机器学习结合流体动力学提升碳纳米管阵列密度预测
热点事件观察中
机器学习结合流体动力学提升碳纳米管阵列密度预测
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
Advanced Functional Materials 论文作者团队提出一种融合边界层流体动力学的机器学习工作流，将高维生长参数压缩为传质系数 Km 与停留时间 t 两个物理描述符，使水平排列碳纳米管（HACNT）阵列密度的预测决定系数 R² 从 0.68 提升至 0.84。 团队通过 4200 次虚拟筛选绘制出全局动力学相图，结果显示高密度 HACNT 的生长窗口极窄，需要碳前驱体供应充足且适中，并匹配适当的停留时间 t。 后续验证实验确认了该模型在 HACNT 密度预测上的可靠性，并识别出失效机制；团队称该工作流可指导 120 tubes/µm 阵列的定向生长。
AI 根据报道生成 · 23 小时前更新
最新进展11月4日 00:20
层流边界层传质引导的机器学习实现水平碳纳米管阵列密度精准调控报道时间线
沿着报道，了解事件的不同侧面。
11月4日
- Advanced Functional Materials层流边界层传质引导的机器学习实现水平碳纳米管阵列密度精准调控
一种融合边界层流体动力学的机器学习工作流将高维生长参数压缩为传质系数Km与停留时间t两个物理描述符，使水平排列碳纳米管（HACNT）阵列密度预测的R²从0.68提升至0.84。4200次虚拟筛选绘制出全局动力学相图，显示高密度HACNT生长窗口极窄，需碳前驱体供应充足且适中并匹配适当的t。验证实验确认了模型可靠性并实现120 tubes/µm阵列的定向生长。
本事件热度走势
- 可比范围当前
- 4
- 可比范围峰值
- 811月4日 09:00
- 近 24 小时变化
- –
02468
12:0018:0011月5日06:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。