ترجمه فارسی مقاله کشف پتانسیل ترموالکتریک: رویکرد انباشت یادگیری ماشین برای آلیاژهای نیم هویسلر

چکیده

Thermoelectric properties of Half Heusler alloys are predicted by adopting an ensemble modelling approach, specifically the stacking model integrated using Random Forest and XGBoost scheme. Leveraging a diverse dataset encompassing thermal conductivity, the Seebeck coefficient, electrical conductivity, and the figure of merit (ZT), the study demonstrates superior predictive performance of the stacking Model, outperforming individual base models with high R2 values. Key features such as temperature, mean Covalent Radius, and average deviation of the Gibbs energy per atom emerge as critical influencers, highlighting their pivotal roles in optimizing thermoelectric behavior. The unification of Random Forest and XGBoost in the stacking model effectively captures nuanced relationships, offering a holistic understanding of thermoelectric performance in Half Heusler alloys. This work advances predictive modelling in thermoelectricity and provides valuable insights for strategic material design, paving the way for enhanced efficiency and performance in thermoelectric applications. The ensemble modelling framework, coupled with insightful feature selection and meticulous engineering, establishes a robust foundation for future research in pursuing high-performance thermoelectric materials.

چکیده به فارسی (ترجمه ماشینی)

خواص ترموالکتریک نیمی از آلیاژهای هوزلر با اتخاذ یک رویکرد مدل سازی گروه ، به طور خاص مدل انباشت یکپارچه با استفاده از برنامه Random Forest و XGBOOST پیش بینی می شود.با استفاده از یک مجموعه داده متنوع شامل هدایت حرارتی ، ضریب Seebeck ، هدایت الکتریکی و شکل شایستگی (ZT) ، این مطالعه عملکرد پیش بینی برتر مدل انباشته را نشان می دهد ، از مدل های پایه جداگانه با مقادیر R2 بالایی برخوردار است.ویژگی های کلیدی مانند دما ، میانگین شعاع کووالانسی و انحراف متوسط ​​انرژی گیبس در هر اتم به عنوان تأثیرگذار بحرانی ظاهر می شود و نقش اصلی آنها در بهینه سازی رفتار ترموالکتریک را برجسته می کند.اتحاد جنگل های تصادفی و XGBoost در مدل انباشت به طور موثری روابط ظریف را ضبط می کند و درک کاملی از عملکرد ترموالکتریک را در آلیاژهای نیمی از هوزلر ارائه می دهد.این کار مدل سازی پیش بینی کننده در ترموالکتری را پیشرفت می کند و بینش ارزشمندی را برای طراحی مواد استراتژیک فراهم می کند و راه را برای افزایش بهره وری و عملکرد در کاربردهای ترموالکتریک هموار می کند.چارچوب مدل سازی گروه ، همراه با انتخاب ویژگی های روشنگری و مهندسی دقیق ، بنیادی قوی برای تحقیقات آینده در پیگیری مواد ترموالکتریک با کارایی بالا ایجاد می کند.