Résultats du processus de synthèse de l'article arXiv : 2209.02046v1

Les auteurs Kai Gong et Elsa Olivetti ont développé deux modèles d'apprentissage automatique (ML), à savoir la forêt aléatoire (RF) et le réseau neuronal artificiel (ANN), pour prédire la densité des verres à température ambiante dans l'espace de composition du CaO-MgO-Al2O3-SiO2-TiO2-FeO-Fe2O3-Na2O-K2O-MnO (CMASTFNKM). En utilisant environ 2100 points de données extraits de près de 140 études littéraires, les résultats montrent que les modèles RF et ANN fournissent des prédictions précises de la densité des verres avec des valeurs R2, RMSE et MAPE d'environ 0,96 à 0,98, 0,02 à 0,03 g/cm3 et 0,59 à 0,79 % respectivement pour l'ensemble de test de 15 %. Ces prédictions sont plus précises par rapport aux modèles empiriques de densité basés sur le ratio d'empilement ionique. De plus, la densité des verres est révélée comme un indicateur fiable de réactivité pour une gamme de verres CaO-Al2O3-SiO2 (CAS) et volcaniques en raison de sa forte corrélation avec l'énergie moyenne de dissociation métal-oxygène. L'analyse des relations prédites entre la densité et la composition suggère que le modèle ANN présente un certain niveau de transférabilité et capture des caractéristiques connues telles que les effets mixtes d'alcalino-terreux pour les verres (CaO-MgO)0.5-(Al2O3-SiO2)0.5. Cette recherche fournit une base solide pour prédire avec précision la densité des verres multicomposants à base de silicate, ouvrant ainsi la voie à une meilleure compréhension et utilisation de ces matériaux dans divers domaines tels que la métallurgie, la géologie et les ciments durables.

• Les auteurs Kai Gong et Elsa Olivetti ont développé deux modèles d'apprentissage automatique (ML) : la forêt aléatoire (RF) et le réseau neuronal artificiel (ANN), pour prédire la densité des verres à température ambiante dans l'espace de composition du CMASTFNKM.
• Les modèles RF et ANN fournissent des prédictions précises de la densité des verres avec des valeurs R2, RMSE et MAPE élevées pour l'ensemble de test de 15 %.
• La densité des verres est un indicateur fiable de réactivité pour les verres CAS et volcaniques en raison de sa forte corrélation avec l'énergie moyenne de dissociation métal-oxygène.
• Le modèle ANN présente un certain niveau de transférabilité et capture des caractéristiques connues telles que les effets mixtes d'alcalino-terreux pour les verres (CaO-MgO)0.5-(Al2O3-SiO2)0.5.
• Cette recherche fournit une base solide pour prédire avec précision la densité des verres multicomposants à base de silicate, ouvrant ainsi la voie à une meilleure compréhension et utilisation de ces matériaux dans divers domaines tels que la métallurgie, la géologie et les ciments durables.
• Les auteurs Kai Gong et Elsa Olivetti ont développé deux modèles d'apprentissage automatique (ML) : la forêt aléatoire (RF) et le réseau neuronal artificiel (ANN), pour prédire la densité des verres à température ambiante dans l'espace de composition du CMASTFNKM.
• Les modèles RF et ANN fournissent des prédictions précises de la densité des verres avec des valeurs R2, RMSE et MAPE élevées pour l'ensemble de test de 15 %.
• La densité des verres est un indicateur fiable de réactivité pour les verres CAS et volcaniques en raison de sa forte corrélation avec l'énergie moyenne de dissociation métal-oxygène.
• Le modèle ANN présente un certain niveau de transfér

Les auteurs Kai Gong et Elsa Olivetti ont mené une étude visant à développer des modèles d'apprentissage automatique (ML) pour prédire la densité des verres à température ambiante dans l'espace de composition du CaO-MgO-Al2O3-SiO2-TiO2-FeO-Fe2O3-Na2O-K2O-MnO (CMASTFNKM). Cette recherche est basée sur l'utilisation de deux modèles, la forêt aléatoire (RF) et le réseau neuronal artificiel (ANN), qui ont été entraînés à partir de près de 2100 points de données extraits de 140 études littéraires.

Les résultats obtenus montrent que les modèles RF et ANN sont capables de fournir des prédictions précises pour la densité des verres, avec des valeurs R2, RMSE et MAPE allant respectivement de 0,96 à 0,98, 0,02 à 0,03 g/cm3 et 0,59 à 0,79 % pour l'ensemble de test représentant 15 % des données. Ces prédictions se révèlent plus précises que celles obtenues avec les modèles empiriques basés sur le ratio d'empilement ionique.

De plus, cette étude met en évidence la densité comme un indicateur fiable pour évaluer la réactivité des verres multicomposants tels que ceux composés principalement de CaO-Al2O3-SiO2 (CAS) ou encore les verres volcaniques. En effet, elle présente une forte corrélation avec l'énergie moyenne nécessaire pour dissocier les liaisons métal-oxygène.

L'analyse des relations entre la densité et la composition prédite par les modèles suggère que le modèle ANN présente un certain niveau de transférabilité, c'est-à-dire qu'il est capable de capturer des caractéristiques connues telles que les effets mixtes d'alcalino-terreux pour les verres (CaO-MgO)0.5-(Al2O3-SiO2)0.5.

Cette recherche constitue une avancée importante dans la prédiction précise de la densité des verres multicomposants à base de silicate. Elle ouvre ainsi la voie à une meilleure compréhension et utilisation de ces matériaux dans divers domaines tels que la métallurgie, la géologie et les ciments durables.

En résumé, cette étude démontre l'efficacité des modèles RF et ANN pour prédire avec précision la densité des verres multicomposants à base de silicate. Ces résultats sont prometteurs pour améliorer notre connaissance et notre utilisation de ces matériaux dans différents secteurs industriels.