CFNN

2G HTS涂层导体磁带的价值预测

摘要：索引值或所谓的n值预测对于理解超导体的行为至关重要，特别是需要对超导体建模时。此参数取决于几个物理量，包括温度，磁场的密度和方向，并影响由涂层导体制成的HTS设备的行为，从损失和淬火繁殖方面。在本文中，对许多用于估计N值的机器学习方法进行了全面分析。结果表明，级联向前神经网络（CFNN）在此范围内擅长。与其他尝试的模型相比，尽管需要较高的训练时间，但它的性能最高，具有0.48的均方根误差（RMSE）和99.72％的Pearson系数，具有拟合度（R-Squared）。另一方面，刚性回归方法的预测最差为4.92 RMSE和37.29％的R平方。此外，随机森林，增强方法和简单的馈电神经网络可以被视为比CFNN更快的训练时间的中间精度模型。这项研究的结果不仅提前对超导体进行了建模，而且还为应用程序的应用铺平了道路，并为机器学习插件代码进行了进一步研究，以进行超导研究，包括对超导设备进行建模。