties of ferroelectric materials, their classification; open databases such as Materials Project, AFLOW, NOMAD; modern machine learning algorithms such as RandomForest, SVM, artificial neural networks. The corresponding models were trained, and the training process and the results of the models were analyzed. Work result: a set of predictive models that allow to find out the approximate Curie temperature from a set of input features of a ferroelectic.
dc.format.extent88 с.
dc.identifier.citationДрузь, Д. А. Алгоритми машинного навчання для прогнозування властивостей сегнетоелектриків : дипломна робота … бакалавра : 153 Мікро- та наносистемна техніка / Друзь Дмитро Андрійович. – Київ, 2025. – 88 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/75198
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectMSE
dc.subjectMAE
dc.subjectсегнетоелектрик
dc.subjectгістерезис
dc.subjectмодель
dc.subjectдатасет
dc.subjectоверфіт
dc.subjectметрика
dc.subjectкрос-валідація
dc.subjectferroelectric
dc.subjecthysteresis
dc.subjectmodel
dc.subjectdataset
dc.subjectoverfit
dc.subjectmetric
dc.subjectcross-validation
dc.titleАлгоритми машинного навчання для прогнозування властивостей сегнетоелектриків
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Druz_bakalavr.pdf
Розмір:
1.51 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (МЕ)
Бакалаврські роботи