机构名称：
¥ 1.0
nogy，纳米材料必须通过不受任何影响其特性的快速和可扩展过程来综合。为了应对这一挑战，我们和其他人最近报道了Graphene的合成，[1-3]，以及混合相的MOS 2和WS 2，[4]高渗透合金NPS，[5,6] Nanodiamond，[7]，[7]和其他纳米酸盐和其他纳米型使用电热闪光灯闪光灯焦耳热热效应。在电气放电期间产生的强烈黑体辐射后，石墨烯产品称为“闪光石墨烯”。闪光焦耳加热允许非晶碳的转化，包括诸如碎石橡胶轮胎等废物，[8]来自塑料回收的灰烬副产品，[9]或垃圾填充级混合塑料废物，[10] [10]到石墨烯晶体中。此外，闪光石墨烯晶体是涡轮形成的，并且沿C轴表现出不同程度的层到层的不良方向。[1]这种涡轮质石墨烯构成纳米结构依赖性的物质，包括表面活性剂溶液中的增强溶解度[1]和改变的带结构。[11]焦耳加热过程的可扩展性和环境友好性，以及合成产品的涡轮质性质，使Flash Joule加热一种有趣的合成技术，可带来进一步的研究和分析。尽管Flash Joule加热具有巨大的实用性，但本质上很难研究。闪光石墨烯的形式过程仅在数百毫秒内发生。这些波动很难通过实验控制，这使得它在传统的网格搜索中对映射过程 - 结构 - 专业关系的关系充满挑战。例如，Tang等。更重要的是，当前的闪光灯加热反应器在当前的放电轮廓上不提供控制，从而向每种反应增加了随机元素，这取决于电路向样本接触的瞬时波动。由于这些因素，在闪光灯加热过程中驱动大量纳米晶体形成的参数仍然模棱两可。同时，新兴的文献体系表明机器学习（ML）是材料科学基础研究的强大工具。[12–18]虽然ML经典地考虑了一种用于预防过程故障的工业工具，但使用ML询问大型参数空间可以在低时期内对新技术产生见解。使用ML探索过程 - 结构 - 专业关系 - 管理良好理解过程的船只，例如化学蒸气沉积和量子点综合，并根据其结果争论，ML将使研究人员能够研究
机器学习引导的闪光石墨烯的合成
主要关键词
相关文件推荐
