Predicting the sheet resistance of laser-induced graphitic carbon using machine learning
Notice bibliographique
Résumé
Abstract While laser-induced graphitic carbon (LIGC) has been used to fabricate cost-effective conductive carbon on flexible substrates for applications such as sensors and energy storage devices, predicting the resistance of the component fabricated via LIGC remains challenging. In this study, a two-step machine learning-based modeling framework is developed to predict the sheet resistance of the materials fabricated using LIGC. The two-step modeling framework consists of classification and regression. First, random forest (RF) is used to classify successful and failed trials. Second, extreme gradient boosting (XGBoost), RF, support vector machine with radial basis function, multivariate adaptive spline regression, and multilayer perceptron are used to predict the sheet resistance in each successful trial. In addition, an analysis of the change in sheet resistance with respect to laser energy per unit area is conducted to remove data points with high sheet resistance. XGBoost is also used to determine the importance of each process parameter. We demonstrate the modeling framework on datasets collected from experiments where LIGC lines (1D) and LIGC squares (2D) are engraved. For the 1D dataset, the RF classification model achieves a 95% accuracy. For both 1D and 2D datasets, a comparative study shows that XGBoost outperforms other algorithms. XGBoost predicts the sheet resistance of the LIGC lines and squares with a MAPE of 7.08% and 8.75%, respectively. XGBoost also identifies laser resolution as the most significant parameter. Moreover, experimental results show that models built on the dataset merging the 1D and 2D datasets result in lower prediction accuracy than those built on the 1D and 2D datasets separately. The modeling framework allows one to determine the sheet resistance of LIGC with varying laser processing conditions without conducting expensive and time-consuming experiments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».